AI應用

人工智慧（Artificial Intelligence）是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。隨著計算機效能以及深度神經網路技術的發展，大資料概念的普及，AI成了最近幾年投資界和網際網路的風口，ALPHAGO戰勝了柯潔更是AI發展的一個里程碑，標誌著在棋類運動中AI已經超越了人類。那AI技術在銀行中有哪些應用呢？

1.感知層

（1）在感知方面，AI技術已經比較成熟，接近甚至超越了人類的平均水平。在各行各業已經廣泛運用。影象OCR技術成熟較早，在銀行櫃面運營檢查中，會通過影象識別技術將憑證的金額和客戶簽名進行識別，與憑證的業務流水進行自動核對。線上開銀行二類戶時，也會通過上傳身份證照片以及銀行卡來自動識別身份證號碼和銀行卡號。驗證客戶簽名以及公司公章也是採用影象識別技術。

（2）語音識別幾年前也已經成熟，目前各種方言都也能自動識別。出國直接用手機翻譯軟體就可以實時翻譯。那在銀行業務中，通過語音技術會監督電銷人員進行電話銷售時是否違規承諾收益，是否態度較差。另外一些機構也記錄了客戶的聲紋，後續客戶登入只需說話就自動識別到客戶。

（3）人臉識別是近幾年興起的應用，目前火車站、機場都使用了人臉識別技術來自動識別乘客，減少了工作人員，在銀行業務中，二類戶遠端開戶、線上貸款等都會用到人臉識別進行客戶身份認證。通過人臉識別和公安的身份證圖片進行比對，超過一定閾值就會識別為是同一個人。同時為了防止欺詐，還會通過眨眼、轉頭、語音報數等進行活體檢測。人臉識別技術的出現大大加速了線上業務的發展，後續技術完備成熟後，監管部門認可放開後，以後只需手機就能辦理所有銀行業務了。

2.理解層

在理解層面，主要通過自然語言技術來理解文字的含義，通過知識圖譜來理解人、事、物之間的關係。這些技術近些年也有長足的進步，但還不盡完善。目前主要應用在不需要那麼精確的場景中，如客服、智慧音箱、客戶引導等。

那在銀行中機器人客服在許多銀行的官網和APP中也已經應用，主要用來回答使用者提出的問題，同時也會根據關鍵字列出相關問題，如果客戶不滿意則會再引導到人工客服。從應用的情況來看，對於標準化且規則簡單的銀行產品基本能達到90%的客戶服務率，只有10%的客戶需要再引導到人工，大大減少了人工客服的工作量。

但是對於複雜的業務以及綜合的問題，則客戶服務率就下降很多。但隨著語料、問題的積累，以及技術的發展，後續機器人客服應該是逐步會取代人工客服。

許多銀行的網點中，會有一個移動的機器人進行業務的引導，並且陪客戶聊天，介紹業務。體現了銀行的高科技性，後續慢慢也會成為網點標配，減少了大堂經理的工作量。另外在有些銀行的熱線電話也已經取消了語音選單引導，只需要說出想做的事就自動導航到了對應的語音服務中，提高了客戶服務效率。

3.決策層

在決策層，人工智慧技術應用也很廣泛，比如在策略型遊戲、量化投資、風險決策等方面已有廣泛應用，但效果各有不同。

2016年招行推出了“摩羯智投”引領了智慧投顧，後續工行、江蘇銀行等都持續跟進，通過巨集觀市場、股票市場、基金等分析，根據客戶的風險等級進行投資組合推薦，客戶可以一鍵購買或換倉。

但是國際風雲變幻、金融市場瞬息萬變，中國每年投資收益前10名的基金都不相同，智慧投顧產品也並沒有跑贏指數或者有明顯高於平均的收益。正所謂“一頓操作猛如虎，不如推特看川普（Trump）”。因此對於不確定性的金融投資市場，智慧投顧還有許多路要走。

那在風險欺詐、信用模型評分方面，隨著客戶行為資料以及關聯絡統越來越多的被數字化以及網際網路化。使用者量上億、模型變數從幾十個已經變為上萬個，因此有了機器學習以及AI技術的用武之地。特別在反欺詐方面，深度神經網路、XGBoost、GBDT等演算法應用也越來越多，提高了欺詐識別率。

那為什麼在風險欺詐模型中比較有效，在智慧投顧中效果不明顯呢，我覺得可能有一個原因是智慧投顧中變數有效性及權重的時效太短，每天國際時政、金融市場的訊息太多，微觀上還有許多未被披露的事項，比如內幕交易等。

