商業信用證業務的人工智能應用前景

文/盧時云 編輯/韓英彤

通過人工智能為銀行業務賦能是大勢所趨。與時俱進、擁抱未來，也是國際結算業務人員的必然選擇。

近年來，人工智能在金融領域應用風生水起。作為國際結算重要工具的信用證業務，盡管專業性強、規則復雜，但也有規律可循。可以預見，人工智能未來在信用證業務方面的應用，將會越來越廣泛。本文以商業信用證為例，探討人工智能的應用場景。

信用證業務項下客戶、機構等人工智能畫像

對銀行來說，已經積累了大量的進出口信用證業務數據，利用人工智能和大數據技術，可以實現以下幾方面的畫像，為業務管理和風險防控提供支持。

客戶畫像

對歷史交易進行分析，勾畫出客戶/交易對手的行為特點，包括信用證執行情況、業務糾紛情況等。對于交易中經常出現實質性拒付（如單據退回交單行），或者經常利用拒付獲得商業利益（商品降價）等情況，可以考慮將此類客戶/交易對手列為黑名單/灰名單，并對其后續發生的新業務進行警示或禁止。

代理銀行畫像

同樣是利用歷史交易，對代理行進行畫像，將嚴重違反國際慣例的銀行設置為黑名單/灰名單，并對其后續發生的新業務進行警示或禁止。

商品畫像

通過對歷史交易中商品進行識別和分析，獲取商品與國家關系、商品與港口關系、商品與客戶關系等信息，特別是大宗商品類。如后續交易相關進出口商品種類或數量出現商品畫像矛盾的情況（如最近十年歷史交易中，從A港口進口B大宗商品數量為0，而一筆新交易卻是從A港口進口B大宗商品1000噸），應在業務辦理時給予提示或警告。

信用證條款人工智能判別

按照業務慣例，信用證在條款上有一定的規律性。如商業信用證一般都有貨物描述，單據要求條款中一般都包括發票、裝箱單、運輸單據等，附加條款中一般都有保付條款和寄單地址等。此外，信用證通知行一般都審核信用證是否有軟條款。

為實現信用證條款人工智能判別，應針對信用證單據條款欄位（TAG46、TAG47、TAG78等），建立自然語言處理相關工具，包括分詞、分句、單據條款相關模型等。眾所周知，信用證TAG46是單據要求欄位，一般情況下都有發票要求、運輸單據要求等內容；TAG47是附件條件，經常有單據出具語言要求、單據引用合同號要求等內容。這些要求在語義上一般是相互獨立的表述。鑒此，在人工智能處理時可按以下四步操作：第一步，將上述條款欄位內容，按照規則拆分成獨立語義的語句。第二步，通過算法模型對語句進行分類，如分為發票要求條款、運輸單據要求條款、保險單據要求條款、單據出具語言要求條款、不符點費告知條款等。第三步，將這些條款再從軟條款維度進行分類，識別出是否包含軟條款。第四步，對于信用證存在關鍵信息的缺失（如缺少發票要求、缺少寄單地址等）或含有軟條款情況，可根據實際情況進行相應的處理。如對信用證缺失寄單地址的情況，銀行應聯系開證行讓其盡快提供寄單地址，以免在寄送單據時出現地址不明確的情況；如信用證有對受益人不利的軟條款，銀行應告知受益人，并建議受益人聯系申請人進行修改。

人工智能業務錄入

無論是客戶提交紙質開證申請書，還是銀行收到交單行的單據，都需要業務人員進行人工錄入。采用OCR/ICR和自然語言處理等功能，可以實現業務的自動化錄入。

首先是通過OCR/ICR技術，將紙質單據的圖像文件轉化為文本文件，然后通過自然語言處理等手段，對OCR/ICR識別的錯誤信息進行糾正，然后將該文本文件抽取成業務所需要的結構化數據，再轉化為業務操作界面需要輸入的數據項，實現業務智能化自動處理。

