傳統金融如何利用資料？

所謂前事不忘後事之師，在瞭解 AI 對傳統金融行業帶來的影響之前，我們可以借鑑以往的經驗，看看傳統金融行業對現有資料的利用情況。

在過去的幾十年甚至百十年中，無數的銀行家，金融工程師，資料分析師，金融從業者為我們設計了很多非常便利方便的金融產品，比如信用卡業務，個人貸款業務，在這些產品迭代的過程中他們形成了非常嚴謹的迭代和風險控制的方案。

他們所利用資料的特點是針對這些金融產品業務區分能力強，但是覆蓋人群相對較低。

就如上圖所示的冰山，傳統金融行業對資料的利用率只有10%左右，而 Fintech 公司需要做的就是挖掘那些隱藏在冰山之下的資料，把金融產品帶給更廣泛的人群。

網際網路金融怎麼做？

隨著大資料解決方案的普及，我們可以蒐集更多維度的資料來更精細的進行使用者畫像，包括利用一些行業資料，使用者的網際網路瀏覽資料，司法執行資料，第三方信用資料，出行資料，電商平臺的交易資料，電話通訊資料和社交資料。這些資料的覆蓋人群會遠遠超過現有的金融行業所使用的資料。

而 AI 就是對這些資料進行組合，從而挖掘出有效的特徵。

而大資料的一些解決方案為我們提供了較好的基礎設施。

關於 AI

在此之上人工智慧可以帶給我們大量的自動的規則學習，同時帶給我們更加強大的表達能力，而不僅僅是一些線性模型。當我們加入更多資料的時候，關於人的描述已經上升到更高維度的空間中，這時，我們就需要表達能力更強的模型，比如 GBDT 的模型，有幾千個有權重的子樹，比如深度學習網路，多層的神經元透過加工，自動抽取最優組合。

一個傳統的貸款業務可能需要2-3天來審批，而一個基於人工智慧模型的自動審批方案可能只需要幾秒鐘就可以完成。同時有些傳統風控模型的迭代週期可能要數個月甚至數年，但是人工智慧的模型迭代可以非常便捷和自動。

AI 所做的就是極大簡化這個過程，提高效率，同時可以大大提高模型驗證和迭代的速度。

AI in Dianrong

在點融，我們應用於風控的人工智慧解決方案主要有以下三個部分：

資料蒐集和處理

風險控制和預測模型

信用評級和風險定價

便利可擴充套件的資料儲存和處理方案是重要的基礎架構。

各種非結構化資料到結構化資料的靈活轉換是保證應用的重要一環。

欺詐的識別是風險控制的第一步，如果利用第三方資料高準確度地識別一些有欺詐嫌疑的使用者是這一個環節需要解決的問題。

靈活地支援人工智慧的風控引擎和規則引擎是保證人工智慧應用的業務的重要工具。點融的規則引擎同時可以支援簡單的條件規則、也可以支援決策樹的規則，以及更加複雜的 GBDT 和深度神經網路模型。

透過知識圖譜我們可以將人群的關係更直接地對映到圖資料裡，透過這些關係的遠近、和異常拓撲結構的識別，我們可以發現更多更深層次的風險模式，透過識別這些模式可以有效地減少團伙欺詐。

在風險級別識別和風險定價的模組裡。我們會結合三類打分板:專家打分板，傳統的邏輯迴歸打分板以及人工智慧打分板在不同場景下針對使用者進行不同級別的人群劃分。針對不同級別的人群和不同產品的需求我們會試算出針對於該風險人群的定價。

我們點融也在積極地將人工智慧模型作為主要風控手段迭代改進自己的系統中。

同時我們也在應用深度學習解決一些業務冷啟動的問題。利用 transfer learning我們可以大大加快模型在新業務資料不足的情況下收斂的速度。

總結

最後引用薛貴榮博士的部落格中一段話：

“基於例項的遷移學習的基本思想是，儘管輔助訓練資料和源訓練資料或多或少會有些不同，但是輔助訓練資料中應該還是會存在一部分比較適合用來訓練一個有效的分類模型，並且適應測試資料。於是，我們的目標就是從輔助訓練資料中找出那些適合測試資料的例項，並將這些例項遷移到源訓練資料的學習中去。”

