浅议人工智能银行

　　人工智能（Artificial Intelligence）是研究并开发用于模拟和延伸人类智力与能力的理论、方法、技术及应用系统的新技术科学。人类智能很复杂，涉及内容也十分丰富，不仅是智力，还有思维、意识、学习、创造等方方面面，因此实现人工智能包括两个步骤，一是结构模仿，仿照人脑的基础构造原理制造出“类人脑”的机器人，能够理解与记忆；二是功能模拟，是对人脑思维过程的模拟，包括思考、意识、联系、判断等，主观性与经验性比较强的学习与创造是难点。人工智能的最大优势在于规避人类情绪、感情等的干扰，做出更加理智的决策判断，其最早于上世纪50年代被提出，是现代科学技术发展到一定阶段的产物，更是大数据与云计算的综合应用体现。

　　在银行的应用现状人工智能与大数据、云计算、区块链等技术是银行在科技创新领域关注与研究的核心，也是金融科技的重要组成部分，多家银行已将智能化作为未来转型与发展的方向之一，希望以此在优化客户体验、提升运营管理能力、降低经营成本、驱动业务模式创新等方面发挥积极作用。

　　目前人工智能在银行的应用主要集中于四个方面：

　　1、智能客服。人工智能技术则可以通过语音识别、自然语言处理和图像识别系统提供智能机器服务，将客服中心和柜台的大量人工解放出来，还可通过智能巡检替代人工监控，从而促使商业银行的零售业务由劳动密集型转变为资本密集和智力密集型，大幅提升运营效率，降低服务成本。典型的应用场景有基于语音识别和人脸识别技术的智能客服、柜员业务辅助、大堂智能引导等。

　　2、智能网点。相比智能客服，智能网点更需要依靠大数据分析与科技创新进行“以客户为中心”的深度信息挖掘与整合。第一，服务设备智能化，通过智能化基础设施与设备承担更多标准化、高频率、低风险的基础服务，且交互页面更友好、更简便，例如，排队叫号机除基本功能外，还可进行客户识别、信息记录与传输，同时进行业务分流与整合；多家银行推出的智能机器人可代替传统大堂经理回答客户基础业务咨询；自助存取款机与远程柜员机（VTM）可承担自助开户、存取款、转账及缴费等基础业务办理；产品领取机可提供银行卡、U盾等重要物品的领取服务，通过多种方式组合的智能化服务，客户办理基础业务的时间缩短至1-3分钟，体验更好，满意度更高，对于银行而言，有效提高效率、降低成本。第二，信息管理智能化，这是智能网点的核心内容，需要以十分强大的客户信息整合、分析能力以及银行各级机构、部门的互联互通、协同配合为保障，本质是对银行经营资源的全面化、通透式管理。银行的大数据系统要足够强大，全面收集客户线上、线下各渠道基础信息、交易记录、行为轨迹甚至外部信息等，借助大数据分析技术，对客户进行综合化、多角度画像与分析，准确识别与判断客户在不同时期的不同需求甚至潜在需求，在此基础上，将相关信息与结论分类有序传递至互联互通的线上与线下各系统、渠道。当客户到达网点，工作人员能够快速、准确调出相关信息、解决方案、风险提示与建议等，以此为切入点与客户高效互动，进行精准营销与个性化服务，可以说，银行要“比客户还了解客户”，服务“永远比客户提前一步”。智能网点不仅让客户满意、省心、感动，还能根据对客户反馈的全面分析研发新产品、优化流程、改进服务等，促使银行经营管理与客户需求的契合度更高，促进“以客户为中心”服务理念落地，也是互联网时代，银行掌握“客户流量”进行深度经营的有力武器。第三，线上线下一体化，互联网时代，任何行业都不应该忽视线上与线下结合的经营模式，两类渠道各具特点、有机互补，方能达到最佳效果。根据发展趋势来看，柜台将更多承担大金额、高风险、个性化的复杂类业务以及顾问等延展性职能，电子渠道更多承担标准化、小金额、高频率的简易化业务，两方面应形成良性互动与互补，具体而言，基于对客户的全方位信息掌握与立体化分析，银行前后台部门、总分支三级机构实现互联互通、高效协同，将线上渠道引入的高价值客户、特色活动等依据智能模型自动向线下引导，将线下客户的标准化业务自动向线上渠道引导，实现资源最优配置与客户体验优化，例如，通过直销银行等互联网平台引入的高价值客户借助智能分析引导其向银行网点迁移，挖掘其更深入价值；通过银行电商平台与网点有序的智能化信息交互，为客户提供适时适度的“金融+生活”一站式服务等。

