Übersetzt aus dem englischen Original. Zahlen und Quellen sind unverändert. Englisches Original lesen
Jiangsu Suning Bank (苏商银行)
Jiangsu Suning Bank liest Kreditakten mit DeepSeek-VL2, die Erkennungsgenauigkeit liegt über 97 %
Die chinesische Jiangsu Suning Bank setzt das Modell DeepSeek-VL2 von DeepSeek, ein Modell mit offenen Gewichten, ein, um die Unterlagen von Kreditanträgen zu lesen, darunter verschachtelte Tabellen und fotografierte Akten. Ein Vertreter der Bank sagte dem China Securities Journal, die Erkennungsgenauigkeit habe 97 % überschritten und die gesamte Kreditprüfung sei um 20 % effizienter geworden.
Kennzahlen
Wortgetreu aus den Quellen übernommen. Kopieren Sie jede Zahl mit ihrer Quellenangabe.
超97% (über 97 %)
Gesamte Erkennungsgenauigkeit bei Kreditantragsunterlagen, laut einem Vertreter der Bank1
提升了20% (um 20 % verbessert)
Effizienz des gesamten Kreditprüfungsprozesses, laut einem Vertreter der Bank1
Was es erforderte
Kosten, Teamgröße und Zeitplan wurden in den Quellen nicht veröffentlicht.
Das Problem
Banken müssen große Stapel an Unterlagen lesen, bevor sie Kredite vergeben. Kreditanträge kommen als Scans, Fotos und Tabellen, die in anderen Tabellen verschachtelt sind. Die Bank sagt, ihre frühere Texterkennungssoftware, bekannt als OCR, habe mit niedrigen Erkennungsraten bei Tabellen, Handschrift und fotografierten Dokumenten zu kämpfen gehabt.
Was sie gebaut haben
Die Jiangsu Suning Bank, in der Quelle 苏商银行 genannt, wendet DeepSeek-VL2 auf Kreditunterlagen an. DeepSeek-VL2 ist ein multimodales Modell, es verarbeitet also Text und Bilder gemeinsam. DeepSeek veröffentlicht es als Modell mit offenen Gewichten, sodass die Bank seine Dateien selbst betreiben und anpassen kann. Das Modell liest verschachtelte Tabellen und Bilddateien und entnimmt ihnen die Inhalte.
Wie sie vorgegangen sind
Der Artikel nennt wenige technische Details. Die Bank beschreibt die Kombination des multimodalen Modells mit einer Mixture-of-Experts-Architektur, einem Ansatz, bei dem verschiedene Teile eines Modells verschiedene Arten von Eingaben verarbeiten. Team, Kosten und Zeitplan nennt sie nicht. Der Artikel sagt, Banken seien im Allgemeinen anfangs vorsichtig, wählten zunächst einige Szenarien und weiteten den Einsatz später aus.
Ergebnisse
Ein Vertreter der Bank sagt, die Erkennungsgenauigkeit bei Kreditunterlagen sei insgesamt auf über 97 % gestiegen. Dieselbe Person sagt, die Effizienz des gesamten Kreditprüfungsprozesses habe sich um 20 % verbessert. Das sind Aussagen der Bank selbst, von der Zeitung weitergegeben. Es wurden weder Vorher-nachher-Daten noch eine Stichprobe oder ein Messzeitraum veröffentlicht.
Erkenntnisse für Ihr Projekt
Beginnen Sie mit dokumentenlastigen Schritten, in denen sich Fehler leicht zählen lassen. Kreditakten mischen Tabellen, Scans und Fotos; die Erkennungsgenauigkeit liefert daher einen klaren Vorher-nachher-Vergleich.
Benennen Sie, was das alte Werkzeug nicht konnte. Die Bank beschrieb schwache Tabellenerkennung, Handschrift und fotografierte Dokumente als Lücken ihrer früheren Texterkennungssoftware, was die Verbesserung überprüfbar macht.
Fragen Sie die Bank oder den Anbieter, wie die Genauigkeit gemessen wird. Die Erkennungsgenauigkeit bei Dokumenten ist nicht dasselbe wie die Genauigkeit der endgültigen Kreditentscheidung.
Behandeln Sie die frühe Einführung als Pilot. Der Artikel merkt an, dass Banken anfangs eher vorsichtig sind und zunächst wenige Szenarien wählen, bevor sie den Einsatz ausweiten.
Einschränkungen
- Beide Zahlen sind Aussagen eines nicht genannten Bankvertreters, zitiert vom China Securities Journal. Eine unabhängige Messung wird nicht berichtet.
- Die Quelle nennt weder Stichprobengröße noch Testzeitraum, Definition der Ausgangsbasis oder Startdatum. Das angezeigte Einführungsdatum ist der Monat des Artikels.
- Die Quelle spricht von der „Effizienz“ der Kreditprüfung, ohne zu sagen, ob Zeit, Kosten oder Menge gemeint sind.
- Der Artikel nennt die Bank 苏商银行. Der englische Name Jiangsu Suning Bank ist Lumiarys Wiedergabe davon.
- Die Quelle nennt weder Kosten noch Teamgröße oder Zeitplan.
Quellen
- 银行的“DeepSeek时刻”：信贷审核等场景已搭上AI快车
China Securities Journal (中国证券报) · 2025-02-11 · Nachrichten · cs.com.cn
In eigenen Worten aus den oben genannten Quellen zusammengefasst. Einen Fehler entdeckt? Siehe Korrekturen.