摘要：當(dāng)前，數(shù)據(jù)不僅是一種資源，更是企業(yè)決策、市場預(yù)測乃至社會(huì)經(jīng)濟(jì)運(yùn)行的核心驅(qū)動(dòng)力。傳統(tǒng)的財(cái)務(wù)數(shù)據(jù)分析方法往往依賴于人工處理和分析，愈發(fā)暴露出分析效率低下、主觀干擾較多、異構(gòu)支撐不足、實(shí)時(shí)交互較差等問題。大模型技術(shù)憑借其強(qiáng)大的特征提取和模式識(shí)別能力，可高效處理海量數(shù)據(jù)，發(fā)掘深層信息和規(guī)律，為財(cái)務(wù)數(shù)據(jù)分析領(lǐng)域帶來新機(jī)遇。文章提出一種基于大模型的財(cái)務(wù)數(shù)據(jù)分析框架，將其細(xì)化為5個(gè)層次：數(shù)據(jù)匯聚層、模型應(yīng)用層、決策支持層、可視化服務(wù)層、運(yùn)維監(jiān)控層，以滿足醫(yī)院財(cái)務(wù)數(shù)據(jù)分析的現(xiàn)實(shí)需求，并指出其在提高數(shù)據(jù)分析效率、優(yōu)化決策質(zhì)量和降低財(cái)務(wù)風(fēng)險(xiǎn)等方面的重要作用。

關(guān)鍵詞：財(cái)務(wù)數(shù)據(jù)分析；大模型；醫(yī)院財(cái)務(wù)

中圖分類號(hào)：G642

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）15-0055-05

0引言

黨的十九屆四中全會(huì)[1]中首次明確數(shù)據(jù)作為生產(chǎn)要素參與社會(huì)分配。黨的二十大報(bào)告進(jìn)一步指出，要加快發(fā)展數(shù)字經(jīng)濟(jì)，促進(jìn)數(shù)字經(jīng)濟(jì)和實(shí)體經(jīng)濟(jì)深度融合，打造具有國際競爭力的數(shù)字產(chǎn)業(yè)集群。在信息化飛速發(fā)展的時(shí)代，數(shù)據(jù)已經(jīng)成為企業(yè)決策、市場預(yù)測乃至整個(gè)社會(huì)經(jīng)濟(jì)運(yùn)行的核心驅(qū)動(dòng)力。隨著大數(shù)據(jù)技術(shù)的進(jìn)步，財(cái)務(wù)數(shù)據(jù)的挖掘需求也日益增高，傳統(tǒng)的財(cái)務(wù)報(bào)表與簡單統(tǒng)計(jì)分析已無法滿足現(xiàn)代應(yīng)用的需求。

近年來，生成式大語言模型（以下簡稱大模型）開始在多個(gè)領(lǐng)域嶄露頭角。通過擴(kuò)大預(yù)訓(xùn)練語言模型的規(guī)模和訓(xùn)練數(shù)據(jù)的范圍，依靠設(shè)計(jì)好的算法架構(gòu)，大模型能夠?qū)W習(xí)到更加復(fù)雜和精細(xì)的語言表示，在深度理解、邏輯推理、遵循指令、代碼生成等多個(gè)領(lǐng)域展現(xiàn)出強(qiáng)大的泛化能力，極大地推動(dòng)了機(jī)器翻譯、文本摘要、情感分析、語義理解等領(lǐng)域快速發(fā)展[2]。然而，傳統(tǒng)大模型集中在通用任務(wù)研究領(lǐng)域，對(duì)于財(cái)務(wù)數(shù)據(jù)分析、報(bào)表生成、合規(guī)性監(jiān)管等方面還涉獵不夠、智能化和精準(zhǔn)化方面亟待提升[3]。

2023年7月，國家衛(wèi)生健康委員會(huì)同九部門發(fā)布《關(guān)于開展全國醫(yī)藥領(lǐng)域腐敗問題集中整治工作的指導(dǎo)意見》，啟動(dòng)“為期一年的全國醫(yī)藥領(lǐng)域腐敗問題集中整治”[4]。2024年1月8日舉行的二十屆中央紀(jì)委三次全會(huì)指出，深化整治醫(yī)藥等權(quán)力集中、資金密集、資源富集領(lǐng)域的腐敗，清理風(fēng)險(xiǎn)隱患，醫(yī)藥衛(wèi)生行業(yè)將迎來大規(guī)模的、持續(xù)的“穿透式”監(jiān)管。財(cái)務(wù)作為醫(yī)院風(fēng)險(xiǎn)和合規(guī)性控制重要防線，應(yīng)持續(xù)聚焦備戰(zhàn)打仗急需，發(fā)揮財(cái)會(huì)監(jiān)督在服務(wù)醫(yī)療改革發(fā)展、建立醫(yī)院經(jīng)濟(jì)治理體系、提高資源配置效益和使用效率等重要職能，探索運(yùn)用人工智能、大數(shù)據(jù)、大模型等前沿技術(shù)，加強(qiáng)風(fēng)險(xiǎn)管理和預(yù)測、欺詐檢測和合規(guī)性監(jiān)控，為科學(xué)合理地組織財(cái)會(huì)監(jiān)督，推動(dòng)醫(yī)院治理體系和治理能力現(xiàn)代化發(fā)展。

