商业信用证业务的人工智能应用前景

文/卢时云 编辑/韩英彤

通过人工智能为银行业务赋能是大势所趋。与时俱进、拥抱未来，也是国际结算业务人员的必然选择。

近年来，人工智能在金融领域应用风生水起。作为国际结算重要工具的信用证业务，尽管专业性强、规则复杂，但也有规律可循。可以预见，人工智能未来在信用证业务方面的应用，将会越来越广泛。本文以商业信用证为例，探讨人工智能的应用场景。

信用证业务项下客户、机构等人工智能画像

对银行来说，已经积累了大量的进出口信用证业务数据，利用人工智能和大数据技术，可以实现以下几方面的画像，为业务管理和风险防控提供支持。

客户画像

对历史交易进行分析，勾画出客户/交易对手的行为特点，包括信用证执行情况、业务纠纷情况等。对于交易中经常出现实质性拒付（如单据退回交单行），或者经常利用拒付获得商业利益（商品降价）等情况，可以考虑将此类客户/交易对手列为黑名单/灰名单，并对其后续发生的新业务进行警示或禁止。

代理银行画像

同样是利用历史交易，对代理行进行画像，将严重违反国际惯例的银行设置为黑名单/灰名单，并对其后续发生的新业务进行警示或禁止。

商品画像

通过对历史交易中商品进行识别和分析，获取商品与国家关系、商品与港口关系、商品与客户关系等信息，特别是大宗商品类。如后续交易相关进出口商品种类或数量出现商品画像矛盾的情况（如最近十年历史交易中，从A港口进口B大宗商品数量为0，而一笔新交易却是从A港口进口B大宗商品1000吨），应在业务办理时给予提示或警告。

信用证条款人工智能判别

按照业务惯例，信用证在条款上有一定的规律性。如商业信用证一般都有货物描述，单据要求条款中一般都包括发票、装箱单、运输单据等，附加条款中一般都有保付条款和寄单地址等。此外，信用证通知行一般都审核信用证是否有软条款。

为实现信用证条款人工智能判别，应针对信用证单据条款栏位（TAG46、TAG47、TAG78等），建立自然语言处理相关工具，包括分词、分句、单据条款相关模型等。众所周知，信用证TAG46是单据要求栏位，一般情况下都有发票要求、运输单据要求等内容；TAG47是附件条件，经常有单据出具语言要求、单据引用合同号要求等内容。这些要求在语义上一般是相互独立的表述。鉴此，在人工智能处理时可按以下四步操作：第一步，将上述条款栏位内容，按照规则拆分成独立语义的语句。第二步，通过算法模型对语句进行分类，如分为发票要求条款、运输单据要求条款、保险单据要求条款、单据出具语言要求条款、不符点费告知条款等。第三步，将这些条款再从软条款维度进行分类，识别出是否包含软条款。第四步，对于信用证存在关键信息的缺失（如缺少发票要求、缺少寄单地址等）或含有软条款情况，可根据实际情况进行相应的处理。如对信用证缺失寄单地址的情况，银行应联系开证行让其尽快提供寄单地址，以免在寄送单据时出现地址不明确的情况；如信用证有对受益人不利的软条款，银行应告知受益人，并建议受益人联系申请人进行修改。

人工智能业务录入

无论是客户提交纸质开证申请书，还是银行收到交单行的单据，都需要业务人员进行人工录入。采用OCR/ICR和自然语言处理等功能，可以实现业务的自动化录入。

首先是通过OCR/ICR技术，将纸质单据的图像文件转化为文本文件，然后通过自然语言处理等手段，对OCR/ICR识别的错误信息进行纠正，然后将该文本文件抽取成业务所需要的结构化数据，再转化为业务操作界面需要输入的数据项，实现业务智能化自动处理。

