来源 :格灵深瞳2026-02-06
随着金融行业数字化转型的深入，银行运营管理面临海量视频数据利用难、合规检测效率低、客户服务体验待提升等挑战。传统依赖人工浏览录像、抽查视频的方式难以满足高效化、精细化、智能化的运营管理需求。
聚焦实际业务痛点和需求，格灵深瞳构建了一套面向银行运营场景的AI智能管理系统——元识·睿镜运营智算解决方案（以下简称“睿镜”）。
作为元识（MetaSense）金融多模态智算平台产品家族的拳头级产品之一，睿镜以视觉大模型和大语言模型为基础，通过轻量化算法训练平台、“大模型+小模型”灵活组合方案和专属智能体集合，打造一套“看懂、管好、预警、优化”的AI管理系统，实现业务检查、结果汇总、快速报告的银行运营业务闭环。
小时级算法训练：模型可在客户现场快速迭代
对视频分析类产品来说，算法模型的优化迭代定义了产品能力边界。传统的算法开发周期长、训练门槛高、端侧适配难度大，这些痛点加大了模型在产品应用过程中的升级交付难度。
针对以上难点，睿镜搭载格灵深瞳自研的端到端全流程开发平台AI Edge Studio（简称“AES”）。基于视觉模型基座Glint-MVT、Adapter Tuning训练微调技术及下游任务高效推理组合方案，AES平台能够实现快速的算法训练，在客户现场利用真实数据高效迭代模型，将传统6-8周的算法开发周期压缩至最快3小时。
算法训练一体机，内含AES平台
AES平台可灵活选配不同参数的模型，支持图片与视频的分类、检测，图像分割，语义分割，关键点检测等多种视觉任务。通过轻量化算法训练平台+算法仓管理，睿镜可实现高效、可持续的算法调优，延展到新业务场景，让模型迭代交付真正融入产品，成为产品的“天然能力”，建立闭环的AI运营管理体系。
大小模型联动部署：成本与效果兼顾
依托元识AI核心系统，睿镜涵盖了“硬件设备-应用系统-解决方案”的平台级产品能力。
在建设方式上，睿镜打破了单一大模型和单一小模型分别在中心端和边缘端进行数据分析的界限，采取“大模型+小模型”组合应用，将二者优势融为一体，在使用相对较少资源和较低成本的情况下，达到较高算法精度和较强泛化能力，缩短算法研发周期。
从部署网络来看，银行网点/金库的多路摄像头现场抓拍的视频流先进入睿镜边缘智算主机（部署小模型），经过小模型初次识别之后，分析结果流入多模态一体机，进行二次识别，产出更精确的分析结果。不同分行的业务数据汇总流向总行大模型一体机，实现边缘端与中心端联动。
睿镜边缘智算主机
多模态一体机
“大模型+小模型”的创新方式，为银行客户提供了一套性价比更高的建设方案。在模型部署过程中，客户可根据实际需求和数字化基础灵活选择建设方式，实现成本与效果之间的平衡。
专属智能体“超市”：多场景AI助手随心配
基于VLM和LLM模型能力，睿镜系统提供支持自定义配置的可插件化智能体，挖掘AI在多场景下的应用深度。
例如在数据分析场景，传统的功能开发流程漫长繁琐，格灵深瞳元识核心系统下的智能问数（ChatBI）智能体，可联动金砖、睿镜等不同子系统的数据库，通过自然语言直接查询相关数据，在保证查询准确性的基础上，将查询结果转化为最适合可视化呈现的图表形式。
数据洞察助手交互界面
面对动态复杂的现实情况，银行运营需要及时更新告警业务。在小模型识别方案下，新增一个业务需要收集大量数据、开发算法模型、上线试用调优等多个步骤。相比之下，基于格灵深瞳多模态大模型的“零样预警”智能体可实现零样本情况下直接解读图像内容。通过自然语言配置告警识别提示词，配合边缘设备自动抓拍现场图片，即可创造新的告警业务，并快速上线验证可行性。
在常年运营中，银行积累了大量图像数据，但这些数据大多在存储端“沉睡”，数据价值未被充分挖掘利用。格灵深瞳“智能搜图”智能体打破了这一困境，通过输入自然语言或者图片，可从亿级存储图像中检索目标事件——以文搜图、以图搜图、文+图搜图的多功能组合，可将银行的海量图像数据资源盘活。