Intelligent risk management system for Financial Sharing Center based on big data and AI
-
摘要:
为解决财务共享中心在集中化管理模式下面临的风险识别不及时、人工风险管控（简称：风控）效率低下、合规管理复杂等问题，研究基于大数据与人工智能（AI，Artificial Intelligence）的智能化风险管控体系。通过分析财务共享中心的运行特征及风险管理挑战，探讨大数据与AI技术在异常交易识别、信用风险评估、自动化审计、合规管理及实时预警等方面的作用。研究表明，该体系能够通过数据挖掘、机器学习及自动化流程控制，提高财务风险识别的准确性和响应速度，并优化企业资金管理和财务决策。同时，提出加强数据治理、优化AI风控模型、推动组织流程变革等发展策略，为企业财务共享中心的智能化升级提供理论支持。
Abstract:To solve the problems of untimely risk identification, low efficiency of manual risk control, and complex compliance management faced by Financial Shared Centers under centralized management mode, this paper studied an intelligent risk control system based on big data and artificial intelligence (AI), explored the role of big data and AI technology in abnormal transaction recognition, credit risk assessment, automated auditing, compliance management, and real-time warning by analyzing the operational characteristics and risk management challenges of the Financial Shared Center. Research has shown that this system can improve the accuracy and response speed of financial risk identification through data mining, machine learning, and automated process control, and optimize enterprise fund management and financial decision-making. At the same time, the paper proposed development strategies such as strengthening data governance, optimizing AI risk control models, and promoting organizational process changes to provide theoretical support for the intelligent upgrade of enterprise Financial Sharing Centers.
-
随着我国铁路建设的迅速发展，根据国家铁路中长期路网规划，我国铁路网规模在2025年时要达到17.5万km，铁路运输行业的巨大发展对运维管理工作的要求变得更高。越来越多的信息化系统运用到了铁路的运维管理工作中，但是，现行的管理方法较为传统，大多数系统仍以单一专业自行运维为主，信息不互通，为了打通各个专业、各个系统间的“信息孤岛”，转变为精细化、高效化、标准化的运维管理模式[1]，在铁路运维管理中引入BIM技术，建立铁路BIM综合运维管理体系是目前提升运维管理水平和效率的有效手段。模型是BIM技术在运维中的核心信息化载体，而在实际情况中运维工作人员并不能很好地使用BIM建模软件进行设备设施模型的建立、修改和更新。如果不能实时同步更新现场设备和虚拟模型，将降低制定运维决策的效率和准确性。因此对于自动化建模方法的研究就变得很迫切。
1 技术路线
1.1 铁路BIM综合运维管理系统
铁路BIM综合运维管理系统是以BIM、GIS等技术作为支持，利用BIM三维可视化引擎，等比例显示实际车辆、桥隧、轨道、站房等建筑设施设备的仿真模型的信息化系统。
（1）将设计、施工、建设阶段移交的数据进行必要的模型及编码体系转换，以满足运维管理的数据应用需求；
（2）对移交的静态数据与接收的运维期间各类动态监测数据进行存储、维护和管理，以数据服务的形式进行数据发布；
