返回首页
金融创新CURRENT AFFAIRS
金融创新 / 正文
人工智能+金融释放无限可能

  有观点称,金融是人工智能(AI)最佳的落地场景之一。近年来,国内外较早布局人工智能的金融机构已尝试将人工智能应用贯穿于整个业务体系。比如,银行业从外围的厅堂机器人、在线客服、柜面人脸识别等场景,到产品开发、营销、风控以及客户服务等核心流程。

  专家认为,尽管人工智能等技术应用是推动金融业变革的动力之一,但包括人工智能在内的技术本身仍存在一定局限性。

  科技渗透传统金融行业

  “我国信息化水平的提高,使得金融业与人工智能的融合达到前所未有的高度,这对于传统银行来说既是挑战也是机遇,传统金融业‘三高一低’,即劳动力密集度高、人员管理成本高、业务门槛高及用户体验低等面临调整。”360金融大数据总监苏绥告诉《金融时报》记者。

  苏绥认为,金融机构加快运用大数据、云计算、人工智能等金融科技手段进行改革是大势所趋,这也是金融科技行业深入参与新金融的风口。

  “虽然谈到金融科技时,人们更关注新兴业态与产品,但是技术创新早已成为金融变革的主线。”国家金融与发展实验室副主任杨涛说,“新技术对金融的影响已经深入金融行业各个领域。”

  据介绍,自2016年人工智能被总结出算法、算力、数据的三要素之后,2017年,场景的价值也备受热议。对此,苏绥表示,AI只是一种技术,而不是最终产品,只有和具体业务及场景结合起来,才能发挥其价值。目前,生物、语音等技术已经大规模应用于金融领域。

  对于人工智能技术在金融领域的发展运用,《中国金融科技运行报告(2019)》(以下简称《报告》)概括为三方面:其一,由外围向核心业务渗透,由感知向决策类应用扩展;其二,推动金融行业向数字普惠化演变;其三,人工智能引领监管科技潮流。

  人工智能+金融的落地运用

  如何真正将技术“可实现、易落地”,金融行业一直在探索实践中。

  中国工商银行2017年便成立了包括人工智能在内的七大创新实验室,2018年又建立了人工智能平台,可以实现自主构建覆盖营销、反欺诈、审批、贷后管理、运营等全生命周期的AI业务场景应用。近期,广西北部湾银行与神州信息联合进行“基于知识图谱技术的商业银行智慧服务治理应用研究”课题,构建出了金融服务知识图谱模型,在这套模型指导下,可以快速了解整个银行业务和服务治理的标准,轻松解决系统重复建设、知识欠缺等难题。

  再以金融科技行业为例,360金融在智能获客、智能营销、智能风控及智能催收等方面开展了AI实践。据介绍,360金融智能风控自动化过件率达97%,其中,地址热力图和复杂关系网络系统发挥了支撑作用。地址热力图,即依托于地图的底层数据,通过对城市中单位范围所包含的设备接入数量进行颜色标示、升维等操作,将多种变量结合起来,进而形成依据每个点的GDP信息综合分析,判断出客户风险的大小。“颜色越深代表人口密度越大,通过业务发现,人口密度相对较低的区域,风险会相对更高。”苏绥解释说。

  杨涛认为,从技术与金融相结合的业务场景看,需关注两方面,一是底层重大技术,包括大数据技术、人工智能技术、互联技术、分布式技术、安全技术以及一些尚在发展中的前沿技术;另一方面是典型的金融需求场景,如金融安全与金融监管、支付结算、融资产品与服务、智能营销与服务优化、智能投顾与财富管理等。

  人工智能+行业的未来

  在苏绥看来,人工智能将成为像水、电、煤一样的基础设施,没有AI能力的企业会被边缘化。

  “从行业角度看,未来的竞争是综合能力的竞争,包含流程、效率等在内的产品体验将会成为重要的衡量标准。金融行业正在表现出去人工化、在线化和智能化趋势,从而进一步解决金融服务的广度、深度和满意度的问题。从技术的角度出发,各种行为数据将会被更加充分地利用。目前传统金融机构积累的大量纸质化信息的价值尚未被完全发掘,非结构化数据的应用将改变数据的结构化价值。此外,大型企业和中小公司都将在数据处理、发掘、打通环节中发挥不同的作用。”苏绥说。

  《报告》认为,2019年,人工智能行业面临“期中考试”,业界对人工智能的要求不再是“仰望星空”,而是要规模化落地,为社会创造出新的价值。对于阻碍人工智能行业规模化落地的门槛,《报告》认为有四大类:数据安全与隐私保护、数据门槛、人才门槛和成本门槛。

  杨涛认为,从微观层面看,既要关注新技术引入后原有金融机构、产品的风险特征是否有变化,也要探讨新技术自身的风险以及互联网、大数据环境下的新型金融风险。

  在业内人士看来,人工智能也存在一定瓶颈或漏洞。西密歇根大学教授、深信科创创始人杨子江告诉《金融时报》记者:“AI的研究已经很久了,之所以很长时间没有进展,因为以前的研究是基于语义的理解,它试图理解一个问题,再作出相对应的理解之上的反应,但是这个路很难往下走。近年来,人工智能突飞猛进的发展,主要就是基于机器学习,基于大数据,并不是真正理解你的问题。但是,仅仅基于大数据的学习并不是特别完备的组合,比如,2017年特斯拉的自动驾驶车辆刚亮相1小时,就与一辆卡车相撞,原因是在于车载机器学习软件把白色卡车错误识别为蓝天白云。所以说,不是具体应用上的不足,而是这一学科本身还存在着不足和瓶颈。”

  苏绥表示,关于AI存在的漏洞,比如最近经常提到的人脸和活体验证,理论上肯定有破解方法。“但技术是在不断迭代改进的,防范技术也会提升,再加上硬件升级,比如3D光镜头,破解将会越来越难。”苏绥说。

责任编辑:袁浩