金融機構由於面臨激烈的競爭壓力，需要不斷對自身結構和人才資源進行迭代，以適應不斷變化的新情況。隨著微軟前首席科學家鄧力宣佈加盟對沖基金巨頭 Citadel，我們可以看到金融界已經向計算機科學（特別是機器學習）人才打開了大門。今天推薦一下 CB Insights 資料統計出的金融科技領域的人工智慧公司分佈圖（上圖）。CB Insights 使用自己的大型資料庫，統計了在科技金融領域的眾多創業公司。從銀行到保險，區塊鏈、人工智慧等技術正在變革金融領域，並將 AI 涉獵的範圍劃分為以下九大類：

1、信用評分/直接貸款：使用AI對使用者信用進行評分並用 AI 處理貸款申請。值得關注的公司有 Affirm 和 ZestFinance 。

2、財務助理/個人理財：依靠 AI 聊天機器人和移動應用程式監控個人財務狀況。值得關注的公司有 Digit 和 Kasisto 。

3、量化資產管理：採用 AI 演算法設計交易策略或投資工具。值得關注的公司有 Sentient Technologies 和 Numerai 。

4、保險：使用AI 進行保險報價。值得關注的公司有 Lemonade 和 Cape Analytics 。

5、市場研究/情緒分析：利用 AI 進行文字分析衡量市場情緒。值得關注的公司有 Dataminr 和 Alphasense 。

6、債務回收：使用AI，透過個性化和自動化的溝通，使債權人更容易收回未償債務。值得關注的公司有 TrueAccord 和 CollectAI 。

7、企業財務及成本報告：利用 AI 縮短企業內部財務會計流程，值得關注的公司有 AppZen 和 Zeitgold 。

8、預測分析：使用AI進行基於自然語言分析的預測。值得關注的公司有 Opera Solutions 和Kensho Technologies 。

9、監管合規和反洗錢監測：使用AI檢測欺詐和異常的財務行為，改進合規報告的工作流程。值得關注的公司有 Trifacta 。

人工智慧作為計算機科學的一個分支，試圖瞭解智慧的實質，並生產出一種新的能與人類智慧相似的方式做出反應的智慧機器，主要應用場景包括資訊收集與識別、資訊綜合分析與預測、控制與決策等方面。當前，人工智慧可以至少可運用到金融的七大領域，相信未來隨著人工智慧的不斷髮展，可以應用到金融領域的場景會迅速拓展：

第一，大資料營銷。不同金融使用者擁有不同的風險承擔能力和意願，對金融產品與服務的需求具有差異性，而人工智慧可以透過使用者畫像和大資料模型精準找到使用者，實現精準營銷。

第二，智慧投顧。又稱機器人理財，即機器人根據個人投資者提供的風險承受水平、收益目標以及風格偏好等要求，運用一系列智慧演算法及投資組合最佳化等理論模型，為使用者提供最終的投資參考，並依據市場動態對資產配置調整提供建議。

第三，智慧支付。金融使用者需要驗證身份的真實性，主要技術包括人臉識別、語音識別、指紋識別和虹膜識別等。透過人工智慧，可以快速高效識別，並完成智慧支付。

第四，自動交易。電腦代替人腦，根據價格波動規律，將交易策略變成電腦程式，即用“電腦判斷+電腦操作”代替“主觀判斷+人工交易”。

第五，智慧投研。投研需要收集大量的資料、進行資料分析、報告撰寫等，透過機器自主抓取相關資訊，可以輔助決策，甚至自動生成投研報告。

第六，大資料風控。利用大資料人工智慧技術，可以使用海量的多維度資料，塑造出高度精細化的風險控制模型。

第七，監管科技。全球每年都會產生大量的法律法規資料，大概3億條，這麼多的法律法規不可能存在某些人的腦子裡。透過人工智慧學習、積累金融法規，並結合金融機構的實際情況提供合規建議。機器可以從海量的交易資料中學習知識和規則，發現異常行為，對欺詐與洗錢行為進行警示。

（一）秒貸

隨著人工智慧應用成為各行各業的焦點，至此金融業對科技的應用跑在最前端，從智慧銀行到智慧投顧，再到放貸實現“秒”貸，透過運用人工智慧技術，使用者就可以實現“幾秒鐘”得到服務和貸款，在眾多金融服務機構在做大膽嘗試。

在大資料保駕護航之下，不少銀行不僅可以線上申請貸款，且部分銀行還能實現“秒”貸，使的消費信貸利用金融科技實現了升級。

（二）智慧投顧

隨著人工智慧和機器人技術的成熟，金融分析師甚至也將被機器所取代，很顯然機器人已經入侵金融領域，分析師飯碗或許會受到機器衝擊，對於金融分析來說，機器利用海量資料優勢，透過計算而來，基於資料的分析能力遠遠超越人類大腦。

