从数据痛点出发 台新新光金控以黑客松探索AI金融应用
- 徐慈泽／台北
-
随着生成式AI快速渗透企业场域，金融业除持续优化对外的「智能客服」服务外，亦积极将AI技术转向赋能企业内部工作流程。台新新光金控本次参与「2026台湾生成式AI应用黑客松竞赛」，特别以「金融创新」为题，从银行内部高频发生的数据整理与分析痛点出发，打造「智能数据简报神器」，期盼藉由黑客松跨域探索能实质提升营运效率的AI应用模式。
台新新光金控信息长孙一仕指出，银行内部许多业务单位经常需要制作产业趋势、同业动态、竞品分析及客群剖析等高端报告，过程涉及大量内外部数据的查找、汇整、比对与解读，最终还需转化为利于管理层快速决策的精准内容。过去，这类工作高度仰赖人工操作与Excel等工具，耗时且繁琐。
因此，本次竞赛命题特别引导参赛者导入AI技术，协助自动化处理数据查找、整理、分析与建议产出。相较于过去AI多集中于客户端（B2C）的应用，本次竞赛不仅是创新的激荡，更成为台新新光金控验证内部（B2E）AI赋能工具的重要测试场域。
在本次竞赛的「金融创新」命题中，最终由来自逢甲大学经济系及辅仁大学心理系的团队脱颖而出获得优选。孙一仕分析，该团队的关键优势在于完整考量了数据撷取后的「自动校验机制」，有效避免错误数据（幻觉）一路干扰后续分析；同时灵活整合全托管式基础模型服务Amazon Bedrock上的Claude模型等AI工具进行数据比对与内容生成，并运用提示词工程调整简报呈现方式，使其产出精简、结构化且符合高端主管阅读偏好的报告格式。台新新光金控高度肯定该团队的成果，其流程从数据前处理、逻辑分析到最终简报呈现皆经过缜密设计，高度贴近真实金融业务的实务情境，充分展现跨域人才的创新实力。
其中，AWS的Amazon Bedrock提供托管式基础模型服务，让开发团队可在同一环境中调用不同模型，减少自行建置与维运模型基础设施的负担，也有助于加快原型测试与工具整合。对需要同时处理查找、分析与内容生成等多项任务的应用而言，这类模型服务也提供较大的配置弹性。
谈及未来的实务落地，台新新光金控评估可先从特定垂直场景切入，例如财务部门的竞品分析，依序验证数据源头、校验机制、模型推理效率与简报输出品质，再根据使用者回馈进行迭代优化。长远来看，这套架构亦可进一步解构为查找、数据清理、整合及图表生成等独立的「AI Agent（AI代理人）」，待技术成熟后即可弹性模块化延伸至授信审查等其他核心业务，大幅提升工具的复用性。
此外，考量金融业对数据正确性与合规性的极高要求，实际应用时亦会纳入「人机协作（Human-in-the-loop）」检核机制，由业务专家进行最后一道覆核，兼顾AI带来的高效与专业品质。
孙一仕强调，本次竞赛让台新新光金控深刻看到「跨域人才」与「金融实务」对接的无限可能。他观察到，随着AI工具使用门槛降低，「能否深刻理解金融业务流程、掌握实际痛点并定义出正确问题」已成为决定AI应用成效的关键因素。因此，第一线业务人员的产业知识与信息团队的技术能量，两者必须紧密配合。
未来，台新新光金控也期盼与参赛团队保持深度互动，透过实习计划让年轻人才接触真实的金融场景；同时藉由黑客松等交流平台，让企业得以汲取多元的创新解题思维，参赛者亦能直击产业真实需求，为台湾金融科技人才的培育与应用探索累积丰沛经验。