　　3、智能投顾。是指银行基于丰富的数据沉淀与积累，根据客户的基本信息、风险承受能力、收益目标及风格偏好等，运用一系列智能算法及投资理论模型等，为客户提供的投资依据、方案与预测，相当于人工智能+投资顾问的结合体。完整的智能投顾应包含四要素：一是通过大数据分析获得客户在不同时期的资产状况、风险偏好、其他日常信息等；二是根据丰富多样信息，预测未来一定阶段客户的收支情况，结合其现实需求，运用一系列算法模型量身定做个性化资产配置方案，从资产池中进行选取、组合与资产管理，主要适用于标准化资产；三是在资产管理过程中，根据外部环境变化、客户自身关键要素变化等进行实时跟踪、评估与调整；四是有效平衡好收益、风险与发展的关系，在客户可承受的风险范围内实现收益最大化。对于客户而言，可以“零基础、低成本”实现“高效率、专家级”的动态资产配置。目前，已有部分银行推出智能投顾平台，但多数并非真正意义的智能投顾，根据少量信息进行简单的产品推荐，且未能实现动态调整，主要受制于大数据收集、整合与分析能力尚不完备，机构间联动发展程度不高导致标准化资产种类、数量偏少，总体来看，智能投顾在银行的发展依然处于初级阶段。

　　4、智能风控。无论模式如何创新与演变，银行经营的核心始终是风控永远不会改变，人工智能同样为银行风控插上飞翔的翅膀：一是生物识别技术：基于人体独一无二生理特征的生物识别技术相比传统密码验证安全性更好，例如，指纹、人脸识别已进入应用阶段，需进一步依靠人工智能的技术能力提升验证准确性与稳定性，虹膜与DNA验证的稳定性更高，正在获得更多关注，随着智能技术的日渐成熟，在确认客户身份、保护交易安全方面潜力无限。二是智能评分模型：基于大数据整合，利用人工智能的搜索、计算、联系、学习等能力并结合银行传统信贷审批模型，构建对客户的自动化信用分析与评定模型，立体化描述客户信用情况，目前主要应用于互联网融资服务，在全面、快速、便捷等方面优势突出，是践行普惠金融的重要举措，亦离不开银行各部门的资源共享、通力合作。三是预测与反欺诈：主要指基于大数据技术，将不同来源的结构化与非结构化数据进行整合，强化智能计算机主动、深度学习与联系能力，从复杂的数据中自动锁定目标、识别分析、预测趋势、提前预警，构建起全方位的智能化交易与反欺诈预测知识体系与响应机制目前部分银行尝试应用于信用卡欺诈交易识别和交易变化趋势预测方面，有助于提高分析和预测的准确性。

　　当前银行智能化走向深入的核心与难点集中于两方面：技术层面在于大数据整合、分析与以云计算为代表的算法模型建立与持续优化；经营层面在于银行内各机构、各层级甚至与其他各类金融机构的全面互联互通。目前来看，银行智能化发展尚处于探索阶段，距离成熟化应用还有一定差距，更多蕴藏的奥秘与能量有待挖掘。

　　2017年3月，“人工智能”首次被列入李克强总理的政府工作报告中，6月我国新一代人工智能发展规划已编制完成。从银行经营发展角度而言，人工智能提高效率、降低成本、防控风险优势明显，符合互联网时代银行向数字化、轻型化方向转型的探索，发展前景值得期待。与此同时，也要辅以监管政策的与时俱进，保障人工智能技术与应用合法、稳健发展。

　　国务院于2017年7月印发《新一代人工智能发展规划》，明确了我国新一代人工智能发展的战略目标：到2020年，人工智能产业成为新的重要经济增长点；到2025年，人工智能成为我国产业升级和经济转型的主要动力，智能社会建设取得积极进展；到2030年，成为世界主要人工智能创新中心。

　　人工智能如何落地银行业？基础的数据处理必不可少，在国务院印发的《新一代人工智能发展规划的通知》中也表示，需要建立包括知识图谱等新一代人工智能关键共性技术体系。自然语言处理、知识图谱、机器学习让人工智能拥有了理解能力与思考能力，也是海致这样的公司所推出的智能金融解决方案在银行业成功推进的三大核心技术。

