据海外媒体报道，澳大利亚联邦银行已不再局限于在银行边缘业务领域开展人工智能试点探索，而是将这项技术系统性融入银行运营核心。

在数据方面，为更好推动人工智能战略，服务逾1800万名客户的澳大利亚联邦银行正从底层数据开始革新。2024年7月到2025年年中，该行完成了超6.1万条数据管道从本地系统到亚马逊云科技（Amazon Web Services）的迁移工作，打破了此前制约模型开发与实时决策的传统数据孤岛。该行云数据平台负责人表示，其云原生数据平台日均处理数据量达1570亿个数据点，为全行超2000个人工智能模型提供算力支撑。

2016年上线的自动化客户互动引擎，现已集成超100个大语言模型。该引擎日均完成约5500万次针对客户的智能化操作，覆盖个性化金融服务提示、产品推荐、主动识别政府退税资格等场景，累计为客户落实的退税及各类补贴资金超10亿美元。

基于AWS SageMaker等搭建的云原生数据平台，可支持机器学习全生命周期运转，涵盖数据准备、模型训练、部署上线及运行监控等环节。平台优势在于持续学习能力：模型可实时吸纳交易数据、客户行为信号及外部输入信息，实现服务推荐的实时动态调整。

在应用方面，澳大利亚联邦银行的人工智能技术已从孤立单点应用，拓展为覆盖全行的通用能力。PB级数据湖的建设，实现数据快速查询与模型自动化训练，解决了AI规模化应用的痛点；结合H2O.ai的文档智能等工具的集成，该行将合同、表单等非结构化数据纳入了处理体系，拓宽了AI的数据来源。澳大利亚联邦银行首席执行官表示，在客户开户环节，依托光学字符识别与语言模型技术，客户身份核验的自动化率介于50%至85%之间，办理时长也从原本的数天压缩至数分钟。 

在内部方面，澳大利亚联邦银行打造的代理式人工智能框架——Project Coral，已从单纯的数据分析，延伸至决策推理与指令执行环节。Project Coral可扫描代码库排查技术债务，提出修复方案，通过CI/CD流水线开展测试，仅需极少人工干预即可完成变更部署。这大幅提升了全行7800名工程师的生产力，让团队从维护工作转向产品创新。 

此外，该行也在反欺诈场景落地AI技术，相关模型日均分析交易近2000万笔，生成反诈预警约2万条，助力欺诈损失降低30%。行为生物识别与异常检测功能可实现近实时运行，依托混合架构——重负荷分析任务部署于AWS平台，轻量级推理则在应用边缘端进行，以此保障高峰时段的系统响应效率。