當(dāng)前，業(yè)務(wù)與財(cái)務(wù)的邊界正在逐漸消失，財(cái)務(wù)數(shù)據(jù)泛在化、業(yè)財(cái)數(shù)據(jù)一體化正在成為共識(shí)[5]，然而，當(dāng)前醫(yī)院還存在著醫(yī)療業(yè)務(wù)與會(huì)計(jì)核算分離、醫(yī)療救治流程與行政審批流程分離等現(xiàn)實(shí)情況，部分?jǐn)?shù)據(jù)仍有私有化部署需求，需要在確保數(shù)據(jù)隱私的情況下開展融合分析的現(xiàn)實(shí)需求，迫切需要借助信息化智能化方法，提高醫(yī)院財(cái)務(wù)數(shù)據(jù)匯聚、整編、管理、分析、治理等全方位的能力。針對(duì)上述問題，本文提出一種基于大模型的醫(yī)院財(cái)務(wù)數(shù)據(jù)分析框架，聚集私有化部署、財(cái)務(wù)數(shù)據(jù)貫通等現(xiàn)實(shí)需求，按照數(shù)據(jù)匯聚層、模型應(yīng)用層、決策支持層、可視化服務(wù)層、運(yùn)維監(jiān)控層等進(jìn)行一體化設(shè)計(jì)，分別支撐完成數(shù)據(jù)治理、模型訓(xùn)練、分析預(yù)測、交互展現(xiàn)、運(yùn)維支撐等核心功能，確保醫(yī)院業(yè)財(cái)數(shù)據(jù)高效融合、核心數(shù)據(jù)隱私域內(nèi)受控，對(duì)于提高醫(yī)療服務(wù)質(zhì)量和效率，增加醫(yī)院戰(zhàn)斗力和應(yīng)急響應(yīng)能力有著重要參考價(jià)值。

1相關(guān)工作

本節(jié)分為兩部分，第一部分介紹財(cái)務(wù)數(shù)據(jù)分析領(lǐng)域已有的工作和進(jìn)展，第二部分介紹大模型領(lǐng)域的研究進(jìn)展，尤其是財(cái)務(wù)大模型的研究現(xiàn)狀。

1.1財(cái)務(wù)數(shù)據(jù)分析

財(cái)務(wù)分析是以財(cái)務(wù)報(bào)表及其他相關(guān)資料為依據(jù)，通過特定的分析技術(shù)和方法綜合評(píng)價(jià)企業(yè)的財(cái)務(wù)狀況和未來發(fā)展趨勢，歷經(jīng)了財(cái)務(wù)報(bào)表分析、資本市場財(cái)務(wù)分析、業(yè)財(cái)綜合分析、大數(shù)據(jù)財(cái)務(wù)分析等階段[6]。傳統(tǒng)的財(cái)務(wù)分析模型[7]包括Dupont分析模型、AltmanZ-Score模型、CAPM模型等，為管理者理解財(cái)務(wù)狀況提供支持，然而大數(shù)據(jù)時(shí)代，財(cái)務(wù)作為企業(yè)運(yùn)營的核心環(huán)節(jié)，對(duì)于數(shù)據(jù)處理、分析、預(yù)測等方面的需求尤為迫切，對(duì)自動(dòng)化、可視化、智能化等方面都有較高期待。近年來，利用人工智能技術(shù)開展財(cái)務(wù)數(shù)據(jù)分析已經(jīng)成為研究熱點(diǎn)，如：利用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)公司的財(cái)務(wù)指標(biāo)進(jìn)行預(yù)測，如凈利潤、營業(yè)收入等，通過對(duì)比不同網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置，優(yōu)化了模型的預(yù)測性能[8-9]。同時(shí)，利用自然語言處理技術(shù)對(duì)公司年報(bào)、新聞報(bào)道等文本數(shù)據(jù)進(jìn)行挖掘和分析，提取出文本中的關(guān)鍵信息和情感傾向，為投資者提供決策支持[10]。運(yùn)用強(qiáng)化學(xué)習(xí)算法對(duì)投資組合進(jìn)行優(yōu)化，以實(shí)現(xiàn)收益最大化和風(fēng)險(xiǎn)最小化。通過模擬交易環(huán)境和歷史數(shù)據(jù)回測，驗(yàn)證了算法的有效性和穩(wěn)定性[11-12]。

1.2大模型研究

智能財(cái)務(wù)研究院發(fā)布的《2024人工智能大模型技術(shù)財(cái)務(wù)應(yīng)用藍(lán)皮書》[3]指出，全球主流大模型按技術(shù)開放度可分為閉源和開源兩類，分別由GPT系列與LLaMa系列模型代表。隨著模型參數(shù)和訓(xùn)練數(shù)據(jù)的擴(kuò)大，涌現(xiàn)能力得到提升，推理能力顯著增強(qiáng)。大模型在財(cái)務(wù)領(lǐng)域的應(yīng)用需求日漸迫切，包括數(shù)據(jù)處理、智能分析、自然語言交互及合規(guī)風(fēng)險(xiǎn)控制等方面?？萍计髽I(yè)紛紛布局財(cái)務(wù)大模型市場，提供精細(xì)、實(shí)時(shí)、數(shù)據(jù)洞察能力，以滿足行業(yè)需求。

