金融行业应用系统业务和IT技术数据融合通过大模型进行异常检测所需的数据类型和范围包括哪些？
议题中的业务数据主要是指金融行业应用系统运营过程中实时产生的业务属性相关数据，IT技术数据是指承载该应用系统机房、网络、服务器、操作系统、数据库等软硬件实时运行数据。主要面临困难：在金融行业中，如何将应用系统业务数据和IT技术数据进行充分融合，并利用大模型算法实时检测业务和IT技术数据中的异常数据，结合业务运营和科技运维相关知识，识别异常数据是否影响业务的连续性和稳定性，并定位问题根源进行解决。
该议题的共识将对金融行业用户提升业务连续性管理能力有显著价值。
期望：如何规范金融行业应用系统业务和IT技术数据的大模型应用的数据标准，有利于更好发挥大模型在金融行业的作用。
重点研讨和交流：保障业务连续性和稳定性是金融行业运维领域工作范畴，希望使用大模型进行异常检测和问题定位能够在运维中得到一定有效应用，每个场景大模型的应用涵盖的数据范围需要建立一定的标准，该议题场景重点研讨：
应用系统业务数据和IT技术数据融合进行异常检测所需的数据类型和范围包括哪些？如涉及敏感信息如何加密不影响大模型算法的使用？
ChatGPT 回答
针对该议题，建议以下几点：
- 建立数据标准：为了规范金融行业应用系统业务和IT技术数据的大模型应用，需要建立数据标准，明确每个场景大模型应用涵盖的数据范围和数据类型。建立数据标准可以帮助金融行业用户更好地发挥大模型在金融行业的作用，提高业务连续性管理能力。
- 加密敏感信息：在应用系统业务数据和IT技术数据融合进行异常检测时，可能涉及到敏感信息，如何保护这些信息是一个重要问题。建议对敏感信息进行加密处理，以保护用户隐私，同时不影响大模型算法的使用。
- 确定异常检测指标：在进行异常检测时，需要确定异常检测指标，包括业务连续性和稳定性相关的指标以及IT技术数据相关的指标。这些指标可以帮助识别异常数据是否影响业务的连续性和稳定性，并定位问题根源进行解决。
- 建立大模型算法库：建立大模型算法库，包括数据挖掘、机器学习、深度学习等算法，可以帮助金融行业用户更好地应用大模型算法进行异常检测和问题定位。同时，建立算法库也可以促进算法的共享和交流，提高算法的效率和准确性。
- 加强人工智能技术人才培养：人工智能技术是实现大模型应用的关键，建议金融行业加强人工智能技术人才的培养，提高技术人员的技能水平，以更好地应用大模型算法进行异常检测和问题定位。