人工智能（ArtificialIntelligence）是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。隨著計算機性能以及深度神經網絡技術的發展，大數據概念的普及，AI成了很近幾年投資界和互聯網的風口，ALPHAGO戰勝了柯潔更是AI發展的一個里程碑，標志著在棋類運動中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。圖像OCR技術成熟較早，在銀行柜面運營檢查中，會通過圖像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。在線開銀行二類戶時，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采用圖像識別技術。
（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件就可以實時翻譯。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，后續客戶登錄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，二類戶遠程開戶、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，后續技術完備成熟后，監管部門認可放開后，以后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、物之間的關系。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么正確的場景中，如客服、智能音箱、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，主要用往返答用戶提出的問題，同時也會根據 關鍵字列出相關問題，假如客戶不滿足則會再引導到人工客服。從應用的情況來看，對于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。
但是對于復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，后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，并且陪客戶聊天，介紹業務。體現了銀行的高科技性，后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菜單引導，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，人工智能技術應用也很廣泛，比如在策略型游戲、量化投資、風險決策等方面已有廣泛應用，但效果各有不同。
2021年招行推出了“摩羯智投”引領了智能投顧，后續工行、江蘇銀行等都持續跟進，通過宏觀市場、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。
但是國際風云變幻、金融市場瞬息萬變，我國每年投資收益前10名的基金都不相同，智能投顧產品也并沒有跑贏指數或者有明顯高于平均的收益。正所謂“一頓操作猛如虎，不如推特看川普（Trump）”。因此對于不確定性的金融投資市場，智能投顧還有許多路要走。
那在風險欺詐、信用模型評分方面，隨著客戶行為數據以及關聯系統越來越多的被數字化以及互聯網化。用戶量上億、模型變量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。尤其在反欺詐方面，深度神經網絡、XGBoost、GBDT等算法應用也越來越多，提高了欺詐識別率。
那為什么在風險欺詐模型中比較有效，在智能投顧中效果不明顯呢，我覺得可能有一個原因是智能投顧中變量有效性及權重的時效太短，天天國際時政、金融市場的消息太多，微觀上還有許多未被披露的事項，比如內幕交易等。
那對于變量的選定非常困難，即使歷史數據擬合的很好，但是新的因素出現，以往的變量就不再有效了。
在風險識別中變量的有效性較長，新的欺詐事件出來后也能迅速找到相關的變量，并增加到模型中，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的學習能力以及數據積累和新的算法出現，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柜面，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、華為和騰訊云也都提供AI的云平臺和SAAS服務。那AI平臺主要功能有：
1.數據層：
即需要對接數據倉庫，將數據獲取到AI平臺進行分析和建模，AI平臺目前大部分支持基于HADOOP進行機器學習和建模，且分析時會耗費較多機器資源，因此需要和數據倉庫的生產批處理分開，將數據從數據倉庫加載到AI平臺上。
2.算法層：
主要是支持主流的機器學習算法，包括深度神經網絡、SVM等，也可以增加自我研發的新算法。那AI平臺上的算法和一般和PYTHON、R的算法效果一樣，但實現不同，因為AI平臺需要支持分布式的HADOOP平臺，支持超大數據量的計算和線性擴展。因此在算法的實現上更加復雜，對性能要求更高。
同時在建模過程中，很大一部分精力在于數據的預處理，如缺失值處理、特征的篩選等。也需要提供常見的數據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：
即針對圖像識別、語音識別、人臉識別、自然語言處理等感知和語言理解內置高效算法，通過數據練習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數據的識別。如發現本行憑證的OCR識別率下降，可以用很新的圖像數據進行練習獲得很新的模型參數，更新OCR識別算法。
4.模型治理和探索：
（1）模型的分類存儲和治理，如按營銷、風險等標簽或分類進行存儲，支持權限治理，同時也需要將測試數據集也進行存儲，以便后續重新建模或進行優化；
（2）建模可視化，即通過拖拽的方式進行建模流程的作業調度和配置，并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，即通過輸入模型練習集和測試集，自動進行算法選擇并對各算法結果進行測試集驗證，選擇練習集擬合較好且測試集表現良好的模型。
（4）內置成熟業務模型：假如有成熟的業務模型如風險欺詐、信用評分卡等，也可內置在AI平臺中，銀行人員可以基于內置行業模型進行優化，基于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，需要能生成調用程序并自動部署到生產環境，提供模型服務。部署的環境及服務器可以進行指定。
（2）支持模型熱部署：由于許多模型在使用時需要7*24小時，因此需要支持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猜測的很終結果進行比對，進行模型有效率的統計，監控效果，同時也可以用很新的數據及結果天天進行模型參數調優，并自動熱部署到生產環境。隨著數據積累越多，則效果也會越來越好。
AI平臺和自助數據分析平臺建議分開不同HADOOP集群。AI運算尤其是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性能不足。第一章節提到的數據湖中的非結構數據可以通過AI平臺進行分析處理。
AI是目前數據分析發展的重要方向，也是數據倉庫數據價值挖掘的一個重要途徑。隨著分布式計算的發展，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。
文章地址：http://www.meyanliao.com/article/online/8488.html