通用大模型的研究進(jìn)展加速飛躍，財(cái)務(wù)領(lǐng)域?qū)Υ竽Ｐ偷男枨笠灿l(fā)迫切，集中在數(shù)據(jù)處理、智能分析與預(yù)測、自然語言交互和合規(guī)風(fēng)險(xiǎn)控制等多個(gè)方面。目前，眾多科技企業(yè)紛紛布局財(cái)務(wù)領(lǐng)域的大模型市場，圍繞深度賦能財(cái)務(wù)領(lǐng)域相關(guān)智能業(yè)務(wù)，提供的精細(xì)、實(shí)時(shí)、多維的數(shù)據(jù)洞察能力等現(xiàn)實(shí)需求，國內(nèi)財(cái)務(wù)服務(wù)領(lǐng)域的科技企業(yè)也相繼發(fā)布了企業(yè)服務(wù)大模型。金蝶于2023年推出了中國首個(gè)財(cái)務(wù)大模型蒼穹GPT助手[13]，旨在通過AI技術(shù)來優(yōu)化財(cái)務(wù)管理流程，實(shí)現(xiàn)財(cái)務(wù)數(shù)據(jù)自動(dòng)錄入、分類、報(bào)告生成等環(huán)節(jié)，用于減少人力成本，提高數(shù)據(jù)處理的速度和質(zhì)量，以提高財(cái)務(wù)管理的效率和準(zhǔn)確性。華為的金融大模型解決方案[14]，則力圖通過場景層、模型層、底座層的三層方案幫助客戶打造創(chuàng)新生產(chǎn)力、躍升智力、澎湃算力。

2模型框架

面對(duì)信息化與智能化的大趨勢，醫(yī)院財(cái)經(jīng)活動(dòng)的網(wǎng)絡(luò)化與數(shù)字化運(yùn)行要求財(cái)務(wù)數(shù)據(jù)分析跟上時(shí)代步伐。這需要加強(qiáng)以數(shù)據(jù)建設(shè)為核心的研究，構(gòu)建科學(xué)規(guī)范的數(shù)據(jù)分析理論體系，支撐財(cái)務(wù)信息化的高效發(fā)展。本文提出一種基于大模型的醫(yī)院財(cái)務(wù)數(shù)據(jù)分析框架，聚集私有化部署、財(cái)務(wù)貫通等現(xiàn)實(shí)需求，按照數(shù)據(jù)匯聚層、模型應(yīng)用層、決策支持層、可視化服務(wù)層、運(yùn)維監(jiān)控層等5個(gè)層次進(jìn)行一體化設(shè)計(jì)。

數(shù)據(jù)治理層：基于核算體系的一致性、信息系統(tǒng)的類似性、業(yè)務(wù)財(cái)務(wù)的對(duì)應(yīng)性、數(shù)據(jù)屬性的具象性，圍繞財(cái)經(jīng)活動(dòng)業(yè)務(wù)流程，通過數(shù)據(jù)治理，“建立數(shù)據(jù)標(biāo)準(zhǔn)、加強(qiáng)數(shù)據(jù)融合、開展分布式處理”，解決多樣化數(shù)據(jù)采集、海量數(shù)據(jù)清洗、海量數(shù)據(jù)分析建模、海量數(shù)據(jù)快速計(jì)算、海量數(shù)據(jù)挖掘等問題，全面提升醫(yī)院財(cái)經(jīng)管理工作質(zhì)效。

模型應(yīng)用層：圍繞提高分析效率、優(yōu)化決策質(zhì)量、降低財(cái)務(wù)風(fēng)險(xiǎn)等任務(wù)目標(biāo)，由數(shù)據(jù)治理層輸入標(biāo)準(zhǔn)化序列數(shù)據(jù)，在應(yīng)用層中分為預(yù)訓(xùn)練、微調(diào)、推理等三個(gè)主要階段，分別就參數(shù)配置、任務(wù)適配和應(yīng)用場景預(yù)測等進(jìn)行優(yōu)化，不斷提升模型預(yù)測的精準(zhǔn)度。

決策支持層：通過匯聚ERP、CRM等醫(yī)院業(yè)務(wù)系統(tǒng)數(shù)據(jù)，建立分析模型對(duì)潛在風(fēng)險(xiǎn)進(jìn)行預(yù)警，針對(duì)收入預(yù)測、成本預(yù)測、現(xiàn)金流預(yù)測等醫(yī)院管理重點(diǎn)關(guān)注的分析場景，全方位支撐趨勢研判、決策評(píng)估、風(fēng)險(xiǎn)處置等業(yè)務(wù)需求，不斷提升決策分析能力。

可視化服務(wù)層：通過提供一系列工具和智能服務(wù)插件，使終端用戶能夠以圖形化方式直觀地展示和分析數(shù)據(jù)，支撐用戶對(duì)數(shù)據(jù)可視化、交互式分析、一體化感知等使用需求，幫助用戶更好地理解和利用數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)價(jià)值最大化。

運(yùn)維監(jiān)控層：通過對(duì)基礎(chǔ)算力、算法、數(shù)據(jù)等進(jìn)行全面監(jiān)控管理，如資源管理、安全防護(hù)、服務(wù)優(yōu)化、日志記錄等，確保整個(gè)體系穩(wěn)定運(yùn)行，提高資源利用率，加強(qiáng)服務(wù)質(zhì)量和安全防護(hù)，輔助用戶了解服務(wù)的運(yùn)行情況、找出優(yōu)化的目標(biāo)策略、提升服務(wù)質(zhì)量和滿意度。模型的整體框架如圖1所示。