那對於變數的選定非常困難，即使歷史資料擬合的很好，但是新的因素出現，以往的變數就不再有效了。

在風險識別中變數的有效性較長，新的欺詐事件出來後也能迅速找到相關的變數，並增加到模型中，通過持續監控和不斷的優化模型還是能保持較好的效果。隨著AI的學習能力以及資料積累和新的演算法出現，未來的AI能給我們帶來更大的驚喜，也許那時市場上都是機器人來幫助客戶進行投資和決策。

AI目前也是每個銀行的重點應用方向之一，技術的突破會帶來整個行業的格局變化，4G時代手機銀行APP已經逐步取代網銀和櫃面，5G時代可能某個渠道就會取代手機。因此在AI技術方面除了關注技術發展，也需要探索通過AI技術應用到銀行業務流程、分析決策過程中。

因此搭建或引入AI平臺是基礎之一。那目前國內許多AI公司都在做AI平臺，包括阿里、華為和騰訊雲也都提供AI的雲平臺和SAAS服務。那AI平臺主要功能有：

1.資料層：

即需要對接資料倉庫，將資料獲取到AI平臺進行分析和建模，AI平臺目前大部分支援基於HADOOP進行機器學習和建模，且分析時會耗費較多機器資源，因此需要和資料倉庫的生產批處理分開，將資料從資料倉庫載入到AI平臺上。

2.演算法層：

主要是支援主流的機器學習演算法，包括深度神經網路、SVM等，也可以增加自我研發的新演算法。那AI平臺上的演算法和一般和PYTHON、R的演算法效果一樣，但實現不同，因為AI平臺需要支援分散式的HADOOP平臺，支援超大資料量的計算和線性擴充套件。因此在演算法的實現上更加複雜，對效能要求更高。

同時在建模過程中，最大一部分精力在於資料的預處理，如缺失值處理、特徵的篩選等。也需要提供常見的資料屬性分析和預處理的處理方法，提高建模自動化程度。

3.感知、理解應用：

即針對影象識別、語音識別、人臉識別、自然語言處理等感知和語言理解內建高效演算法，通過資料訓練可以達到較精準識別的效果。以便銀行內部使用用來進行自有客戶資料的識別。如發現本行憑證的OCR識別率下降，可以用最新的影象資料進行訓練獲得最新的模型引數，更新OCR識別演算法。

4.模型管理和探索：

（1）模型的分類儲存和管理，如按營銷、風險等標籤或分類進行儲存，支援許可權管理，同時也需要將測試資料集也進行儲存，以便後續重新建模或進行優化；

（2）建模視覺化，即通過拖拽的方式進行建模流程的作業排程和配置，並在執行時能顯示各步驟的執行情況和輸入輸出。提高建模效率。

（3）AUTOML：自動建模，目前也是業界探索比較多的一個方面，即通過輸入模型訓練集和測試集，自動進行演算法選擇並對各演算法結果進行測試集驗證，選擇訓練集擬合較好且測試集表現良好的模型。

（4）內建成熟業務模型：如果有成熟的業務模型如風險欺詐、信用評分卡等，也可內建在AI平臺中，銀行人員可以基於內建行業模型進行優化，基於成熟方案提高建模速度和效果。

5.模型生產應用：

（1）一鍵部署：通過定義輸入和輸出，需要能生成呼叫程式並自動部署到生產環境，提供模型服務。部署的環境及伺服器可以進行指定。

（2）支援模型熱部署：由於許多模型在使用時需要7*24小時，因此需要支援模型變更部署時不間斷服務。

（3）模型效果監控，可以針對模型輸出和預測的最終結果進行比對，進行模型有效率的統計，監控效果，同時也可以用最新的資料及結果每天進行模型引數調優，並自動熱部署到生產環境。隨著資料積累越多，則效果也會越來越好。

AI平臺和自助資料分析平臺建議分開不同HADOOP叢集。AI運算特別是GPU的運算資源消耗較大，因此需要避免競爭資源導致業務分析和AI效能不足。第一章節提到的資料湖中的非結構資料可以通過AI平臺進行分析處理。

AI是目前資料分析發展的重要方向，也是資料倉庫資料價值挖掘的一個重要途徑。隨著分散式計算的發展，計算能力的增加以及5G時代的到來，AI的發展也將會出現百花齊放的格局，更多的AI應用也將豐富我們的生活。