「找一個名字叫 AI 的員工進來，卻不曉得要它做什麼，我們應該先搞清楚 AI 要做什麼，才會知道 GPU 怎麼買、資料怎麼接。」Dell Technologies 資深 AI 業務拓展協理葉恩任在科技風暴金融高峰論壇上，透過真實現況的比喻，點出阻礙金融業成功應用 AI 有四大挑戰。
首先是「有算力、沒題目」的資源錯置，許多企業雖投入巨額預算建置 GPU 伺服器，卻因缺乏明確的應用藍圖，導致硬體淪為閒置窘境。
其次是「有題目、沒人才」的技術斷層，即便企業確立了發展方向，卻缺乏兼具產業 Know-how 與 AI 開發能力的人才，面臨「懂 Know-how 的人不會寫 Code，會寫 Code 的人不懂產線」的尷尬處境。
第三，金融業最敏感的資安合規也構成巨大阻礙，形成「想做、不能上雲」的困局，由於敏感數據嚴禁離開內網，企業無法利用公有雲資源，導致許多專案因合規風險而被迫停擺。
最後痛點則是「做出來、無人用」的落地失敗，開發出的工具精準度不足或介面難以操作，員工寧可回歸「Ctrl+F」的傳統作業模式，導致 AI 投資無法轉化為實際生產力。
Dell AI Factory 「算網存管」整合架構，重塑金融業基礎設施
為協助金融業解決四大挑戰，Dell 提出一套整合「算力、網路、儲存、管理」的 Dell AI Factory 架構，協助金融業在資安合規的基礎下，從底層基礎設施到上層應用落地，賦予 AI 自我糾正與多步驟推理的能力。
在底層基礎設施層面，Dell AI Factory 採用高效能 GPU 伺服器計算「網路」，提供強大「算力」來支撐模型的訓練與微調，「儲存」系統引入 PowerScale 技術，支撐從 TB 到 PB 級的海量數據，並透過提升中繼資料的並行讀取效率，解決 AI 資料高速讀取的能力。針對資源閒置問題，Dell AI Factory 的「資源管理」技術可依據資料預處理、訓練到部署等不同階段的需求，動態執行 GPU 資源的集合與切割，確保運算資源在各項重要任務中被優化利用 。
而 Dell AI Factory 助金融業實現 AI 商業價值的關鍵，在於結合了 Agentic RAG 技術。Agentic RAG 架構具有「多步驟推理」與「自我糾正」的高階能力，透過大語言模型實現「AI 監督 AI」的智能化品質管控，系統能自主執行幻覺檢查與答案校對，判斷是否需要拆解問題或調用外部資源，同時能將自然語言轉化為 SQL 查詢，精準串聯企業內部的結構化數據。
葉恩任將 AI 回答問題的過程比喻為一場考試，而 RAG 就像是「Open Book 考試」，當 AI 遇到不認識的專業術語或內部知識時，不會隨意給出錯誤的答案，而是去抄目錄（搜尋）看起來最像的內容，讓準確率達到 80% 左右的水準。
「透過這些代理機制，Agentic RAG 能將資料準確率從 50% 提升至 80%，但若要跨越 80% 以上的效能天花板，企業仍需針對內部的專業術語對模型進行深度微調。」葉恩任也提醒，涉及核心知識的模型調校必須在「本地端資料庫」執行，唯有確保數據不離境，企業才能在確保資安主權的情況下，仍能掌握核心大腦的自主調整權 。
Dell 為金融業打造 AI 應用藍圖與全方位顧問機制
針對金融業的未來 AI 應用，Dell Technologies 提出一份 AI 應用藍圖， 從「AI Ready」、「AI 評估」到「AI 落地實踐」的 End-to-End AI Solutions 全方位顧問機制。
這份金融業 AI 應用藍圖將場景精準聚焦於三大核心維度：在「風控與分類分析」方面，系統利用 AI 強大的分類能力，執行異常交易偵測、負面新聞判斷及輿情分析；針對「行內流程優化」，則透過 AI 自動執行會議記錄摘要、法規搜尋總結及財報辨識，大幅降低行政負擔；在「行銷與外部服務」端，透過開發智能外撥、智能客服及產品資訊搜尋引擎，優化客戶體驗。
葉恩任表示「AI 如果是火箭，資料就是燃料，燃料純度越高，AI 的精準度就越高」，因此穩健的底層基礎設施就顯得尤為重要。透過 Dell AI Factory 與 Agentic RAG 技術軟硬整合策略下，Dell Technologies 協助金融機構將抽象的轉型目標，拆解為可執行的 End-to-End 路徑，讓 AI 投資轉化為推動營運的實質競爭力，真正實現 AI 應用落地的目標。