3組成要素

數(shù)據(jù)的采集、匯聚、治理、融合、應(yīng)用等貫穿模型的全生命周期，覆蓋管理、質(zhì)量、安全等不同方面，明確不同層次之間的關(guān)聯(lián)和交互，是優(yōu)化模型設(shè)計(jì)的重要依據(jù)。

3.1數(shù)據(jù)匯聚層

醫(yī)院的財(cái)務(wù)信息系統(tǒng)和業(yè)務(wù)系統(tǒng)復(fù)雜，存在字段名設(shè)置差異、數(shù)據(jù)格式不一致等問題，給財(cái)務(wù)數(shù)據(jù)的分析帶來挑戰(zhàn)。通過制定醫(yī)院財(cái)務(wù)數(shù)據(jù)治理融合體系，使醫(yī)院業(yè)財(cái)數(shù)據(jù)統(tǒng)一標(biāo)準(zhǔn)、統(tǒng)一結(jié)構(gòu)，為數(shù)據(jù)分析模型共享奠定基礎(chǔ)。

3.1.1整合多源數(shù)據(jù)，構(gòu)建醫(yī)院業(yè)財(cái)數(shù)據(jù)共享體系

通過建立醫(yī)院數(shù)據(jù)融合平臺(tái)，提供多數(shù)據(jù)源管理，實(shí)現(xiàn)海量數(shù)據(jù)的有效整合與清洗，確保數(shù)據(jù)高效導(dǎo)入與實(shí)時(shí)告警。醫(yī)院的數(shù)據(jù)不僅包括標(biāo)準(zhǔn)配發(fā)系統(tǒng)的數(shù)據(jù)，還涵蓋各類定制開發(fā)的管理系統(tǒng)及醫(yī)療器械數(shù)據(jù)，涉及結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)。通過建立集中管理平臺(tái)，將不同格式與標(biāo)準(zhǔn)的數(shù)據(jù)統(tǒng)一管理，確保數(shù)據(jù)真實(shí)、完整和可靠。

①源數(shù)據(jù)整合：醫(yī)院數(shù)據(jù)除了標(biāo)準(zhǔn)配發(fā)系統(tǒng)數(shù)據(jù)以外，還包括各類型定制開發(fā)的輔助管理系統(tǒng)以及大型醫(yī)療器械固有系統(tǒng)所產(chǎn)生的數(shù)據(jù)，數(shù)據(jù)類型不僅僅涉及常見的Oracle、MySQL、SQLServer等結(jié)構(gòu)化數(shù)據(jù)，還包括文本、圖像等非結(jié)構(gòu)化數(shù)據(jù)。通過建立實(shí)例、設(shè)置主題等方法將不同格式、不同標(biāo)準(zhǔn)的數(shù)據(jù)統(tǒng)一到一個(gè)平臺(tái)上實(shí)施集中管理。

②數(shù)據(jù)抽取、預(yù)先定義數(shù)據(jù)結(jié)構(gòu)：針對(duì)數(shù)據(jù)分析目標(biāo)、預(yù)置數(shù)據(jù)范圍以及預(yù)開，通過預(yù)設(shè)財(cái)務(wù)發(fā)的ETL抽取算子，實(shí)現(xiàn)從海量的分布式數(shù)據(jù)中獲取可直接應(yīng)用于分析的基礎(chǔ)數(shù)據(jù)。為確保數(shù)據(jù)抽取真實(shí)、完整、可靠，還通過定制的預(yù)警插件對(duì)數(shù)據(jù)抽取過程進(jìn)行全程監(jiān)控，實(shí)現(xiàn)了數(shù)據(jù)可回溯、可驗(yàn)證。

③海量加載處理：，為解決醫(yī)院各類數(shù)量不斷增造成在線應(yīng)用卡頓、效率低等問題，應(yīng)用了分布式數(shù)據(jù)查詢技術(shù)、優(yōu)化數(shù)據(jù)加載算子，實(shí)現(xiàn)了PB級(jí)數(shù)據(jù)并行加載，線性彈性擴(kuò)容，做到了在線應(yīng)用不中斷、各系統(tǒng)實(shí)例平滑切換。

3.1.2建立數(shù)據(jù)標(biāo)準(zhǔn)體系，完善數(shù)據(jù)質(zhì)量稽核功能

數(shù)據(jù)標(biāo)準(zhǔn)的制定保證數(shù)據(jù)的真實(shí)原始，同時(shí)滿足核查的需求，統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)，在數(shù)據(jù)分析處理的各個(gè)環(huán)節(jié)落地。通過數(shù)據(jù)標(biāo)準(zhǔn)可對(duì)醫(yī)院各類系統(tǒng)的數(shù)據(jù)結(jié)構(gòu)進(jìn)行落地標(biāo)準(zhǔn)化。

