不懂人工智能都怪你沒有看過阿里金融架構(gòu)師的深度分析

人工智能（ArtificialIntelligence）是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。隨著計(jì)算機(jī)性能以及深度神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，大數(shù)據(jù)概念的普及，AI成了很近幾年投資界和互聯(lián)網(wǎng)的風(fēng)口，ALPHAGO戰(zhàn)勝了柯潔更是AI發(fā)展的一個(gè)里程碑，標(biāo)志著在棋類運(yùn)動(dòng)中AI已經(jīng)超越了人類。那AI技術(shù)在銀行中有哪些應(yīng)用呢？

1.感知層

（1）在感知方面，AI技術(shù)已經(jīng)比較成熟，接近甚至超越了人類的平均水平。在各行各業(yè)已經(jīng)廣泛運(yùn)用。圖像OCR技術(shù)成熟較早，在銀行柜面運(yùn)營(yíng)檢查中，會(huì)通過圖像識(shí)別技術(shù)將憑證的金額和客戶簽名進(jìn)行識(shí)別，與憑證的業(yè)務(wù)流水進(jìn)行自動(dòng)核對(duì)。在線開銀行二類戶時(shí)，也會(huì)通過上傳身份證照片以及銀行卡來自動(dòng)識(shí)別身份證號(hào)碼和銀行卡號(hào)。驗(yàn)證客戶簽名以及公司公章也是采用圖像識(shí)別技術(shù)。

（2）語音識(shí)別幾年前也已經(jīng)成熟，目前各種方言都也能自動(dòng)識(shí)別。出國(guó)直接用手機(jī)翻譯軟件就可以實(shí)時(shí)翻譯。那在銀行業(yè)務(wù)中，通過語音技術(shù)會(huì)監(jiān)督電銷人員進(jìn)行電話銷售時(shí)是否違規(guī)承諾收益，是否態(tài)度較差。另外一些機(jī)構(gòu)也記錄了客戶的聲紋，后續(xù)客戶登錄只需說話就自動(dòng)識(shí)別到客戶。

（3）人臉識(shí)別是近幾年興起的應(yīng)用，目前火車站、機(jī)場(chǎng)都使用了人臉識(shí)別技術(shù)來自動(dòng)識(shí)別乘客，減少了工作人員，在銀行業(yè)務(wù)中，二類戶遠(yuǎn)程開戶、線上貸款等都會(huì)用到人臉識(shí)別進(jìn)行客戶身份認(rèn)證。通過人臉識(shí)別和公安的身份證圖片進(jìn)行比對(duì)，超過一定閾值就會(huì)識(shí)別為是同一個(gè)人。同時(shí)為了防止欺詐，還會(huì)通過眨眼、轉(zhuǎn)頭、語音報(bào)數(shù)等進(jìn)行活體檢測(cè)。人臉識(shí)別技術(shù)的出現(xiàn)大大加速了線上業(yè)務(wù)的發(fā)展，后續(xù)技術(shù)完備成熟后，監(jiān)管部門認(rèn)可放開后，以后只需手機(jī)就能辦理所有銀行業(yè)務(wù)了。

2.理解層

在理解層面，主要通過自然語言技術(shù)來理解文字的含義，通過知識(shí)圖譜來理解人、事、物之間的關(guān)系。這些技術(shù)近些年也有長(zhǎng)足的進(jìn)步，但還不盡完善。目前主要應(yīng)用在不需要那么正確的場(chǎng)景中，如客服、智能音箱、客戶引導(dǎo)等。

那在銀行中機(jī)器人客服在許多銀行的官網(wǎng)和APP中也已經(jīng)應(yīng)用，主要用往返答用戶提出的問題，同時(shí)也會(huì)根據(jù) 關(guān)鍵字列出相關(guān)問題，假如客戶不滿足則會(huì)再引導(dǎo)到人工客服。從應(yīng)用的情況來看，對(duì)于標(biāo)準(zhǔn)化且規(guī)則簡(jiǎn)單的銀行產(chǎn)品基本能達(dá)到90%的客戶服務(wù)率，只有10%的客戶需要再引導(dǎo)到人工，大大減少了人工客服的工作量。

但是對(duì)于復(fù)雜的業(yè)務(wù)以及綜合的問題，則客戶服務(wù)率就下降很多。但隨著語料、問題的積累，以及技術(shù)的發(fā)展，后續(xù)機(jī)器人客服應(yīng)該是逐步會(huì)取代人工客服。