人工智慧在金融領域應用廣泛，下面來說說應用於保險行業的場景：

1．基於智慧硬體、機器人實現客戶觸點的智慧互動及智慧服務

應用機器視覺、語音能力和語義能力等智慧能力，改善觸點端客戶體驗：

(1)櫃面實體智慧機器人服務：在櫃面提供具備智慧導航、智慧諮詢、智慧查詢為一體的實體機器人，實現營銷宣傳、業務諮詢、分流引導、業務處理的效果。

(2)聯絡中心智慧語音服務：對聯絡中心實現智慧語音導航、智慧諮詢和查詢、聲紋身份認證，達到提高客戶體驗、提升服務水平的效果。

(3)智慧線上機器人服務：增加智慧頻道導航，語音業務辦理、智慧諮詢、智慧查詢、智慧金融投資顧問等功能，實現線上服務智慧化改造。

(4)智慧知識庫服務：實現智慧知識挖掘、智慧知識搜尋、智慧知識推送、智慧播報、智慧培訓等場景，充分發揮知識庫的價值。

2．藉助人工智慧演算法和模型實現商業智慧及智慧運營在資料豐富的特定專業領域，透過業務建模及核心演算法，改變傳統決策模式:

（1）智慧投資顧問：基於客戶與產品匹配情況深度分析建立投資服務模型，為客戶智慧理財投資建議，輔助業務員展業。

（2）智慧體驗引擎：基於客戶對於服務的反饋建立服務策略最佳化模型，不斷進化服務策略，實施智慧流程串聯。

（3）智慧運營監控：在聯絡中心、櫃面、業務處理、系統運維等環節，嵌入基於大資料模型的智慧風控、智慧業務排程、智慧安防等技術，提高運營效能。

（4）智慧產品研發/智慧風控：進行客戶風險大資料建模，改變傳統生命表，開發更加精準的保險產品、加快新產品推出速度，贏得市場先機；捕捉客戶風險訊號進行智慧風控建模。

（5） 智慧服務質檢：聯絡中心、電網銷等渠道的語音服務質檢、服務熱點分析等場景。

人工智慧在金融領域的應用場景非常多，比如說智慧客服、無人櫃檯、智慧投顧、反欺詐等等，樓上已經說了很多。

包括此前全球最大的對沖基金公司之一英仕曼集團（Man Group）旗下的AHL Dimension 基金透過將機器學習演算法用於自動貿易決策發現，在沒有人為干預的情況下，該AI系統竟然自己學會了抄底。這一波操作也讓整個金融界為之震驚。

下面列舉其中三個主要場景做下介紹：

1.基於演算法的金融交易

可以看到，藉助機器學習，計算機已經可以完成諸如股票交易這樣複雜而繁瑣的任務。同時，在全球已經有不少對沖基金公司正在該領域不斷探索，並取得了可與人類專家的判斷相媲美的成果。

此前，舊金山的創業公司Sentient Technologies就開發了一種演算法，透過獲取數以百萬計的資料點從而識別交易模式，預測趨勢，制定成功的股票交易決策。在Sentient公司的平臺上，執行著數以萬億計由大量線上公共資料建立的模擬交易程式。藉助這些程式，該演算法可以識別整合成功的交易模式，制定新的交易策略。同時，透過該演算法，系統還可以在幾分鐘內完成傳統方式中1800天的交易量，並在交易中不斷實現自主最佳化。據該公司CEO安東萬•布隆多（Antoine Blondeau）表示 ，其基金完全由人工智慧操盤，整體思路就是做一些沒有其他人也沒有其他機器在做的事情。

Sentient的首席科學官巴貝克•霍加特（Babak Hodjat）表示 ，這套系統允許公司調整特定的風險設定，並且是在沒有人工干預的情況下執行的。“它會自動生成一套策略 ，並給我們下指示。它還會告訴我們要在何時退出，何時減小風險敞口，諸如此類。”霍加特說。