元數(shù)據(jù)管理是整個(gè)數(shù)據(jù)治理的基礎(chǔ)，不但為數(shù)據(jù)標(biāo)準(zhǔn)的梳理提供信息，也要承擔(dān)醫(yī)院數(shù)據(jù)資產(chǎn)管理任務(wù)，同時(shí)為數(shù)據(jù)分析結(jié)果的追溯提供檢核對(duì)象。數(shù)據(jù)質(zhì)量稽核滲透在每個(gè)邏輯模塊中，包括醫(yī)院數(shù)據(jù)導(dǎo)入導(dǎo)出質(zhì)量、數(shù)據(jù)轉(zhuǎn)換落地質(zhì)量、數(shù)據(jù)規(guī)范等，建立有效的數(shù)據(jù)質(zhì)量監(jiān)控及檢核機(jī)制，有助于提升分析的準(zhǔn)確性和一致性。數(shù)據(jù)質(zhì)量清洗是數(shù)據(jù)融合治理的最后環(huán)節(jié)，也是保證數(shù)據(jù)治理是否能閉環(huán)的重要環(huán)節(jié)，將數(shù)據(jù)質(zhì)量稽核中有問題的數(shù)據(jù)進(jìn)行清洗后供上層數(shù)據(jù)分析調(diào)用。

醫(yī)院財(cái)務(wù)大數(shù)據(jù)分析平臺(tái)通過封裝數(shù)據(jù)抽取算子、數(shù)據(jù)轉(zhuǎn)換算子、數(shù)據(jù)清洗算子、數(shù)據(jù)導(dǎo)入算子、數(shù)據(jù)質(zhì)量稽核算子，實(shí)現(xiàn)醫(yī)院數(shù)據(jù)的跨單位融合聚集供應(yīng)。數(shù)據(jù)轉(zhuǎn)換融合包括單源數(shù)據(jù)多插件鏈?zhǔn)角逑崔D(zhuǎn)換和多源數(shù)據(jù)復(fù)雜邏輯清洗轉(zhuǎn)換，支持靈活可定制的插件式和復(fù)雜邏輯式數(shù)據(jù)清洗轉(zhuǎn)換融合。

3.1.3構(gòu)建分布式內(nèi)存計(jì)算服務(wù)，提升數(shù)據(jù)處理效率

通過構(gòu)建數(shù)據(jù)分析引擎，提供分布式內(nèi)存計(jì)算服務(wù)，實(shí)現(xiàn)無需關(guān)注數(shù)據(jù)差異性即可對(duì)海量數(shù)據(jù)進(jìn)行快速查詢，可高效實(shí)現(xiàn)海量異構(gòu)數(shù)據(jù)的快速查詢、全文搜索、聚合分析，支持結(jié)構(gòu)化、非結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)，包括文件存儲(chǔ)、關(guān)系型數(shù)據(jù)庫、大數(shù)據(jù)全文檢索等；使用數(shù)據(jù)分析引擎的查詢、檢索和分析能力提供豐富的融合數(shù)據(jù)查詢分析能力，可實(shí)現(xiàn)跨應(yīng)用系統(tǒng)統(tǒng)一數(shù)據(jù)融合共享，各系統(tǒng)之間的數(shù)據(jù)聯(lián)合查詢、快速跨系統(tǒng)、跨應(yīng)用、跨數(shù)據(jù)源數(shù)據(jù)的統(tǒng)一搜索，快速發(fā)現(xiàn)疑點(diǎn)。數(shù)據(jù)分析引擎，基于分布式內(nèi)存計(jì)算技術(shù)，由SQL解析組件、語義優(yōu)化組件、元數(shù)據(jù)管理、執(zhí)行計(jì)劃優(yōu)化、分布式計(jì)算引擎、數(shù)據(jù)源適配器組成，如圖2所示。

3.2模型應(yīng)用層

3.2.1預(yù)訓(xùn)練（Pre-Training）

預(yù)訓(xùn)練之前要確定模型的架構(gòu)（包括模型基本單元Transformer的類型，模型的結(jié)構(gòu)配置如正則化、位置編碼、激活函數(shù)、注意力和偏置等，模型的規(guī)模配置如層數(shù)和各層單元數(shù)等）、預(yù)訓(xùn)練的具體任務(wù)（如語言建模、去噪自編碼或者混合專家等）、訓(xùn)練過程中的優(yōu)化參數(shù)配置（如優(yōu)化器選擇、批量數(shù)（Batch）、學(xué)習(xí)率、訓(xùn)練精度等）、并行訓(xùn)練（如數(shù)據(jù)并行、流水線并行、張量并行）與加速、穩(wěn)定性控制等（如定期檢查點(diǎn)）。預(yù)訓(xùn)練過程可以分成多個(gè)階段，每個(gè)階段在已有檢查點(diǎn)的基礎(chǔ)上，調(diào)整優(yōu)化參數(shù)的配置、預(yù)訓(xùn)練語料的構(gòu)成，以及預(yù)訓(xùn)練任務(wù)之后是否進(jìn)行繼續(xù)進(jìn)行等。