以進口開證信用證申請書為例。一般情況下，一家商業銀行會有固定模板。銀行可以通過固定模板，對開證申請書進行OCR/ICR識別，將申請書上內容轉換為文本文件；然后再通過自然語言處理，將文本文件進行分詞、分句、分塊、命名實體識別，以及OCR/ICR識別有誤的單詞并糾錯、模型算法等處理，變成結構化數據，包括：申請人名稱、地址，受益人名稱、地址，有效期，有效地點，最遲裝船期，貨物描述，單據要求，附件條款等；最后用這些結構化信息對業務操作界面相關欄位進行賦值，實現人工智能自動錄入。

人工智能單證審核

目前單證審核都是專業人員線下人工完成，也是信用證業務技術含量最高的部分。如果能實現信用證業務由人工審核向人工智能審核的轉變，將大幅度提高單證業務的處理效率。

由于單證業務審核需要遵循UCP600、ISBP、國際商會案例、業務實務慣例等，因此要實現單證人工智能審核，首先要將上述規則構建成審單知識圖譜，為業務審核推理、計算奠定基礎。具體而言，就是要通過OCR/ICR識別和自然語言處理等，對信用證和單據形成精確的業務表示、業務推理、業務審核，并將審核結果展示給終端用戶。

單證人工智能審核目前存在兩個難點：一是審單知識圖譜構建。據了解，這方面業務尚無先例。二是審單數據缺失。按照目前通行的審單習慣，單證人員審單時一般不記錄“相符”部分，只概括性記錄“不符”部分（如：發票受益人不符），從而導致數據缺失，也就無法使用人工智能算法進行建模。

鑒于目前的困境，可以考慮將人工智能審單分兩步走：第一步，組織相關知識專家，采用自上而下的方式建立知識圖譜，并在此基礎上建立人工智能輔助審單工具，完整、詳細地記錄單據審核內容和結果，包括目前線下不記錄的“條款相符”等情況，以解決數據缺失問題；第二步，在積累大量審單數據基礎上，對審單模型進行訓練、優化，達到目標后，再實現人工智能審單功能。

往來報文智能化處理

對于銀行每天都會收到的大量報文，也可以使用人工智能手段，根據報文類型和內容進行分類，并據此設計不同的處理流程。具體到操作上，可先根據報文內容，按照重要性、后續處理的不同要求等維度進行分類，然后再考慮設計差異性流程。舉例如下：

（1）告知銀行類（以付款通知為例）。一般情況下，付款通知只是開證銀行對付款情況的告知，屬于備查類。因為對于交單行來說，只有收到開證行付款頭寸時，才能證明開證行已經付款；因此，此類業務可以由系統自動處理完畢。如必要，可以考慮在當日終（或第二天）時提供一個清單，供業務人員查看。

（2）業務投訴及糾紛類（如投訴銀行無理拒付）。此類報文處理不好，有可能影響銀行的信譽或與對方銀行未來的業務合作。因此，可以考慮將此類業務首先推送給業務主管，讓業務主管根據實際情況進行妥善處理；如有必要，報告給上一級領導。

（3）不符點拒付類。第一步，提取對方電文中不符點信息；第二步，獲取原單據審核結果，并與電文中的不符點進行對比；假設不符點不成立，應觸發人工智能反駁不符點模型，生成新的報文。此類功能較為復雜，應建立專門的不符點反駁報文模型和觸發機制。在功能實施路徑方面，可以參考人機問答機制。

信用證業務知識圖譜的構建及應用

按照目前的主流做法，如果想通過人工智能對某個專業領域賦能，需要建立該領域的知識圖譜，為人工智能的實現提供基礎支持。而信用證業務目前缺少成體系的知識圖譜，很多環節知識圖譜缺失較為嚴重。因此，如想要擁抱人工智能，應先補齊信用證業務知識圖譜的短板。

知識圖譜的使用需要與相應的人工智能工具及模型配合，實現在開證、通知、修改、審單、收付款、往來報文等環節的智能處理。此外，還可以將知識圖譜建成單證業務知識系統，用于單證業務人員的知識培訓、學習、業務咨詢等方面，為單證業務發展提供支持。