Tradotto dall'originale inglese. Dati e fonti restano invariati. Leggi l'originale in inglese
Bank of Jiangsu
Bank of Jiangsu usa modelli DeepSeek per automatizzare il controllo dei contratti, lo smistamento delle e-mail e le riconciliazioni
Bank of Jiangsu, banca regionale cinese, dice di aver affinato DeepSeek-VL2 e DeepSeek-R1 per il controllo di qualità dei contratti, la classificazione delle e-mail, l'abbinamento dei prodotti, la registrazione delle operazioni e la riconciliazione delle valutazioni. Gli articoli di stampa riportano il dato della banca: un tasso di successo del riconoscimento superiore al 90%.
Dati chiave
Copiati esattamente dalle fonti. Copiate qualsiasi dato insieme alla sua citazione.
oltre il 90%
Tasso di successo del riconoscimento indicato nella frase successiva alla descrizione di DeepSeek-R1 che automatizza classificazione delle e-mail, abbinamento dei prodotti, registrazione delle operazioni e riconciliazione delle valutazioni; Yicai non lo definisce1
migliaia
E-mail che la banca riceve ogni giorno e che DeepSeek aiuta a smistare e a cui aiuta a rispondere2
Cosa è servito
Le fonti non rendono noti costi, dimensioni del team e tempi.
Il problema
Le banche gestiscono grandi volumi di contratti, e-mail ed estratti di riconciliazione, e gran parte di questo lavoro è di routine e manuale. Le banche cinesi cercavano modi poco costosi per usare i grandi modelli linguistici dopo l'arrivo dei modelli aperti di DeepSeek all'inizio del 2025.
Cosa hanno costruito
Bank of Jiangsu, con sede a Nanchino, dice di aver adottato e affinato due modelli DeepSeek. DeepSeek-VL2 è un modello multimodale, cioè legge sia immagini sia testo, e la banca lo usa per il controllo di qualità dei contratti. DeepSeek-R1 è un modello di ragionamento, e la banca dice che automatizza la classificazione delle e-mail, l'abbinamento dei prodotti, la registrazione delle operazioni e la riconciliazione degli estratti di valutazione. Global Finance aggiunge che la banca usa DeepSeek per smistare e rispondere a migliaia di e-mail ricevute ogni giorno e per analizzare grandi quantità di dati finanziari.
Come ci sono riusciti
Le fonti danno pochi dettagli. Entrambi i modelli DeepSeek sono open-weight, cioè i loro file sono pubblicati e possono essere eseguiti sui sistemi propri di un'azienda. Yicai descrive la banca come se li avesse affinati, cioè addestrati ulteriormente sul proprio materiale. Gli articoli non descrivono il team, il costo o le fasi di implementazione.
Risultati
Secondo dati della banca citati da Yicai, il tasso di successo del riconoscimento è superiore al 90%. Gli articoli non dicono che cosa sia stato misurato né rispetto a quale riferimento. Global Finance riferisce che nella banca i modelli smistano e rispondono a migliaia di e-mail ogni giorno. Yicai osserva che, nelle banche cinesi, questi assistenti sono usati soprattutto a supporto del personale e raramente per le operazioni centrali sui conti.
Lezioni per il vostro progetto
Partire dal lavoro documentale di back office che le persone comunque controllano, come contratti, e-mail e riconciliazioni, dove un errore viene intercettato prima di raggiungere un cliente.
I modelli a pesi aperti (open-weight) si possono affinare ed eseguire all'interno della banca, il che si adatta alle aziende che vogliono tenere i dati in locale.
All'inizio tenere il modello lontano dall'elaborazione delle operazioni centrali. Gli esperti del settore citati nelle cronache dicono che l'output è difficile da controllare e che i contenuti vengono ancora rivisti a mano.
Definire la misura del successo prima del lancio. Un dato come il tasso di riconoscimento richiede una definizione chiara di che cosa viene riconosciuto.
Avvertenze
- L'implementazione e il dato provengono dalla banca e sono riportati da giornalisti, quindi le prove sono dichiarate dall'azienda. Non è stata trovata una fonte primaria della banca e non esiste una verifica indipendente. Yicai non dice in modo esplicito a quale attività si riferisca il tasso di successo.
- Le fonti non definiscono che cosa misuri il tasso di successo del riconoscimento né come sia stato testato.
- La data di rilascio della banca non è indicata. La prima fonte, del 10 febbraio 2025, dice che la banca ha adottato i modelli, quindi come data di rilascio si usa il mese di quel resoconto.
- Nessuna delle due fonti indica costi, dimensioni del team o tempi. L'articolo di Yicai dice che gli assistenti di IA sono usati soprattutto per contenuti poi rivisti a mano e raramente nelle operazioni bancarie centrali.
- Entrambi gli articoli citano altre banche, tra cui ICBC e Postal Savings Bank, che hanno adottato DeepSeek, senza dati.
Fonti
- China's Financial Sector Hastens Integration of DeepSeek LLMs
Yicai Global · 2025-02-10 · Notizia · www2.yicaiglobal.com
- DeepSeek AI Takes Root in China's Banks
Global Finance · 2025-03-01 · Notizia · gfmag.com
Riassunto con parole nostre a partire dalle fonti sopra indicate. Avete notato un errore? Consultate le rettifiche.