主要内容
对于尝试将AI投入实际应用的银行而言，最棘手的问题往往出现在模型训练之前：数据能否使用？存储地点是否合规？系统上线后责任归属如何？在渣打银行，这些以隐私为核心的问题正塑造着该行AI系统的构建与部署方式。
渣打银行已在实际环境中运行AI系统。从试点到生产的过渡带来了易被早期忽视的实际挑战：小规模试验中数据来源有限且清晰可控，而生产环境中AI系统需从多个上游平台获取数据，各平台数据结构和质量存在差异。
Hardoon表示：“从受控试点转向实际运营时，由于上游系统数量多且可能存在数据模式差异，数据质量保障变得更具挑战性。”隐私规则进一步增加了约束，部分场景下真实客户数据无法用于模型训练，团队需依赖匿名数据，这可能影响系统开发速度或性能表现。
地理和法规决定了AI系统的部署范围。不同地区的数据保护法律存在差异，部分国家对数据存储地点和访问权限有严格规定。Hardoon指出：“在不同市场运营时，数据主权通常是关键考量因素。”在有数据本地化规则的市场，AI系统可能需本地部署或设计为敏感数据不跨境流动。
这通常导致银行采用分层架构，既有共享基础平台，又在法规要求的地区保留本地化AI应用场景。随着AI在决策中的嵌入加深，可解释性和同意机制的问题愈发复杂，人工监督仍是核心。