3.2.2微調(diào)（Fine-Tuning）

微調(diào)將預(yù)訓(xùn)練后的大模型（基礎(chǔ)模型，具備通用的語言能力）適配到目標(biāo)任務(wù)上，這通常需要在有標(biāo)注的語料集上進(jìn)行訓(xùn)練。微調(diào)包括指令微調(diào)和對(duì)齊，前者使用針對(duì)目標(biāo)任務(wù)所構(gòu)建的指令格式語料集（典型的如：問答語料）來繼續(xù)訓(xùn)練基礎(chǔ)模型，旨在增強(qiáng)基礎(chǔ)模型在目標(biāo)任務(wù)上的能力，如監(jiān)督微調(diào)（SupervisedFine-Tuning）、多任務(wù)微調(diào)等；后者旨在使用經(jīng)過人類反饋校準(zhǔn)的語料將模型的行為與人的價(jià)值觀、偏好對(duì)齊，如基于人類反饋強(qiáng)化學(xué)習(xí)（ReinforcementLearningfromHumanFeedback，RLHF）和DPO（直接偏序優(yōu)化，DirectPreferenceOptimization）等。此外，在具體應(yīng)用場景下還可以針對(duì)特定目標(biāo)進(jìn)行高效微調(diào)，如適配器微調(diào)（AdapterTuning）、前綴微調(diào)（PrefixTuning）、提示微調(diào)（PromptTuning）和低秩適配等，這些策略都可以在不改動(dòng)原有參數(shù)的基礎(chǔ)上，通過在大模型中新增一些額外參數(shù)進(jìn)行訓(xùn)練的方式來將其適配到特定目標(biāo)場景上，進(jìn)而更快地得到滿意的結(jié)果。

3.2.3推理（Inference）

大模型的推理過程（主要是解碼過程，即逐字生成出最終的文本輸出的過程）同樣是成本較高的。不同任務(wù)中為了平衡準(zhǔn)確性、多樣性和生成速度，在解碼策略上也有多種考慮，如貪心搜索（GreedySearch，速度較快但可能損失連貫性）、束搜索（BeamSearch，連貫性好但速度慢）以及Top-kSampling（引入隨機(jī)采樣，多樣性更好但犧牲精確性）等，需要根據(jù)不同應(yīng)用場景中的對(duì)創(chuàng)造性和精確性的要求而定。

3.3決策支持層

3.3.1財(cái)務(wù)預(yù)測與趨勢分析

基于歷史數(shù)據(jù)和大模型的能力對(duì)醫(yī)院各領(lǐng)域財(cái)務(wù)收支進(jìn)行估計(jì)，在此基礎(chǔ)上通過研究歷史數(shù)據(jù)的變化模式來識(shí)別長期的發(fā)展方向，輔助決策層進(jìn)行戰(zhàn)略規(guī)劃和投資決策，具體的預(yù)測點(diǎn)和趨勢分析能力如圖3所示。

3.3.2財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估與預(yù)警

通過構(gòu)建一體化的評(píng)估與預(yù)警模型，識(shí)別并評(píng)估潛在的財(cái)務(wù)風(fēng)險(xiǎn)因素，并運(yùn)用模型評(píng)估風(fēng)險(xiǎn)的后果和可能性，在達(dá)到指定閾值時(shí)發(fā)出警告并自動(dòng)化地采取措施。具體可細(xì)化為風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)評(píng)估、風(fēng)險(xiǎn)預(yù)警和風(fēng)險(xiǎn)防范四個(gè)步驟，具體如圖所示。通過引入大模型技術(shù)，可以提高風(fēng)險(xiǎn)識(shí)別的準(zhǔn)確性和預(yù)警的及時(shí)性，同時(shí)借助大模型的增量學(xué)習(xí)和優(yōu)化機(jī)制，實(shí)現(xiàn)更加智能的風(fēng)險(xiǎn)監(jiān)測和預(yù)警。

此外，財(cái)務(wù)是一個(gè)對(duì)精確性、可解釋性要求極高的領(lǐng)域，而算法模型則是以統(tǒng)計(jì)為基礎(chǔ)的預(yù)測（本質(zhì)上無法做到精準(zhǔn)），且由網(wǎng)絡(luò)參數(shù)和連接獲得的“智能”大模型可解釋性較差。為保證智能財(cái)務(wù)的落地可用，必須構(gòu)建財(cái)務(wù)領(lǐng)域知識(shí)圖譜，形成顯性的、明確的、可解釋的知識(shí)體系，在此基礎(chǔ)上與大模型算法進(jìn)行融合應(yīng)用。因此針對(duì)不同財(cái)務(wù)應(yīng)用領(lǐng)域構(gòu)建財(cái)務(wù)領(lǐng)域知識(shí)圖譜是智能財(cái)務(wù)極為重要的基礎(chǔ)工作。

3.4可視化服務(wù)層

主要完成結(jié)果可視化和報(bào)告生成功能，其中：盤等形式呈現(xiàn)

①結(jié)果可視化，使管理層能夠直觀地了解財(cái)務(wù)狀況和，是將分析結(jié)果以圖表、曲線、儀表服務(wù)情況，具體可包括數(shù)據(jù)資源準(zhǔn)備、服務(wù)組件集成等內(nèi)容。在此基礎(chǔ)上，也可以通過數(shù)據(jù)過濾、數(shù)據(jù)鉆取、數(shù)據(jù)聯(lián)動(dòng)等方式建立交互式大屏、疑點(diǎn)監(jiān)控態(tài)勢，為決策層提供動(dòng)態(tài)的、可交互的用戶體驗(yàn)，具體如圖4。