　　自然语言处理（Natural Language Processing，简称NLP）是用计算机来处理、理解以及运用人类语言（如中文、英文等），包括两个方面：一是让机器识别人类的语言，不论是语音，还是文字，机器需要理解人类所表达的意思；二是机器以人类能够理解的方式将信息生动的传达给人类，例如智能客服、佛教贤二机器僧等应用场景。海致将NLP技术应用到核心的金融业务场景，例如信贷报告解析、客户经理任务集、竞价报告等。

　　关于知识图谱，在2017年9月27日-28日《金融电子化》杂志社主办的“第四届中国互联网金融发展战略研讨会”上，交通银行、工商银行、农业银行介绍了其在客户社交关系网、信贷与风险等方面的应用。世界是一个复杂关系的总和，一切事物都在动态地变化，在关系中不断的发生交互，不论是企业还是个人，还包括银行，需要从这样的动态变化关系当中去控制风险、寻找商机。

　　机器学习是一种能够赋予机器学习的能力，以此让它完成直接编程无法完成的功能的方法。从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。例如，A为违约客户，B、C、D与A有着关联关系，结合银行担保关系数据、资金流向数据等内部特征，以及企业基本属性、涉诉信息、舆情等外部特征，通过机器学习方法计算可得到A违约后B、C、D违约的概率，从而及时切断传播路径。

　　在新一代信息技术以及经济社会发展需求的共同驱动下，人工智能加速发展，持续引发全球关注。当前，围绕人工智能的技术与应用已开始渗透各行各业，银行业凭借海量数据和多维度应用场景给人工智能的发展应用提供了优良的“土壤”。同时，在银行业传统盈利模式受到利差收窄、互联网金融蚕食和不良率攀升等冲击的影响下，也正需要人工智能技术来助推银行业加速转型，消除其转型发展过程中面临的“痛点”。通过语音识别、知识图谱、机器学习与神经网络技术等一系列人工智能新技术的广泛应用，银行业将在规模化快速分析、精准服务、风险管控等方面焕发新的活力与生机，具备更好的服务展现力、更强的分析洞察力和更优的自我表现力。

　　人工智能人工智能的发展从开始到现在，经历了三个阶段，第一个阶段我们叫做计算智能，这个阶段要解决的事情，叫做能存会算。第二个阶段是感知智能，这个阶段是能听会说，能看会认。第三个阶段往下发展应该叫认知智能，要达到什么样的程度呢？要能够理解、会思考，我觉得这个是最高级的境界，目前我们正在往这个方向努力。

　　 实际上，我们对整个世界的看法，从横向来看，可以把它分为可统计和不可统计的事物。从纵向来看，可以分为可推理和不可推理的事物。从可统计到不可统计，可以通过一些事件举一反三。从可推理到不可推理，就是去做模糊识别的工作。人工智能用到很多方法，比如从可统计到不可统计，现在用的非常多的方法是机器学习，从可推理到不可推理，用的解决方法是神经网络。

　　 为什么当前人工智能发展叫做新一代人工智能？因为AI1.0做的人工智能，只是解决了可统计可推理的事物。要发展到不可统计不可推理，就是现在的AI2.0去解决的。以前我们说，机器学习和神经网络解决了部分问题，但还是有很多问题没有解决。这两个东西怎么结合起来？我们现在叫深度学习，深度神经网络，包括各种各样新的方法，这个就是现在2.0研究的。但能够看到，2.0边界还是没有解决第四象限的问题，也就是那些既不可统计又不可推理的事物，这个我们暂时解决不了。

　　 五大基础方向分别是大数据人工智能、群体智能、跨媒体智能、人机混合增强智能和自主无人系统。四大智能应用分别是智能制造、智能农业、智能医疗、智慧城市。我们的工作重点是实现其中的大数据功能。

　　 大数据智能。我们会发现，其实从信息经济向数字经济转变的过程，就是从人工知识到大数据驱动学习迈进的过程。

　　 跨媒体智能，是从单一数据到跨媒体认知、学习和推理，要解决就是包括视频信息、语音信息、图片文本在内的各种各样的海量信息，这些知识怎么关联，怎么学习，怎么推理，这就是跨媒体智能要解决的问题。

　　 群体智能。AI1.0是个体智能，现在强调群体智能，个体解决不了，群体发挥作用。

　　 （1）人机混合增强智能，大家经常看电影，X战警、未来战士都是人机混合，换上机械手臂变得非常强，这里就是一个混合增强智能。这个已经有很多研究成果，目前主要应用在人的康复等方面，比如用意念控制的机械手等。

