在加快数字中国建设、发展新质生产力的时代大潮中，工商银行紧扣新一轮科技革命与产业变革脉搏，深入落实党中央关于“人工智能+”行动的战略部署，全面推进“数智工行”建设，构建起覆盖风险管理、业务运营、金融市场等核心场景的智能决策体系。在这场波澜壮阔的金融数智化征程上，一批批工行科技人接力深耕，用智慧与汗水书写转型答卷。2026年全国五一劳动奖章获得者、中国工商银行软件开发中心高级经理徐琳玲，正是这些数智星河追光者中的一员。
当大模型遇上银行风控
企业级风控大模型的研发过程，是透视徐琳玲创新精神的一扇窗口。
传统银行风控长期依赖专家规则和小模型，存在诸多痛点。但在尝试引入通用大模型时，徐琳玲和团队发现，大模型对于银行内部信贷制度与知识、专家经验缺少学习，甚至可能产生误判，难以直接应用。
“把业务最佳实践融入到大模型当中，真正变成大模型自己的本事，让它能像专家一样思考” 她告诉《中国银行保险报》记者。
为了吃透企业风险分析的核心逻辑，她在短短1个月内，向总行和分行风控专家密集调研，从一线客户经理到总行风控管理人员，逐个访谈、逐场复盘，真正弄懂“专家在看什么、怎么想”，最终提炼出一套覆盖企业资产、负债、流水、征信、舆情等核心维度的分析框架。
为了把框架变成模型能“学会”的逻辑，团队摸索出一整套数据合成与质控方法：先让模型模仿专家生成判断，再由专家对少量样本“批改纠偏”，模型据此修正其余结果——如此循环迭代，将专家头脑中的判别逻辑，逐步提炼为模型可识别、可学习的思维链数据，有效突破了高质量标注数据不足的瓶颈。
为了引导模型真正理解专家的推理逻辑与判断过程，并严格遵从业务规约，她带领团队改进强化学习方法，把“分析过程是否符合业务规约”纳入模型奖励机制，从根源上减少模型幻觉。
如今，这套面向复杂决策场景的预测模型训练范式显著提升了风险识别的查全率与查准率。
让每一行代码为百姓“钱袋子”而战
“技术突破是为了更好服务实体经济和守护百姓‘钱袋子’”徐琳玲说。
在反欺诈领域，她作为系统架构师与产品经理，参与工行首批实时反欺诈系统的顶层设计与数据模型构建，引入知识图谱、深度学习等技术，实现对电信网络诈骗等行为的毫秒级精准拦截，识别准确率提升3倍以上。在反洗钱领域，她构建了自动化特征收集框架，将两千余个风险特征从数月手工开发周期压缩至一周，模型训练效率提升90%以上，显著增强了银行应对新型洗钱威胁的敏捷性。在外汇监管领域，她带领团队利用隐私计算技术，从重点企业中精准识别出近百家高风险关联企业，有力支持了外部风险联防联控。每一行代码的诞生，背后是无数次的调试与推演；每一次突破的闪光，都源自奋斗不息的汗水积累。
当被问及如何理解金融科技工作者的“工匠精神”时，徐琳玲给出了三个关键词：勇于创新、深入业务、坚守合规。这三个词最终都指向同一件事——把每一个技术细节做到极致，让每一项风险防患于未然。而这，或许就是写在代码深处的工匠精神。
《中国银行保险报》记者 英草卓玛
《中国银行保险报》编辑 杜向杰