②報(bào)告生成與分享，是通過大模型技術(shù)，將可視化分析結(jié)果與數(shù)據(jù)分析圖表等內(nèi)容進(jìn)行融合，在標(biāo)準(zhǔn)化模板的驅(qū)動(dòng)下，定期自動(dòng)生成詳細(xì)的財(cái)務(wù)數(shù)據(jù)分析報(bào)告，經(jīng)過人工審核后可直接發(fā)送管理決策部門，形成支撐能力。

3.5運(yùn)維監(jiān)控層

整個(gè)系統(tǒng)安全穩(wěn)定運(yùn)行需要對(duì)算法、算力和數(shù)據(jù)進(jìn)行全方位的監(jiān)控記錄，本層注重從性能、功能、服務(wù)優(yōu)化等方面進(jìn)行全面記錄并提供數(shù)據(jù)支撐。

3.5.1模型性能監(jiān)控

大模型需要進(jìn)行長期的、動(dòng)態(tài)的數(shù)據(jù)更新，對(duì)于數(shù)據(jù)資源的質(zhì)量、標(biāo)準(zhǔn)、大小等都有著明確的要求，此外隨著并發(fā)請求的增多，模型在計(jì)算性能、準(zhǔn)確度、召回率等方面也會(huì)有所波動(dòng)。因此，需要建立一套模型運(yùn)行監(jiān)控體系，定期評(píng)估模型的性能，監(jiān)控?cái)?shù)據(jù)質(zhì)量，及時(shí)處理異常數(shù)據(jù)和錯(cuò)誤，確保模型始終處于最佳狀態(tài)。

3.5.2模型更新與優(yōu)化

隨著財(cái)務(wù)分析系統(tǒng)投入運(yùn)營，后續(xù)引入的新的系統(tǒng)和數(shù)據(jù)資源，以及源源不斷的業(yè)務(wù)需求，都對(duì)模型的更新和優(yōu)化提出更高要求，需要從、數(shù)據(jù)、報(bào)告模板、數(shù)據(jù)標(biāo)準(zhǔn)、預(yù)警閾值等多個(gè)方面對(duì)模型進(jìn)行迭代更新，確保其始終符合業(yè)務(wù)場景需求。

3.5.3安全與合規(guī)性管理

①法規(guī)制度方面。確保財(cái)務(wù)數(shù)據(jù)分析過程符合相關(guān)法律法規(guī)和行業(yè)標(biāo)準(zhǔn)，保護(hù)醫(yī)院敏感數(shù)據(jù)的隱私和安全。建立健全技術(shù)措施保障、規(guī)章制度執(zhí)行、人員安全教育相結(jié)合的綜合安全防護(hù)體系，嚴(yán)格按照保密部門對(duì)信息系統(tǒng)的分級(jí)保護(hù)建設(shè)要求，認(rèn)真做好涉密信息系統(tǒng)的分級(jí)保護(hù)定級(jí)、備案和測評(píng)工作；嚴(yán)格落實(shí)網(wǎng)絡(luò)安全工作責(zé)任制，細(xì)化措施，責(zé)任到人；

②技術(shù)防護(hù)方面。強(qiáng)化網(wǎng)絡(luò)技術(shù)和信息系統(tǒng)的安全防護(hù)，加大關(guān)鍵信息基礎(chǔ)設(shè)施安全保護(hù)力度和網(wǎng)絡(luò)安全檢測力度，提升網(wǎng)絡(luò)數(shù)據(jù)安全應(yīng)急處置能力。安裝部署數(shù)據(jù)防泄漏系統(tǒng)，控制數(shù)據(jù)傳遞邊界，數(shù)據(jù)超出邊界自動(dòng)加密，離開平臺(tái)落地加密，跨邊界傳遞數(shù)據(jù)需經(jīng)審批解密，同時(shí)數(shù)據(jù)訪問全程留痕可追溯可審計(jì)。

4典型應(yīng)用場景

搭建企業(yè)級(jí)智能助手，通過無代碼的配置持續(xù)擴(kuò)展其能力，包括知識(shí)問答、數(shù)據(jù)問答等功能，方便醫(yī)院人員查詢財(cái)務(wù)政策、報(bào)銷流程等信息，也便于專業(yè)用戶開展自然語言場景下的數(shù)據(jù)分析。

查詢需求：給定一張銀行對(duì)賬單，查詢“2月份交易次數(shù)最多的對(duì)手單位”。

解決流程：運(yùn)用大模型自然語言轉(zhuǎn)換能力，實(shí)現(xiàn)NLP到SQL語言的轉(zhuǎn)換工程，并針對(duì)摘要、備注等內(nèi)容進(jìn)行合理篩選，找出匹配的目標(biāo)集合。具體從5個(gè)層級(jí)上來看，主要包括：

①數(shù)據(jù)匯聚層：匯聚醫(yī)院各賬戶的交易明細(xì)，根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)，保留關(guān)鍵字段（如交易時(shí)間、對(duì)手方賬號(hào)、對(duì)手方姓名、備注等）形成待銀行賬戶交易明細(xì)清單。

②模型應(yīng)用層：開展進(jìn)行NLP到SQL的轉(zhuǎn)換工作，得到具體的查詢語句，并開始運(yùn)行相關(guān)語句進(jìn)行查詢。