　　 第五个是自主无人系统，包括无人汽车、无人战机等。这是新一代人工智能五大基础研究方向。

　　（2）大数据大数据如何驱动新一代人工智能？大数据是如何驱动人工智能的呢？随着社会发展，我们各种各样的信息和数据都在数字化，数字本身也在资产化，所以我们看到，大数据在人类社会，包括物理空间还有信息空间逐渐开始融合，我们把它叫做CPH空间。实体经济与虚拟经济紧密结合，比如智慧城市、智慧医疗，这是海量数据带来的新挑战。

　　 数字经济是指以使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术（ICT）的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动，这是2016年在杭州G20峰会发布的“数字经济倡议”里的定义。

　　 对于数字经济这个概念，马化腾提了5个特征。第一，数据成为驱动经济增长的核心要素。第二，数字基础设施成为新的基础设施建设。第三，数字素养成为对劳动者和消费者的新要求。第四，供给和需求的界限日益模糊。第五，人类社会、物理空间和网络空间日趋融合，很难分割，各种各样的东西都在数字化。

　　 从信息经济到数字经济，大数据驱动人工智能不断发展，主要为了建立驱动数据和知识引导的智能计算平台和方法，形成从数据到知识，从知识到智慧这样一个逐步上升的过程。其实，我们看人工智能发展的三个阶段，从计算智能到感知智能再到认知智能，本质就是从数据到知识再到智慧的过程。这是我们的大数据智能要解决的问题。

　　 （3）人工智能如何影响金融业？

　　 在大数据驱动人工智能发展背景下，金融业也迎来了新的挑战和变革，我们把它叫做新金融。所谓的新金融是指，传统的金融业务在与互联网技术包括大数据、云计算、人工智能技术融合下，产生新的金融生态、金融服务模式和金融产品。 新金融面临哪些挑战？我们把所有的金融都归纳成四个角色。第一个角色是资金需求方，第二个角色叫做资金供给方，第三个角色是金融中介，第四个是管理机构。这四个角色面临的四大挑战分别是安全、风控、获客、效率。人工智能怎么解决？金融怎么解决？它们之间互相碰撞，会产生什么样的火花呢？

　　 首先对于安全来说，主要包括几个维度的安全，一个是金融监管领域问题，第二个是金融本身的系统安全，包括我们整个金融系统在运营过程中产生的风险，第三是互联网本身的技术安全。

　　 第二是风控，各个金融机构，无论是银行、互联网金融平台，还是私募基金、保险等，都会面临风控问题。传统做法是通过风险对冲，怎么对冲？银行最喜欢做的是房产抵押，风险对冲很容易。但是在互联网上，没有这些东西做抵押，怎么办？这个时候就要通过大数据和人工智能的方法。还有异常检测，通过大数据和人工智能为用户进行信用评估的时候，可能会碰到不良分子攻击评估体系，所以会有异常检测。再有就是大数据征信。

　　 第三个挑战我们讲效率，人工智能和大数据在效率上能做什么呢？第一个是业务的自动化，比如美国高盛公司在金融中心的营业厅，以前有一百多人，现在可能只需要两三个人，因为全部都是数字化、智能化，根本不需要营业人员。第二就是中介会越来越少，会被优化掉。

　　 第四个挑战是获客，获取服务和服务客户，这里面会涉及到人工智能。比如做客户大数据的画像，什么样的客户我愿意给他提供金融服务。第二个维度就是智能定价，同样的保险公司，同一个险种，卖给不同的人可以是不一样的价格。第三是客服机器人。为什么客服机器人这么重要？我们都知道双十一这么多的用户，如果同时人工服务，可能要几千上万的客服才能解决，会碰到很多问题。但机器人基本上可以回答初步的问题。

　　 在解决过程中，不管做研究还是做产业，都会碰到一个挑战，就是大数据的挑战。

　　 第一，传统的金融学和经济学基本上是通过抽样的方式来做样本分析，然后进行一些统计分析，数据量非常小。而且传统金融学和经济学的研究方式注重因果关系的验证，先假设一个结论，通过数据分析最后来验证这个结论，所以它是基于假设检验和统计检验的统计方法。但是，在大数据背景下就不是这样了。以前讲信息不对称的博弈，现在变成了数据不对称的博弈。比如今年在杭州，很多互联网金融公司接入蚂蚁金服的数据，做很多业务，但是后来这个行业出现了一些问题，蚂蚁金服把这个接口停掉，很多公司就没有办法做业务了，这个就是数据控制在谁的手里。

