了解生成式 AI 如何生成详细的风险评估，以及 MongoDB 的多模态功能如何实现全面的多维贷款风险分析。
解决方案概述
商业贷款是银行业务的基石，为金融机构乃至整体经济带来显著效益。例如，在2023，美国商业和工业贷款的价值达到近2.8 万亿美元。然而，这些贷款可能会带来独特的挑战和风险，银行必须加以应对。除了借款人可能违约的信贷风险外，银行还面临着经济衰退或特定行业衰退可能影响借款人还款能力的商业风险。该解决方案深入探讨了生成式人工智能在促进商业贷款详细风险评估方面的潜力，以及如何利用 MongoDB 的多模态功能进行全面、多维度的风险分析。
用于演示 MongoDB 所有功能以构建此解决方案的代码，可在以下 GitHub 存储库中找到。
关键业务计划
商业计划书是获取商业贷款的关键材料，其通过详细阐述借款人的发展规划、战略布局及财务预测，构成完整的融资路线图。该计划书可帮助贷款人评估企业的目标可行性、经营持续性与盈利潜力，并清晰展示资金将如何用于业务增长及债务偿还。详细的商业计划包括市场分析、竞争定位、运营计划和财务预测，为贷款人的投资和企业有效管理风险的能力提供令人信服的理由，从而提高获得贷款的可能性。
由于时间限制、材料复杂以及从详细的财务预测、市场分析和风险因素中提取关键指标的难度，阅读借款人的信用信息和详细的商业计划书（大约为 15- 20 页）给信贷审批人员带来了巨大的挑战。浏览技术细节和特定行业的行话也很有挑战性，需要专业知识。准确识别关键风险因素并制定缓释策略，在确保信贷审批人员与风控委员会评估标准统一的同时，进一步增加了业务复杂度。
为克服这些挑战，生成式 AI 可协助信贷专员完成以下工作：高效分析业务计划、提取关键信息、识别主要风险并提供一致的解释，从而帮助制定明智的决策。
使用生成式人工智能评估贷款
使用生成式人工智能驱动的聊天机器人进行交互式风险分析
以下图 1 显示了 ChatGPT-4o 在被要求评估商业贷款的风险时如何响应的示例。虽然贷款目的和业务说明的输入比较简单，但生成式人工智能可以提供详细的分析。
图 1.ChatGPT-4.0 对商业贷款风险评估的响应示例
幻觉还是无知？
通过将生成式人工智能应用于风险评估，贷款人可以探索生成式人工智能能够评估的其他风险因素。一个因素可能是自然灾害风险或更广泛的气候风险。在图 2中，我们特别将洪水风险作为一个因素添加到上一个问题中，以查看 ChatGPT-4o 的反馈。
图 2.ChatGPT-4.0 对洪水风险因素的响应示例
根据响应情况，洪水风险较低。为了验证这一点，我们以不同的方式询问了 ChatGPT-4o 这个问题，重点关注其对洪水数据的了解。（见图3。）它建议查看联邦紧急事务管理局 (FEMA) 的洪水地图和当地的洪水历史，并表示可能没有最新的信息。
图 3.特定于位置的洪水问题示例
在所示查询中，ChatGPT-4o 给出了相反的回答，声称存在“严重洪水灾害”，并对四个网站进行互联网搜索后引用了洪灾的证据，而实际上它之前并未执行过此类网络搜索。
从这个示例中我们可以看到，当 ChatGPT-4o 缺乏相关数据时，会产生可被视为"幻觉"的错误断言。最初，由于缺乏信息，它表示洪水风险较低。然而，当在第二次查询中具体问及洪水风险时，它建议查阅 FEMA 洪水地图等外部数据源，这显示出其对自身局限性的认知及对外部验证的需求。
生成式人工智能驱动的聊天机器人可以识别并智能地寻找更多数据源，以填补其知识盲区。然而，随意的网络搜索无法提供所需的详细信息。
检索增强生成（RAG）风险分析
上述成功示例展示了生成式 AI 如何增强信贷专员在商业贷款分析方面的专业能力。然而，与生成式 AI 聊天机器人的交互需要信贷专员重复输入提示并补充相关背景信息。由于缺乏提示词工程技能或所需数据，这一过程可能十分耗时且难以实际应用。