（3）既有工务、电务、供电、房建等专业运维管理系统通过平台提供的服务，获取所需的设计、建设阶段的数据信息，以便丰富和完善既有系统的功能，同时现有运维系统中的检修、维修信息返回至平台，实现基础设施全生命周期数据的集中统一管理；
（4）以PC端、便携设备与手机端等形式，为用户提供可视化的、三维形式的数据资料展示服务等[1]，如图1所示。
系统在模型可视化的基础上同时显示设施设备的位置、规格、尺寸、维护时间、维护人员等信息，直观体现铁路各专业设施设备维修进度与效果，为决策者、运维人员提供更直观的数据与现场情况展示，在计划安排、作业方案、作业组织、验收管理等方面能够更好地帮助运维人员开展运营维护工作[1-3]。
1.2 三维重建技术应用于运维的方法
利用三维扫描技术完成点云、深度图像等数据采集作业后进行数据处理，处理后的数据进行三维重建，将重建后的模型导入铁路BIM综合运维管理系统，添加有关的设备信息和维护信息后正常运维使用，如图2所示[4]。
2 核心技术
2.1 三维扫描技术
目前，主流的三维扫描技术主要分为接触式和非接触式，根据铁路BIM运维的使用场景，非接触式的三维扫描技术由于其不需要接触测量、测量速度快、效率高等特点，适用于实际运维场景[5]。
非接触式三维扫描设备根据原理又分为激光扫描仪、照相式扫描仪、CT断层式扫描仪、深度相机等类别。从运维成本、人员应用是否便捷和重建精度等多方面原因考量，深度相机技术是目前比较适合铁路BIM运维使用的三维扫描技术。
深度相机有双目、结构光、飞行时间测距法（TOF）[6]等不同种类。发射红外线、光脉冲等，接收物体表面反射的信号，用算法计算出深度数据。深度相机得到的点云数据，需要通过算法进行建模。
2.2 RGB-D
RGB-D 图像是两幅图像，RGB三通道彩色图像和深度图（Depth Map）。
通常RGB图像和DepthMap是配准的，其像素点之间具有一对一的对应关系。
（1）RGB
RGB色彩模式是工业界的一种颜色标准，通过对红（R）、绿（G）、蓝（B）3个颜色通道的变化及它们相互之间的叠加得到各种颜色，RGB代表红、绿、蓝3个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。
（2）Depth Map
在三维计算机图形中，Depth Map是包含与视点的场景对象的表面的距离有关的信息的图像或图像通道。其中，Depth Map 类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。
2.3 三维重建技术
在计算机内生成物体三维表示主要有2类方法。
（1）使用几何建模软件通过人机交互生成的物体三维几何模型一般使用具有数学表达式的曲线曲面表示几何形状，如：3D Max、Maya等软件；
（2）通过扫描等方式获取物体的几何形状，该类方法为三维重建，是一种利用二维投影恢复物体三维信息（形状等）的数学过程和计算机技术。
三维重建（3D Reconstruction）是一种对三维物体建立适用于计算机表示和处理的数学模型的技术。是通过计算机对模型分析其三维物体性质的基础，也是在计算机中建立表达客观世界的虚拟现实即实现数字孪生的关键技术。包括数据获取、预处理、点云拼接和特征分析等步骤。其中，Newcombe等人在2011年提出的KinectFusion[7]算法，可在不需要RGB彩色图像而只用深度图的情况下就能实时地建立三维模型。KinectFusion算法首次实现了基于廉价消费类相机的实时刚体重建。
KinectFusion之后，陆续出现了ElasticFusion，Kintinuous，ElasticReconstruction，DynamicFusion，InfiniTAM，BundleFusion等非常优秀的算法项目。其中，2017年斯坦福大学提出的BundleFusion[8]算法，是目前基于RGB-D相机进行稠密三维重建效果较好的方法。
3 三维重建技术的应用
3.1 三维数据采集终端介绍
StructureSensor三维扫描仪体积小，便于携带，采用深度摄像头的扫描技术，数据便于储存且兼容性很强[5]，大多数三维浏览器可直接打开扫描后得到的数据，配合平板电脑使用即可进行三维数据采集，使用时能够通过无线网络传输数据，没有数据线的缠绕和干扰，在大多数场所如设备机房、库房、站厅等环境均可正常使用，比较适用于铁路BIM运维日常使用，因此选择StructureSensor三维扫描仪为日常运维使用的三维数据采集设备，如图3所示。
3.2 数据处理和三维重建
如图4所示，通过三维数据采集设备可收集到带RGB参数的三维数据。将得到的深度数据、颜色数据、轨迹数据逐帧匹配，全部转换到同一个坐标系下面，就可以拟合出扫描的设施设备三维数据，这些三维数据需要经过滤波、去燥等预处理后，再通过重建算法计算，经过配准、分割、补全等技术处理，融合色彩信息后即可得到满足日常运维使用的三维重建的模型[9]。图5为经过预处理后的三角网格数据。
图6为分割、补全后的三角网格数据。