以进口开证信用证申请书为例。一般情况下，一家商业银行会有固定模板。银行可以通过固定模板，对开证申请书进行OCR/ICR识别，将申请书上内容转换为文本文件；然后再通过自然语言处理，将文本文件进行分词、分句、分块、命名实体识别，以及OCR/ICR识别有误的单词并纠错、模型算法等处理，变成结构化数据，包括：申请人名称、地址，受益人名称、地址，有效期，有效地点，最迟装船期，货物描述，单据要求，附件条款等；最后用这些结构化信息对业务操作界面相关栏位进行赋值，实现人工智能自动录入。

人工智能单证审核

目前单证审核都是专业人员线下人工完成，也是信用证业务技术含量最高的部分。如果能实现信用证业务由人工审核向人工智能审核的转变，将大幅度提高单证业务的处理效率。

由于单证业务审核需要遵循UCP600、ISBP、国际商会案例、业务实务惯例等，因此要实现单证人工智能审核，首先要将上述规则构建成审单知识图谱，为业务审核推理、计算奠定基础。具体而言，就是要通过OCR/ICR识别和自然语言处理等，对信用证和单据形成精确的业务表示、业务推理、业务审核，并将审核结果展示给终端用户。

单证人工智能审核目前存在两个难点：一是审单知识图谱构建。据了解，这方面业务尚无先例。二是审单数据缺失。按照目前通行的审单习惯，单证人员审单时一般不记录“相符”部分，只概括性记录“不符”部分（如：发票受益人不符），从而导致数据缺失，也就无法使用人工智能算法进行建模。

鉴于目前的困境，可以考虑将人工智能审单分两步走：第一步，组织相关知识专家，采用自上而下的方式建立知识图谱，并在此基础上建立人工智能辅助审单工具，完整、详细地记录单据审核内容和结果，包括目前线下不记录的“条款相符”等情况，以解决数据缺失问题；第二步，在积累大量审单数据基础上，对审单模型进行训练、优化，达到目标后，再实现人工智能审单功能。

往来报文智能化处理

对于银行每天都会收到的大量报文，也可以使用人工智能手段，根据报文类型和内容进行分类，并据此设计不同的处理流程。具体到操作上，可先根据报文内容，按照重要性、后续处理的不同要求等维度进行分类，然后再考虑设计差异性流程。举例如下：

（1）告知银行类（以付款通知为例）。一般情况下，付款通知只是开证银行对付款情况的告知，属于备查类。因为对于交单行来说，只有收到开证行付款头寸时，才能证明开证行已经付款；因此，此类业务可以由系统自动处理完毕。如必要，可以考虑在当日终（或第二天）时提供一个清单，供业务人员查看。

（2）业务投诉及纠纷类（如投诉银行无理拒付）。此类报文处理不好，有可能影响银行的信誉或与对方银行未来的业务合作。因此，可以考虑将此类业务首先推送给业务主管，让业务主管根据实际情况进行妥善处理；如有必要，报告给上一级领导。

（3）不符点拒付类。第一步，提取对方电文中不符点信息；第二步，获取原单据审核结果，并与电文中的不符点进行对比；假设不符点不成立，应触发人工智能反驳不符点模型，生成新的报文。此类功能较为复杂，应建立专门的不符点反驳报文模型和触发机制。在功能实施路径方面，可以参考人机问答机制。

信用证业务知识图谱的构建及应用

按照目前的主流做法，如果想通过人工智能对某个专业领域赋能，需要建立该领域的知识图谱，为人工智能的实现提供基础支持。而信用证业务目前缺少成体系的知识图谱，很多环节知识图谱缺失较为严重。因此，如想要拥抱人工智能，应先补齐信用证业务知识图谱的短板。

知识图谱的使用需要与相应的人工智能工具及模型配合，实现在开证、通知、修改、审单、收付款、往来报文等环节的智能处理。此外，还可以将知识图谱建成单证业务知识系统，用于单证业务人员的知识培训、学习、业务咨询等方面，为单证业务发展提供支持。