③決策支持層：調(diào)用銀行賬戶相關(guān)模型，對(duì)該交易對(duì)手的信用情況，歷史交易情況等進(jìn)行匯聚，有違規(guī)失信等行為時(shí)反饋結(jié)果的同時(shí)進(jìn)行預(yù)警提醒。

④可視化服務(wù)層：根據(jù)要求調(diào)用柱狀圖或餅狀圖，形成交易次數(shù)、金額等匯聚信息，同步展現(xiàn)排名前5的交易情況等，預(yù)測下一步交互方向，展現(xiàn)多維度查詢結(jié)果。

⑤運(yùn)維監(jiān)控層：完成數(shù)據(jù)查詢權(quán)限評(píng)估（如查詢內(nèi)容是否有敏感字段，查詢?nèi)耸欠裼袡?quán)限讀取敏感信息）、模型運(yùn)行時(shí)間記錄、查詢?nèi)罩颈４娴裙ぷ鳌?/p>

5結(jié)論

針對(duì)醫(yī)院財(cái)務(wù)數(shù)據(jù)監(jiān)管與分析需求，本文提出了一種基于大模型的財(cái)務(wù)數(shù)據(jù)分析框架，細(xì)化為數(shù)據(jù)匯聚層、模型應(yīng)用層、決策支持層、可視化服務(wù)層和運(yùn)維監(jiān)控層，以更好地適應(yīng)醫(yī)院財(cái)務(wù)分析的實(shí)際需求，為大模型技術(shù)在醫(yī)院財(cái)務(wù)分析領(lǐng)域的應(yīng)用進(jìn)行了初步探索。隨著技術(shù)的不斷進(jìn)步和應(yīng)用場景的不斷拓展，大模型技術(shù)將在醫(yī)院財(cái)務(wù)管理中發(fā)揮更加重要的作用，為增強(qiáng)醫(yī)院戰(zhàn)斗力和應(yīng)急響應(yīng)能力、優(yōu)化醫(yī)療資源配置、建立科學(xué)合理的經(jīng)濟(jì)秩序等方面提供重要支撐。隨著技術(shù)的進(jìn)步與應(yīng)用場景的拓展，未來的研究將聚焦多模態(tài)融合、實(shí)時(shí)動(dòng)態(tài)分析及跨領(lǐng)域集成應(yīng)用。

參考文獻(xiàn)：

[1]中共中央關(guān)于堅(jiān)持和完善中國特色社會(huì)主義制度推進(jìn)國家治理體系和治理能力現(xiàn)代化若干重大問題的決定[J].新湘評(píng)論，2019（22）：8-19.

[2]張熙，楊小汕，徐常勝.ChatGPT及生成式人工智能現(xiàn)狀及未來發(fā)展方向[J].中國科學(xué)基金，2023，37（5）：743-750.

[3]智能財(cái)務(wù)研究院《.人工智能大模型技術(shù)財(cái)務(wù)應(yīng)用藍(lán)皮書》重磅發(fā)布[EB].2024.

[4]中華人民共和國國家衛(wèi)生健康委員會(huì)等，關(guān)于開展全國醫(yī)藥領(lǐng)域腐敗問題集中整治工作的指導(dǎo)意見[EB].北京：中華人民共和國國家衛(wèi)生健康委員會(huì)，2023.

[5]田高良，高軍武，高曄喬.大數(shù)據(jù)背景下業(yè)財(cái)融合的內(nèi)在機(jī)理探討[J].會(huì)計(jì)之友，2021（13）：16-21.

[6]金源，莊璐怡，魏振等.基于ChatGPT的財(cái)務(wù)分析：框架、應(yīng)用與效果評(píng)估[J].財(cái)會(huì)月刊，2023，44（19）：24-30.

[7]孫樹壘，王亞東，張正勇.企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)新方法探析[J].中國注冊會(huì)計(jì)師，2021（12）：105-108.

[8]宋美琦.基于深度學(xué)習(xí)的企業(yè)財(cái)務(wù)困境預(yù)測方法研究[D].北京：北京郵電大學(xué)，2023.

[9]安世俊.基于深度學(xué)習(xí)的化工企業(yè)財(cái)務(wù)數(shù)據(jù)信息異常分析方法[J].中國新技術(shù)新產(chǎn)品，2023（8）：34-36.

[10]路司丞.基于自然語言處理的年報(bào)情感分析研究[D].成都：西南財(cái)經(jīng)大學(xué)，2022.

[11]李彬，潘喬，閻希平.基于深度強(qiáng)化學(xué)習(xí)的投資組合構(gòu)建方法[J].智能計(jì)算機(jī)與應(yīng)用，2024，14（8）：85-90.

[12]王康，白迪.基于深度強(qiáng)化學(xué)習(xí)的投資組合管理研究[J].現(xiàn)代計(jì)算機(jī)，2021，27（1）：3-11.

[13]周雨萌.金蝶：發(fā)布中國首個(gè)財(cái)務(wù)大模型，從深圳走向世界一流[N].深圳特區(qū)報(bào)，2023-12-18.

[14]華為技術(shù)有限公司.華為發(fā)布金融大模型解決方案，加速金融行業(yè)智能化[EB/OL].https：//e.huawei.com/cn/news/2023/industries/finance/accelerate-the-financial-industry，2023.

【通聯(lián)編輯：王力】