图7为数据融合后的三维模型，导入MeshLab软件中查看并进行尺寸测量，通过对比模型与现实尺寸数据，发现误差基本控制在亚毫米级。
将色彩信息和三维模型建立起映射关系后得到的模型结果，如图8所示，基本与设施设备实际外型一致。满足BIM运维模型的基本要求。
4 结束语
通过实验发现在近距离范围内使用三维扫描技术重建出来的模型精度可以达到亚毫米级，满足有一定精度和效率地建立BIM运维模型的需求。将建立的模型实时导入铁路BIM综合运维管理系统，可以实现动态维护模型的需求，决策者可以依照与现实同步的模型及模型上挂接的各专业信息数据进行运维决策，如图9所示。
目前来看，在手持扫描获取的数据精度上仍然有进步的空间，扫描后的数据仍然需要进行大量去噪、补全等技术处理后才可以正常使用。并且目前基于BIM技术的铁路运维管理的应用也尚在起步探索阶段，还需要与物联网、云计算、5G技术等先进技术进一步整合，提升系统内信息交换的准确性、实时性、高效性，才能更好地实现数字孪生和智慧化运维管理的目标。
-
[1] 江乾坤,陈 婉,舒欣格. 基于GBS中心的国际化投资风险管控研究—以滴滴出行为例[J]. 会计之友,2023(14):113-118. DOI: 10.3969/j.issn.1004-5937.2023.14.015 [2] 王译晗,吴 滨. 共享服务模式与上市公司财务风险管控[J]. 中国注册会计师,2022(9):30-35. [3] Xiong L L. Enterprise financial shared service platform based on big data[J]. Journal of Physics: Conference Series, 2021, 1852(3): 032004. DOI: 10.1088/1742-6596/1852/3/032004
[4] 张 超,王逸晨,邹杭兵,等. 集团企业资金集中管控模式研究——基于文献研究视角[J]. 会计之友,2021(13):113-118. [5] 张兆庭,张 雷. 构建经销商销售模式下的财务风控体系探讨[J]. 财务与会计,2020(16):29-31. [6] Guo Y. Establishment and optimization of enterprise financial shared center in the era of big data – taking Haier as an example[C]//Proceedings of the 6th International Conference on E-Commerce, E-Business and E-Government, 27-29 April, 2022, Plymouth, United Kingdom. New York, USA: ACM, 2022.
[7] 胡海兵,郭 奕,崔 凡. 光伏制造企业F公司在收入收款领域的智慧财务应用[J]. 财务与会计,2021(19):27-30. [8] Guo H C, Polak P. After the collision of crisis and opportunity to redefining the artificial intelligence in finance: the new intelligent finance era[M]//Hamdan A, Hassanien A E, Khamis R, et al. Applications of Artificial Intelligence in Business, Education and Healthcare. Cham: Springer, 2021.
[9] Yang X X, Hou Y R, Zhang W. Research on performance management of financial shared service center based on cloud accounting[C]//Proceedings of 2021 4th International Conference on Software Engineering and Information Management, 16-18 January, 2021, Yokohama, Japan. New York, USA: ACM, 2021.
[10] Deloitte. Real-time risk monitoring and management in global finance: AI-driven solutions[R]. Deloitte Insights, 2021.
[11] 许汉友,韦 希. 财务共享实施能降低企业的财务风险吗?[J]. 财会通讯,2021(4):92-97. -
期刊类型引用(0)
其他类型引用(3)
下载:
计量
- 文章访问数: 61
- HTML全文浏览量: 13
- PDF下载量: 8
- 被引次数: 3