許多銀行的網(wǎng)點(diǎn)中，會(huì)有一個(gè)移動(dòng)的機(jī)器人進(jìn)行業(yè)務(wù)的引導(dǎo)，并且陪客戶聊天，介紹業(yè)務(wù)。體現(xiàn)了銀行的高科技性，后續(xù)慢慢也會(huì)成為網(wǎng)點(diǎn)標(biāo)配，減少了大堂經(jīng)理的工作量。另外在有些銀行的熱線電話也已經(jīng)取消了語音菜單引導(dǎo)，只需要說出想做的事就自動(dòng)導(dǎo)航到了對(duì)應(yīng)的語音服務(wù)中，提高了客戶服務(wù)效率。

3.決策層

在決策層，人工智能技術(shù)應(yīng)用也很廣泛，比如在策略型游戲、量化投資、風(fēng)險(xiǎn)決策等方面已有廣泛應(yīng)用，但效果各有不同。

2021年招行推出了“摩羯智投”引領(lǐng)了智能投顧，后續(xù)工行、江蘇銀行等都持續(xù)跟進(jìn)，通過宏觀市場(chǎng)、股票市場(chǎng)、基金等分析，根據(jù)客戶的風(fēng)險(xiǎn)等級(jí)進(jìn)行投資組合推薦，客戶可以一鍵購(gòu)買或換倉。

但是國(guó)際風(fēng)云變幻、金融市場(chǎng)瞬息萬變，我國(guó)每年投資收益前10名的基金都不相同，智能投顧產(chǎn)品也并沒有跑贏指數(shù)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(duì)于不確定性的金融投資市場(chǎng)，智能投顧還有許多路要走。

那在風(fēng)險(xiǎn)欺詐、信用模型評(píng)分方面，隨著客戶行為數(shù)據(jù)以及關(guān)聯(lián)系統(tǒng)越來越多的被數(shù)字化以及互聯(lián)網(wǎng)化。用戶量上億、模型變量從幾十個(gè)已經(jīng)變?yōu)樯先f個(gè)，因此有了機(jī)器學(xué)習(xí)以及AI技術(shù)的用武之地。尤其在反欺詐方面，深度神經(jīng)網(wǎng)絡(luò)、XGBoost、GBDT等算法應(yīng)用也越來越多，提高了欺詐識(shí)別率。

那為什么在風(fēng)險(xiǎn)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(gè)原因是智能投顧中變量有效性及權(quán)重的時(shí)效太短，天天國(guó)際時(shí)政、金融市場(chǎng)的消息太多，微觀上還有許多未被披露的事項(xiàng)，比如內(nèi)幕交易等。

那對(duì)于變量的選定非常困難，即使歷史數(shù)據(jù)擬合的很好，但是新的因素出現(xiàn)，以往的變量就不再有效了。

在風(fēng)險(xiǎn)識(shí)別中變量的有效性較長(zhǎng)，新的欺詐事件出來后也能迅速找到相關(guān)的變量，并增加到模型中，通過持續(xù)監(jiān)控和不斷的優(yōu)化模型還是能保持較好的效果。隨著AI的學(xué)習(xí)能力以及數(shù)據(jù)積累和新的算法出現(xiàn)，未來的AI能給我們帶來更大的驚喜，也許那時(shí)市場(chǎng)上都是機(jī)器人來幫助客戶進(jìn)行投資和決策。

AI目前也是每個(gè)銀行的重點(diǎn)應(yīng)用方向之一，技術(shù)的突破會(huì)帶來整個(gè)行業(yè)的格局變化，4G時(shí)代手機(jī)銀行APP已經(jīng)逐步取代網(wǎng)銀和柜面，5G時(shí)代可能某個(gè)渠道就會(huì)取代手機(jī)。因此在AI技術(shù)方面除了關(guān)注技術(shù)發(fā)展，也需要探索通過AI技術(shù)應(yīng)用到銀行業(yè)務(wù)流程、分析決策過程中。

因此搭建或引入AI平臺(tái)是基礎(chǔ)之一。那目前國(guó)內(nèi)許多AI公司都在做AI平臺(tái)，包括阿里、華為和騰訊云也都提供AI的云平臺(tái)和SAAS服務(wù)。那AI平臺(tái)主要功能有：

1.數(shù)據(jù)層：

即需要對(duì)接數(shù)據(jù)倉庫，將數(shù)據(jù)獲取到AI平臺(tái)進(jìn)行分析和建模，AI平臺(tái)目前大部分支持基于HADOOP進(jìn)行機(jī)器學(xué)習(xí)和建模，且分析時(shí)會(huì)耗費(fèi)較多機(jī)器資源，因此需要和數(shù)據(jù)倉庫的生產(chǎn)批處理分開，將數(shù)據(jù)從數(shù)據(jù)倉庫加載到AI平臺(tái)上。