而在應用方面，目前，除了英仕曼之外，國外還有很多成功案例。美國的Wealthfront和Betterment、英國的MoneyonToast、德國的FinanceScout24、法國的MarieQuantier等均成功將人工智慧引入投資理財，目前智慧顧問已掌握大量資產；第一個以人工智慧驅動的基金Rebellion曾成功預測了2008年股市崩盤，並在2009年給希臘債券F評級，而當時惠譽的評級仍然為A，透過人工智慧，Rebellion比官方降級提前一個月；掌管900億美元的對沖基金Cerebellum，使用了人工智慧技術，從2009年以來一直處於盈利狀態。

2.反欺詐檢測

隨著電子商務的推廣，網路詐騙愈發猖獗。然而，打擊網路詐騙並非易事。過度拒絕交易從而預防網路犯罪會導致客戶體驗下降，可能造成大量客戶的流失。2015年，Javelin Strategy市場調研機構釋出的一項研究表明：網路零售商因錯誤拒絕合法交易造成的損失金額高達1180億美元。在錯誤拒絕合法交易的案例中有三分之一的客戶會放棄交易。此外，僅在美國地區，該類案例造成的經濟損失是真正詐騙案件損失金額的13倍。

在這樣的背景下，人工智慧可以透過分析不同的資料點，利用機器學習演算法檢測人類分析師察覺不到的欺詐性交易。與此同時，還可提升實時審批的準確度，減少錯誤拒絕率。

如今，已經有很多機構開始藉助人工智慧預防詐騙。Mastercard（萬事達卡）不久前推出的智慧決策(DI)技術是個很好的例子。據瞭解，DI可以從持卡人的消費記錄和習慣中採集模型，建立行為基準，從而對每筆新達成的交易進行比較和評估。相較於傳統的多借助通用方法評估所有交易的犯罪預防技術，該技術的應用可謂是一項重大突破。

事實上，Mastercard並非第一家運用人工智慧進行反欺詐檢測的金融企業。有些公司採用的方法更為全面。例如，Sift Science從6000多傢俱備欺詐檢測功能的網站中收集了大量資料，並透過多種渠道的裝置追蹤和資料分析，利用智慧引擎關聯了各種不同的資料點，包括網站上的付款資訊和其他行為，建立優質使用者行為模型，檢測欺詐性交易。

3.智慧客服

近年來，藉助由自然語言處理（NLG）和機器學習演算法驅動的智慧客服為使用者提供個性化對話體驗開始變得越來越普及。

而智慧客服在金融業的應用也是比較常見的，比如幫助使用者理財。舉個例子，當用戶點選Facebook的聊天視窗時，就可以啟動Plum聊天機器人，從而進行小額分期存款的操作。在註冊時，使用者只需要將Plum與其銀行賬戶關聯。之後，Plum的人工智慧系統就會分析使用者的收入水平和消費習慣，並在此基礎上預測其能接受的存款金額。然後適時分期向用戶的儲蓄賬戶中儲存小筆金額，並定期通知使用者。

此外，智慧客服Cleo還可以跟蹤多個賬戶的收入與支出，像私人會計師一樣和客戶交流，回答客戶的問題，同時還可以提供理財指導，幫助使用者做未來的資金規劃和管理。今年年末，美國銀行計劃推出智慧客服Erica（取銀行名字的諧音）。Erica可以在銀行手機客戶端與客戶進行語音和文字互動，從而幫助客戶快速做出更明智的決定。例如，無需開啟應用介面（UI）即可命令Erica匯錢給朋友或付款。智慧客服的AI引擎還可分析管理客戶的個人財務，如根據客戶收入和支出模型，提供建議，實現儲蓄目標。

據「AI 應用前沿」長期的行業觀察，人工智慧在金融領域的應用場景和作用 如下：智慧信貸

信貸是銀行業的典型業務場景。其中，審批效率有限是傳統金融信貸服務中長期存在的痛點。隨著大眾金融消費觀念的逐步變化，小額高頻的信貸服務需求正逐步成為一大趨勢。而隨著人工智慧技術與金融科技的發展，信貸服務也逐漸向著高效的運作模式轉變。如移大資料徵信、基於機器學習技術開發信用風險量化模型、透過拍照、影片、移動終端資料同步等手段核實客戶資訊等智慧技術的應用都在提升信貸服務的效率和效果。

智慧反洗錢

隨著經濟全球化的發展與技術的迭代更新，洗錢犯罪同樣“與時俱進”，隨著新技術與場景變的更加隱蔽，且成本與風險日益降低。犯罪網路化、專業化、國際化的趨勢愈發明顯，而洗錢犯罪的模式也愈發複雜。在此趨勢下，機器學習模型、專家系統等人工智慧技術對反洗錢工作帶來了新的進展，尤其在“知曉客戶（Know Your Customer)”方面能夠避免重複勞動，加速稽核流程，並加強交易監控的工作效率。