以下是一个简化的解决方案，说明了如何使用生成式 AI 来改进风险分析过程并填补 LLM 的知识空白。此演示将 MongoDB 用作运营数据存储库，利用地理空间查询来发现拟定商业位置周边五公里范围内的洪水。本次风险分析的提示强调的是洪水风险评估的分析，而不是财务预测。
在我们的 MAAP 合作伙伴 Fireworks.AI 上对 Llama 3 执行了类似的测试。它测试了模型对洪水数据的知识，结果显示出与 ChatGPT-4o 类似的知识盲区。有趣的是，Llama 3 并未提供误导性回答，而是生成了一份“虚构的洪水数据列表”，但强调“此数据是虚构的，仅用于演示目的。实际上，您需要访问可靠的信息来源，例如 FEMA 的洪水数据或其他政府机构报告，才能获取准确信息。”
图4。LLM 对虚构洪水位置的响应
由于专业领域的 LLM 存在知识盲区，因此更有必要探索如何利用多模态数据平台进行 RAG（检索增强生成）。
在这个简化演示中，您要选择一个业务地点、一个业务目的和一份业务计划说明。为了简化输入，我们新增了“示例”按钮，利用生成式人工智能生成简短的业务示例说明，避免从头输入描述模板。
图5.用户输入用于贷款风险评估演示
提交后，它将采用 RAG 技术和适当的提示工程，结合地理位置及此前从外部洪水数据源获取的风险信息，生成简明商业分析报告。
图6.基于 RAG 架构的贷款风险响应
在“洪水风险评估”部分，生成式 AI 赋能的地理空间分析使贷款专员能够快速发现历史洪水事件并识别数据源。
您还可以通过单击“图钉”图标，显示所选商业位置附近的所有示例洪水位置。地理位置图钉标注洪水发生位置，蓝色圆圈表示五公里的半径范围，将在这一范围内查询洪水数据。
图7.演示中显示的洪水位置
为演示如何轻松获取指定坐标周边的洪水位置（使用已载入 MongoDB 的含地理位置的洪水数据），下方提供了一个地理空间查询代码片段的示例：在此示例中使用了 $geoNear 命令，该命令可用于获取位于指定经纬度的坐标点（例如，商业位置）附近同时在一定距离（例如，五公里）内的所有位置。地理空间查询可在 MongoDB 的数据聚合管道中进行处理，以同时包含其他数据处理，例如通过 $project 选择从数据集中返回哪个数据字段，并通过 $match 根据特定条件进行过滤（例如，2016 以后的数据）。此数据从美国洪水数据库中提取，该数据库包含多个来源，其中 2020 是最新的数据集。
pipeline = [ {"$geoNear": {"near": {"type": "Point", "coordinates": [longitude, latitude]}, "distanceField": "DISTANCE", "spherical": True, "maxDistance": radius * 1000}}, {"$project": {"year": 1, "COORD": 1, "DISTANCE": 1}}, {"$match": {"year": {"$gte": 2016}}} ]
参考架构
下图提供了此解决方案中实施的 RAG 数据流程的逻辑架构概览，突出显示了所使用的不同技术，包括 MongoDB、Meta Llama 3 和 Fireworks.AI。
图 8.RAG 数据流架构图
借助 MongoDB 的多模态功能，开发者可以利用网络图、时间序列和向量搜索等功能，提升 RAG 流程的效能。这丰富了生成式人工智能代理的上下文，使其能够通过多模态分析提供更全面、更多维的风险分析。它可以提供更准确和上下文感知的见解（例如利用地理空间数据来确定洪水风险位置），以减少幻觉，并提供深刻的见解来增强复杂的商业贷款风险评估流程。
由于 RAG 过程的迭代特性，生成式 AI 模型将不断从新数据和反馈中学习和改进，从而让风险评估越来越准确并最大限度地减少幻觉。借助多模态数据平台，您将能够充分发挥多模态 AI 模型的全部功能。
作者
Wei You Pan，MongoDB 金融行业解决方案全球主管