2.算法層：

主要是支持主流的機(jī)器學(xué)習(xí)算法，包括深度神經(jīng)網(wǎng)絡(luò)、SVM等，也可以增加自我研發(fā)的新算法。那AI平臺(tái)上的算法和一般和PYTHON、R的算法效果一樣，但實(shí)現(xiàn)不同，因?yàn)锳I平臺(tái)需要支持分布式的HADOOP平臺(tái)，支持超大數(shù)據(jù)量的計(jì)算和線性擴(kuò)展。因此在算法的實(shí)現(xiàn)上更加復(fù)雜，對(duì)性能要求更高。

同時(shí)在建模過程中，很大一部分精力在于數(shù)據(jù)的預(yù)處理，如缺失值處理、特征的篩選等。也需要提供常見的數(shù)據(jù)屬性分析和預(yù)處理的處理方法，提高建模自動(dòng)化程度。

3.感知、理解應(yīng)用：

即針對(duì)圖像識(shí)別、語音識(shí)別、人臉識(shí)別、自然語言處理等感知和語言理解內(nèi)置高效算法，通過數(shù)據(jù)練習(xí)可以達(dá)到較精準(zhǔn)識(shí)別的效果。以便銀行內(nèi)部使用用來進(jìn)行自有客戶數(shù)據(jù)的識(shí)別。如發(fā)現(xiàn)本行憑證的OCR識(shí)別率下降，可以用很新的圖像數(shù)據(jù)進(jìn)行練習(xí)獲得很新的模型參數(shù)，更新OCR識(shí)別算法。

4.模型治理和探索：

（1）模型的分類存儲(chǔ)和治理，如按營(yíng)銷、風(fēng)險(xiǎn)等標(biāo)簽或分類進(jìn)行存儲(chǔ)，支持權(quán)限治理，同時(shí)也需要將測(cè)試數(shù)據(jù)集也進(jìn)行存儲(chǔ)，以便后續(xù)重新建模或進(jìn)行優(yōu)化；

（2）建模可視化，即通過拖拽的方式進(jìn)行建模流程的作業(yè)調(diào)度和配置，并在執(zhí)行時(shí)能顯示各步驟的執(zhí)行情況和輸入輸出。提高建模效率。

（3）AUTOML：自動(dòng)建模，目前也是業(yè)界探索比較多的一個(gè)方面，即通過輸入模型練習(xí)集和測(cè)試集，自動(dòng)進(jìn)行算法選擇并對(duì)各算法結(jié)果進(jìn)行測(cè)試集驗(yàn)證，選擇練習(xí)集擬合較好且測(cè)試集表現(xiàn)良好的模型。

（4）內(nèi)置成熟業(yè)務(wù)模型：假如有成熟的業(yè)務(wù)模型如風(fēng)險(xiǎn)欺詐、信用評(píng)分卡等，也可內(nèi)置在AI平臺(tái)中，銀行人員可以基于內(nèi)置行業(yè)模型進(jìn)行優(yōu)化，基于成熟方案提高建模速度和效果。

5.模型生產(chǎn)應(yīng)用：

（1）一鍵部署：通過定義輸入和輸出，需要能生成調(diào)用程序并自動(dòng)部署到生產(chǎn)環(huán)境，提供模型服務(wù)。部署的環(huán)境及服務(wù)器可以進(jìn)行指定。

（2）支持模型熱部署：由于許多模型在使用時(shí)需要7*24小時(shí)，因此需要支持模型變更部署時(shí)不間斷服務(wù)。

（3）模型效果監(jiān)控，可以針對(duì)模型輸出和猜測(cè)的很終結(jié)果進(jìn)行比對(duì)，進(jìn)行模型有效率的統(tǒng)計(jì)，監(jiān)控效果，同時(shí)也可以用很新的數(shù)據(jù)及結(jié)果天天進(jìn)行模型參數(shù)調(diào)優(yōu)，并自動(dòng)熱部署到生產(chǎn)環(huán)境。隨著數(shù)據(jù)積累越多，則效果也會(huì)越來越好。

AI平臺(tái)和自助數(shù)據(jù)分析平臺(tái)建議分開不同HADOOP集群。AI運(yùn)算尤其是GPU的運(yùn)算資源消耗較大，因此需要避免競(jìng)爭(zhēng)資源導(dǎo)致業(yè)務(wù)分析和AI性能不足。第一章節(jié)提到的數(shù)據(jù)湖中的非結(jié)構(gòu)數(shù)據(jù)可以通過AI平臺(tái)進(jìn)行分析處理。

AI是目前數(shù)據(jù)分析發(fā)展的重要方向，也是數(shù)據(jù)倉庫數(shù)據(jù)價(jià)值挖掘的一個(gè)重要途徑。隨著分布式計(jì)算的發(fā)展，計(jì)算能力的增加以及5G時(shí)代的到來，AI的發(fā)展也將會(huì)出現(xiàn)百花齊放的格局，更多的AI應(yīng)用也將豐富我們的生活。