自動化理賠

保險服務的理賠流程效率緩慢是行業中長期存在的痛點，概因理賠所牽扯到的檔案審閱和稽核步驟繁多，效率低下。人工智慧在保險賠付中的各項場景已存在大量應用。計算機視覺、語音識別等技術能夠在理賠過程中加速身份認證、定損等工作。而自然語言處理技術能夠自動化掃描並讀取檔案內容，大幅提高理賠，審查等工作中的資料稽核效率。

保險定製化

由於傳統保險模式存在資訊不對稱的現象會導致逆向選擇與道德風險，在使用者需求難以滿足的同時制約了保險公司的盈利水平。基於人工智慧技術對資料的多維度利用，保險公司能夠結合人的生活習慣、年齡、健康記錄，投保經歷等資訊挖掘投保人的偏好和需求，並設計具有針對性的產品與保險方案，從而提供個性化的服務。

保險反欺詐

保險理賠案件中往往涉及大量資訊，如檢視資訊、保單資訊、出現資訊等等。傳統保險賠付流程對人的經驗知識依賴較高，容易被慣性思維所誤導，無法做到對案件中所有資訊進行有效分析。機器學習、圖計算等人工智慧技術能夠對現場照片、證件資訊、車輛資訊、票據等不同維度的資料進行關聯組合關係分析，從而形成欺詐判斷模型。這樣學習形成的模型不但可以對已知詐騙手段進行識別，還能夠在一定程度上預測新型的詐騙手段。

智慧投顧

隨著人工智慧應用和金融科技在此領域中逐漸展露頭角，“智慧投顧”的概念也在行業中愈發流行。在此基礎上，國內外金融界對於人工智慧在財富管理的應用上存在著不同的偏好。以美國為代表的境外市場目前傾向於利用人工智慧技術來識別財富投資的機會。其典型應用便是透過分析如網站資料、輿情資料、地理定位，甚至衛星定位等另類資料來輔助分析投資方向，發掘哪家股票值得投資。而國內的發展路徑則更傾向於利用人工智慧來最佳化客戶的使用者畫像，從客戶對風險的主觀承受意願及客觀風險承受能力等資訊進行綜合、動態的評估，以定製客製化的投資組合。

此外，基於人工智慧技術所開發的自動交易功能也為投資管理提供了極大的助力。由於自動交易對投資策略的執行效率和成本控制工作都能帶來顯著提高，甚至在一定程度上提高投資組合的收益。在此趨勢下，越來越多的交易員已經被機器所取代。

異常交易識別

傳統的交易驗證過程中需要中臺的控制人員對比交易價格與市場基準價格，從而決定該筆交易是否存在異常。然而，由於市場流動性、交易時間、產品結構等因素的影響使得交易驗證工作更加複雜化，且難以高效實施。機器學習技術能夠透過構建深度神經網路模型，並透過金融機構資料庫中大量異常記判斷的資料進行訓練，從而獲得識別異常交易行為的能力，最終輔助控制人員以大幅提高交易驗證的效率。

智慧客服

客服場景存在於銀行、信貸、保險等多個金融服務領域。考慮使用者致電客服中心所詢問的問題存在重複性、客服人員的服務效率存在客觀極限，透過聊天機器人取代人類客服進行使用者引導和基本問題解答是現金金融行業十分流行的趨勢。基於自然語言處理技術和語音識別等技術，聊天機器人能夠全年24 小時無間斷為理論上所有客戶提供服務，極大程度上環節客服中心的效率及成本壓力。

網際網路支付

傳統的金融支付服務主要藉助銀行中間業務來為客戶辦理收款、付款其他相關委託事項。而在近幾年網際網路的急速發展下，像支付寶、財付通等由第三方機構提供的支付業務開始在市場上急速流行，並很快成為金融支付服務中的重要成分。在此趨勢下，傳統銀行和電商以及電信運營商等機構正在紛紛投入網際網路支付的熱潮，與第三方支付企業共同形成了當下網路支付的業態格局。其中，智慧語音支付、人臉支付等基於人工智慧技術的應用已經開始逐漸展露頭角。

