中电金信：加速数以智用，源启·数据资产平台创新思考

在数字化向智能化的快速跃迁中，数据已成为核心驱动力。随着大数据、云计算和人工智能技术的发展，数据的价值正在被重新定义和深度挖掘。数据的智能化应用，正在推动各行各业的转型升级，为经济发展注入新动能。

 

加速推动“数以智用”，赋能行业数智化转型升级，中电金信针对源启·数据资产平台进行了三大创新升级：一是全面完善和升级数据研发工具和工艺，助力企业构建DataOps体系，赋能数据产品研发的质量变革与效率变革；二是通过产学研联合创新，加速Data4AI与AI4Data的数智融合，在需求管理、模型设计、数据开发、数据测试实现数据研发等应用场景实现全流程的智能化辅助；三是推出“管-察-防-监”闭环的数据安全保障手段，覆盖安全管理体系构建、安全服务监控、敏感数据发现、敏感数据保护，全流程、全方位保障数据安全。

 

围绕“数以智用”这一主题，中电金信首席数据咨询专家、商业分析事业部副总经理李娜分享了背后思考。

  

01：智能化数据应用早已百花齐放，但智能化数据生产水平在2024年才刚刚起步。

 

在营销、风控领域，智能化已经不是新词，各种细分场景都会用到不同的智能技术，利用数据分析提升业务判断的精准性、利用决策引擎满足特定场景的实时性。智能化技术成为行业革新不可或缺的一部分，它不仅提高了工作效率，更在某种程度上重塑了行业的运作模式，推动了整个社会的数字化转型。

 

但是，当聚焦数据的生产环节——即应用系统软件和数据应用的设计、开发、运维环节时，却会发现智能化的渗透并不如数据应用那样显著。生产环节看上去极其复杂，但又极其重要，因此更多依赖专家经验和手工编码的方式来完成。一方面，生产各个环节涉及的技术更为底层和基础，其智能化改造的难度相对较大；另一方面，由于历史原因和惯性思维，传统的专家经验和手工编码方式在行业内仍然具有强大的生命力。但不可忽视的是，这种传统方式已经难以满足日益增长的智能化需求，随着技术的不断进步，数据生产效率将迈向下一个飞跃期，这些辅助技术包括了自动化的代码生成、智能的故障诊断、自适应的系统优化等，大模型的飞速发展也加快了这些技术实际落地的时间。

 

2024年，越来越多的金融机构在建设数字化能力的工具体系上正在尝试各种数智化手段，效果卓著。

 

● “企业架构+低代码/无代码开发平台”：使得业务人员的每个需求都能实时在线反映，从而真正实现了“业技融合”，极大地提升了设计开发效率。此外，基于AI的代码审查工具，能够自动检测代码中的潜在问题，从而有效降低软件缺陷率。当然，在具体实现中，架构管理的完整性和组件的复用度也会受限于项目的资源和时间要求，但整体上，通过一体化工具和智能手段，能够实现很大程度的自动化与持续集成。

 

● “数据开发工具链的集成与协同”：构建统一的数据工具平台，实现了设计、开发、测试工具之间的无缝对接与数据共享，并尝试落地智能辅助场景，诸如需求结构化分析、标准自动发现、代码辅助生成、数据孪生实现测试数据脱敏等，显著提高开发团队之间的协作效率和数据治理的落地速度。

 

02：数智能力要带来生产力的跃迁，还需时日。

 

尽管数智能力的发展势头迅猛，但要真正实现生产力的跃迁，达到普遍应用并显著提高企业效率的目标，还需跨越重重挑战，非一朝一夕之功。这主要源于数智能力尚未形成坚实的基础能力，并且在行业内也未能实现有效的规模性复制。

 

首先，数智能力的基础建设尚处于初级阶段，尚未形成广泛的企业和个人基础能力。构建一个成熟、稳定、高效的数智系统，不仅需要丰富有效的数据集、强大的数据处理能力和先进的算法模型作为支撑，更需要跨学科的人才团队进行深度协作。目前，虽然很多企业和机构都在积极投入资源开发数智技术，但如何将这些技术深度融合到业务流程中，使之成为“数据运营新常态”，仍需时间和实践的积累。

 

例如，如何在应用过程中保证数据使用的安全性，如何提高算法的透明度和可解释性，如何实现新技术与新场景的快速迭代，这些都是数智能力转化为生产力的前提，而这一过程的推进显然不是一蹴而就的。此外，数智系统的维护和升级也需要持续的资金和技术支持，这对于中小企业而言是一个不小的负担。

 

其次，数智能力在不同行业的应用效果参差不齐，难以实现行业内或跨行业的有效复制。一方面，不同行业间存在显著的差异性，每个行业都有其独特的业务流程和数据特点，这意味着数智解决方案在保持技术普适性的同时，又需要兼顾行业的特殊性，需要根据具体情况进行定制化设计，这无疑增加了实施的难度和成本。另一方面，由于缺乏统一的标准和规范，以及有效的行业模板，不同工具平台之间的数据共享和互操作性较差，也阻碍了数智技术的行业内/行业间应用。

 

最后，金融行业是拥抱数智技术的领先行业，其他一些传统行业的企业尽管越来越多地意识到了数智化转型的重要性，但由于自身技术储备不足，以及对新技术的安全风险担忧，也多数采取审慎态度。此外，数智能力的提升必然会引发企业内部员工能力的重新梳理，对现有员工的数字技能水平和对新工具的适应能力提出了更高的要求，人员变革也会激发相应的抵触情绪。

 

03：更多的担忧与讨论，则来自应用数智化所面临的可能的系统性风险和未知风险。

 

“《黑客帝国》描述的场景越来越像真的”，当社会的智能化和自动化全面运转起来，所有决策都已经无需人工干预时，如何防范失控？

 

全球经济早已彼此高度关联，贸易摩擦、地缘政治紧张、极端灾害等因素都可能引发连锁反应，这些风险不仅影响企业现有的业务活动，还可能对基于大数据和人工智能的预测模型产生干扰，导致决策失误和运营中断。

 

未知风险则更加难以捉摸，它们往往源于技术的高度复杂性和不确定性。随着云计算、大数据、物联网等技术的广泛应用，企业的信息系统日益复杂，安全漏洞和隐患也随之增多。如何确保数据不被泄露，如何保护数据隐私，如何避免网络攻击，如何确定供应链安全，如何避免算法偏见与伦理问题，如何判断新技术面临的新风险，这些新兴的已知或未知威胁可能隐藏在技术的深处，难以被现有的安全防御系统所察觉和应对。

 

此外，数智化进程中还面临着技术兼容性和数据孤岛等问题。不同系统和平台之间的数据格式不统一、系统不兼容，导致数据难以整合和共享，不仅影响了业务的协同效率，也给数据安全和隐私保护带来了额外的风险。

 

04：2025年，在数据资源的供给侧，数智化会在连接能力上持续发力，同时数据供给的安全合规也将会获得更强的关注度。

 

我们看到了越来越多的架构理念在落地，DataOps、MLOps，都把关注点放在效率与可控上，越来越多的数据需求场景，加速了数据处理的工业化进程，无论是购买市场软件还是自研，每个数据研发的技术能力点都可被有效串联，每个数据需求场景都可被还原，从而形成真正的数据供给管道。2025年，数据堵点会变得更少，数据应用效率会变得更高。

 

但同时，数据的高效复制和跨域共享一定伴随着更强的安全要求，信息安全、数据安全、隐私保护，都会依赖场景而动态调整，也不再是过去的安全责任一刀切，跨部门安全能力共建，才能应对复杂需求。