袋鼠云亮相第二届金融行业AI数据治理及应用研讨会，分享AI-Ready信贷高质量数据集建设方案

8月29日，在2026中国国际大数据产业博览会期间，由国家数据局数字科技和基础设施建设司、贵州省大数据发展管理局指导，国家工业信息安全发展研究中心、DCMM 金融行业社区技术委员会主办，袋鼠云等单位承办的第二届金融行业AI数据治理及应用研讨会在贵阳举行。

作为我国大数据领域具有重要影响力的国家级展会，中国国际大数据产业博览会是观察数据产业技术演进与应用创新的重要窗口。

本届金融行业AI数据治理及应用研讨会则进一步聚焦金融行业AI落地中的关键数据问题。现场汇聚众多银行、保险、证券等金融机构客户及行业嘉宾，贵州省大数据发展管理局、贵州省信息中心、国家金融监督管理总局贵州监管局等单位领导，国家工业信息安全发展研究中心专家等出席会议，围绕高质量数据集建设、AI数据治理以及金融行业智能化应用等议题展开交流。

会上，袋鼠云解决方案总监大飞受邀发表《AI-Ready信贷高质量数据集建设方案》主题演讲，结合银行信贷业务，系统分享袋鼠云对于金融行业高质量数据集建设以及AI应用落地的思考与实践。

金融AI加速落地，数据正在成为新的关键变量

随着大模型持续进入金融业务场景，金融机构已经开始从“模型能力验证”进一步走向真实业务应用。

但一个越来越现实的问题也随之出现：模型能力不断提升，真正适配AI使用的数据却依然不足。

大飞在分享中提到，当前银行已经积累了大量数据资产，但传统数仓和数据平台更多面向报表、BI与经营分析建设，与大模型训练、推理和智能应用所需要的数据形态仍存在明显差异。如何将银行已有业务数据进一步加工成为AI能够直接理解和消费的数据资产，正在成为金融AI落地的重要基础。

结合金融信贷场景，袋鼠云总结了当前行业普遍面临的三类问题：

一是数据难统一。客户、交易、征信、工商、司法等数据分散在不同系统中，难以形成完整、一致的客户与风险视图。

二是数据难利用。尽调报告、财报、合同、催收记录等大量非结构化数据中沉淀着丰富的业务知识和风险信息，但传统数据处理方式难以充分释放其价值。

三是模型难持续迭代。数据质量不稳定、场景适配不足、业务反馈难以有效回流，使AI模型难以持续优化并规模化应用。

基于此，袋鼠云提出，面向AI时代的高质量数据集，需要进一步实现从“数据可查询”向“模型可理解、可推理、可持续学习”演进。

从数据资源到AI生产资料，构建AI-Ready高质量数据集

围绕这一目标，袋鼠云提出了AI-Ready高质量数据集的建设思路。

其核心是以AI应用场景和模型需求为牵引，反向定义数据标准、加工流程与治理机制，将结构化业务数据、半结构化日志，以及财报、合同、尽调报告、录音等非结构化数据，持续加工为结构化数据集、知识图谱、SFT问答样本、语义向量等AI-Ready数据资产，并通过业务应用产生的反馈持续推动数据迭代。

在具体建设路径上，袋鼠云将信贷高质量数据集建设划分为四个阶段。

第一阶段是全量数据汇聚与多源融合。 通过数据资产盘点、统一汇聚、主体实体对齐、外部数据接入治理以及数据血缘建设，打通客户、账户、交易、担保、关联企业等关系，为AI形成更加完整、一致的客户与风险视图。

第二阶段是AI-Ready工程化清洗与知识萃取。 通过数据质量管理、OCR、版面分析、复杂表格还原、实体关系抽取等能力，将财报、合同、尽调报告中的非结构化信息进一步加工成为知识图谱、指标、标签、业务规则及问答样本，让过去沉淀在文档中的金融知识真正成为模型可以直接使用的数据。

第三阶段是场景驱动的智能标注与模型验证。 围绕贷前审批、授信测算、风险预警等具体任务，通过模型预标注、业务专家校验、质量抽检，以及训练集、验证集、测试集构建，让高质量数据集真正适配具体金融业务场景，并持续验证数据对于模型效果的提升。

第四阶段是安全合规贯穿数据全生命周期。 通过数据分类分级、脱敏匿名化、隐私计算、审计溯源、高风险场景人工复核及生命周期管理等机制，让金融AI在提升应用效率的同时，满足数据安全、可解释、可审计等监管要求。

从“建数据集”走向“用数据集”，赋能信贷全流程

高质量数据集的价值最终仍需要回到业务。

围绕信贷业务，袋鼠云将AI-Ready数据能力进一步延伸至贷前、贷中、贷后多个环节，形成“以场景定数据、以数据养模型、以模型促业务”的应用思路。

以智能尽调为例，传统模式高度依赖客户经理阅读大量文档并跨系统核对信息。通过汇聚内部信贷、流水、征信与外部工商、司法等数据，并进一步将财报、合同、尽调报告中的“软信息”加工为知识图谱、风险标签与场景样本，可以让模型基于更加完整、一致的数据进行分析，同时增强对隐性关联、担保圈、资金回流等复杂风险的识别能力。每一条风险结论还可以进一步追溯至原始数据和文档，为人工复核和审计提供依据。

在贷后管理场景中，高质量数据集则更加强调实时性、连续性和可对比性。通过持续汇聚交易数据、客户与债项数据、外部动态数据及历史风险处置结果，并结合风险标签、场景样本和大模型推理，可以推动传统周期性贷后检查向更加动态的风险监测与预警演进，同时将误报、漏报以及实际处置结果持续回流，推动数据与模型共同优化。

大飞表示，金融行业高质量数据集建设并非一次性的数据加工工程，其核心在于围绕场景、数据与模型建立持续迭代机制，让业务场景驱动数据生产，让高质量数据支撑模型能力提升，再通过模型服务业务并形成新的反馈数据。

深耕金融行业，持续助力金融数智化转型

目前，袋鼠云已累计服务5000+客户，覆盖50多个行业；在金融行业已形成500+成功案例实践，服务范围覆盖国有大行、股份制银行、城商行、农商行、证券、基金、保险等领域。其中包括中国银行、中国银联、中信集团、中金公司、中国平安、中国光大银行、中信证券、中信建投证券、太平洋保险等行业代表性客户。

随着金融行业AI应用进一步走向核心业务，高质量数据正在成为连接企业既有数据资产与大模型能力的重要基础。未来，袋鼠云将持续围绕Data+AI、高质量数据集与智能应用深化产品与解决方案能力，推动数据治理能力与AI应用进一步融合，为金融机构构建更加可信、可用、可持续演进的数据基础，持续助力金融行业数智化转型。