流程自動化平臺

隨著金融行業的數字化趨勢，流程自動化平臺能夠移除大量重複的、可複製的、及擁有規律性的任務以幫助運功提升效率。

由於該技術在整合統計資料、核對驗證資訊、業績監控管理等任務領域的實用性，使其在風險評估、財務分析、資訊稽核等金融行業常見的業務流程中得以應用。

1、工商銀行開發人工智慧機器學習平臺，提升業務處理效率

具備四大特徵，即：一站式建模能力、高效能運算和模型自學習能力、分散式框架及異構資源排程能力，以及靈活可拓展及可複用的服務能力。

其中，一站式建模能力主要透過平臺提供的全流程IDE 為業務人員、應用開發人員提供自動、靈活、可控的模型構建工作站，降低AI 在全行業的使用門檻。模型自學習能力則集成了開源機器學習/ 深度學習框架，以支援業務人員自動觸發模型自學更新，持續最佳化AI 模型並提升應用效果。分散式框架和異構資源排程能提供高效能、可伸縮的實時預估框架，支援智慧服務的灰度釋出、服務能力隨交易量自動伸縮等。

最後，該AI平臺可拓展及可複用的服務能力能夠支援多演算法的模型訓練和評估，提供二次開發工具包，並支援計算機視覺、自然語言處理等應用的可複用服務，多面支援風險管理、智慧客服等領域的AI 應用。

2、荷蘭國際集團藉助智慧交易決策輔助工具，提供交易最優報價

荷蘭國際集團針對債券交易場景部署了智慧交易決策輔助工具，Katana。Katana 會針對每筆交易的相關資訊並對比歷史資料進行分析，並將結果視覺化，以直觀圖表形式呈現給交易員。與現在流行的“自動化交易”不同，Katana 的作用主要用於輔助人類員工，加速決策制定的效率與效果，而非以徹底自動化的形式取代人類交易員。伴隨Katana 的分析能力，荷蘭國際集團的交易員能夠節省大部分消耗在資訊篩選和分析工作上的時間，以更高效的方式使用它們的專業知識與行業經驗來在每次交易行為中為客戶提供最優的報價。

財務與金融領域。

摩根大通開發的金融合同解析軟體COIN，只需幾秒就能完成原先律師和貸款人員每年需要36萬小時才能完成的工作。2017年3月貝萊德（Black Rock）宣佈裁掉40多個主動型基金部門的崗位，其中包括7名投資組合經理，轉而用計算機與數學模型進行投資的量化投資策略代替。2017年5月德勤財務機器人橫空出世，開始取代財務人員的大部分工作。2017年8月美國銀行（Bank of America）與Fintech創業公司High Radius達成合作，將人工智慧應用於企業應收賬款處理。該應用程式專為大型、複雜的公司管理大筆支付業務。資產管理領域的人工智慧應用，包括BlackRock開發的Aladdin平臺（使用自然語言處理、閱讀檔案）、Kensho平臺（使用龐大的資料庫，運用機器學習演算法與自然語言處理技術，從眾多龐雜資料中提取邏輯關係做出預測，並能以自然語言的方式輸出）、Alpaca（模式識別等技術，用於量化投資）等。

美國諮詢公司Opimas的資料顯示，預計到2025年為止，AI的運用將使得對資本市場，包括證券服務、交易和結算、資產管理、私人銀行和財富管理等業務在內的員工減少23萬人。

京東金融依託京東集團積累的客戶及場景資源、交易及信用資料，積累了大量資料。在多維、海量、動態的資料基礎上，京東金融實現了人工智慧、生物識別、深度學習、影象識別、雲計算和區塊鏈等領先技術的創新，並應用到了風險模型、量化運營、使用者洞察、企業徵信、智慧投顧等各個與金融相關的領域中去。與此同時，京東金融還將資料＋人工智慧能力進行對外輸出。如京東金融的反欺詐解決方案——安全魔方。安全魔方擁有千萬級每分鐘的風控指標運算能力，還具備毫秒級的風險預警及響應時效，可以提升金融機構及電商客戶的信貸申請反欺詐、賬號與交易安全、營銷反欺詐能力。

人工智慧在金融領域中的應用，相較於大資料而言的核心突破在於深度學習、智慧分析和最終的智慧決策。大資料、雲計算、智慧硬體以及後續的區塊鏈技術等都是支撐人工智慧上層技術的基礎。目前，人工智慧技術可以運用在金融領域的技術主要包括深度學習、知識圖譜和自然語言三種。

▲ 應用於金融領域的人工智慧技術及其特徵