　　 第二，从相关关系到因果关系的深化。原来我们做数据分析的时候，可能经常听到是“啤酒加尿布”的概念，但是现在往往要深入到因果关系的挖掘层面。

　　 第三，在统计分析和建模过程中我们发现，传统的建模变量非常少，但是在新场景里，建模维度非常高，上万个维度都有可能。在这种情况下我们怎么处理，怎么降维，怎么找到核心特征，就变成现在很多产业、企业非常重视的问题。

　　 总之，对金融科技来讲，人工智能和大数据已经深刻影响了金融的方方面面，比如借贷，包括区块链和加密市场、监管科技、个人金融，包括支付和结算、保险，还有金融市场、个人财富管理、转账、实物抵押等，不同的金融场景都受到了大数据和人工智能的影响。（浙江大学人工智能研究所  郑小林）

　　人工智能产业生态：应用层（服务机器人、智能家居、金融、安防、智能驾驶）、技术层（自然语言处理、计算机视觉、语音处理、图谱/os/平台）和基础层（AI芯片、传感器）。

　　 人工智能市场规模增速、“AI+金融”机遇与挑战并存（金融行业信息业建设起步较早，极其重视IT标准化规范化；金融业务有了大量数据积累，数据处理上急需自动化、智能化解放人力；金融普惠化、场景化需要人工智能驱动。技术的界限难以界定，市场也有较强不确定性，AI方面揉入面临较多不确定因素）。

　　 人工智能技术条件：1、运算速度足够快；2、数据足够丰富；3、算法突破性进展。

　　 目前，传统金融机构运用人工智能进行科技项目实施所面临的现实问题：

　　 （1）、人才储备落后：AI抢人大战，高薪、互联网企业流向。

　　 （2）、合作外包困境：大中型传统软件商AI能力疲倦；初创型公司有活力、但合作风险高；互联网巨头2B经验不足，甲方思维。

　　 （3）、技术与场景的结合能力堪忧：由于不了解技术，场景想象空间有限。

　　 常规的金融信息化三步走：电子化、在线化、智能化。电子化借助在线化向智能化实现跨越式发展。

　　用人工智能在区域性商业银行大零售领域的应用，会提升数据的处理效率、加深对信息把握的深度和广度、有效减少人员耗费和时间成本，从而提高业务绩效。

　　有些银行重视新技术为其带来的新商业模式和盈利的新方式，而有些银行则将节省成本作为其首要目标，人工智能（AI）对于银行业来说并不陌生。如果我们认为人工智能的定义是机器互动和学习完成人类先前完成的任务的能力，那么AI的历史可以追溯到银行业的50年代。通过机器互动和学习，自然语言可以被处理，而且决策的速度比以前更快，更准确。

　　人工智能的成果之一是随着时间的推移，机器学习随着时间的推移而提高，并取得了更积极的结果。事实上，来自Google的Ray Kurzweil预计，到2019年，人工智能将超越人类智能。尽管取得了这样的成就，几乎所有行业都取得了成功，但银行业采取了更谨慎的态度。

　　由于能力和业务需求，对人工智能的兴趣增加了。结构化和非结构化数据的爆炸式增长、云计算和机器学习算法等新技术的可用性、新竞争带来的不断上升的压力、监管的加强和消费者预期的提高，为金融服务中人工智能的扩大使用创造了“完美风暴”。

　　在银行和信用社，人工智能的好处是广泛的，可以追溯到办公室的运营、合规、客户体验、产品交付、风险管理和市场营销等方面。突然之间，银行组织可以为每个决策提供大量的数据历史。

　　对于人工智能在金融机构的应用，光有技术是不够的，不管多么先进的理念，大数据也好，AI也好，要想为某个行业创造真真正正的效益，必须要和这个行业的业务场景有一个深度的结合。否则的话，技术只能停留在概念阶段。人工智能业务场景已经能够深入到银行的日常业务流程当中，让银行从大数据中真正获益，创造出真正的效益和价值。

　　智能金融解决方案基于最新图数据库和图计算开源技术构建，并能够快速适应不同的业务场景，已经在很多家城市商业银行真正落地，与银行的业务系统紧密结合，并且成为业务流程当中的一个部分，这是在国内的金融科技公司当中能够独树一帜的优势所在。

　　人工智能将融合大数据、云计算技术，对数据信息的收集、识别、判断实现实时处理。由此，用户的日常金融行为可被迅速数字化收纳到银行的数据池中，经过人工智能的即时处理，对个人信用产生边际影响，最终形成客户的自我征信体系，防控潜在风险。同时，深度学习技术可利用海量金融交易数据，自动识别欺诈交易行为，进而实时拦截，以降低风险。典型应用场景有基于知识图谱技术的征信与风险控制、反欺诈等。