金融機構開展人工智慧應用，你應該了解這3點！

金融機構有成熟的信息系統，良好的數據自動化採集體系，集中積累了大量規範的金融賬戶和歷史交易數據，非常適合開展人工智慧應用。

作者：蘇文力，陽光保險總裁助理，央行觀察專欄作家

正文

人工智慧是人類利用計算機去完成以往需要人的智力才能勝任的工作。隨著大數據時代的到來，深度學習、機器學習成為新的趨勢。機器通過大數據，開展自學習，使得人工智慧的能力有了突破性發展。金融是依靠信息處理做生意的行業。金融機構有成熟的信息系統，良好的數據自動化採集體系，集中積累了大量規範的金融賬戶和歷史交易數據，非常適合開展人工智慧應用。

前段時間，我們公司組織高管學習，方向是人工智慧。除了請外面的大咖來講課外，還需要對公司人工智慧的應用情況進行檢視。正好安排利用這次機會回顧梳理前期相關工作進展和方法策略得失，形成報告材料。活動取得了比較好的效果，統一了公司領導層對人工智慧應用的思想認識，堅定了加大該領域投入和工作力度的決心。大家對於公司現階段的工作措施和成果表示認可，紛紛要求儘快將人工智慧應用到自己所負責的工作之中。有關報告材料中的一些內容在此與大家分享。

1、業務驅動

開展人工智慧應用必須首先明確業務部門承擔該項工作的主要責任，技術專業部門只能起到推動和支持作用。人工智慧應用的目的是解決業務問題，給企業帶來發展的新機會和價值。業務部門掌握著企業經營管理所需要的資源，承擔企業經營活動最終結果的全部責任，人工智慧提供了新的技術工具選項，是否使用或用在何處，需要業務部門根據投入產出效益來衡量取捨。業務部門針對自身實際工作中的問題，結合能夠獲取的數據情況、技術投入及收益情況，確定是否採用人工智慧技術，並牽頭開展相應的項目研發和實施。

要在企業中積極開展人工智慧相關知識的培訓和宣傳，讓業務部門了解到有人工智慧這個現代化新工具，可以用於替代人來更好地開展業務。要鼓勵業務部門在某些業務環節中大膽嘗試應用，並給予資金和技術資源的支持。要大力獎勵在人工智慧應用方面取得突破性進展的部門和項目團隊，形成推廣案例廣泛宣傳。

現有人工智慧所取得的成功基本都是表現在某一個細分領域的某個具體場景上。全能型的通用人工智慧距離達到比較實用的程度還很遙遠。企業應該針對具體的應用場景，定義清楚問題邊界，開發專用的人工智慧模型和程序，從某一點突破，再逐步擴大和拓展應用範圍。追求大而全的終極解決方案將會消耗大量時間和資金資源，難以獲得企業認可。圍繞解決具體業務問題，快速取得成績，才能形成良性循環，不斷獲取企業的支持和持續的投入。

金融業務中的量化交易、智能投顧、精準營銷、風險防控、智能客服、安防與客戶身份認證等方面，都可以開展人工智慧應用。具體實施時，要找到非常具體的場景，將項目界定在一個非常有限的邊界內，要有足夠的數據支持，要有量化的結果反饋。範圍越具體可控，數據越豐富，結果越明確，應用的效果就越好。

以智能客服為例，可以先選擇客戶產品問題文字應答這個局部的具體場景。客戶輸入的問題意見和對機器應答的回饋，都可以形成數據記錄下來。機器應答解決客戶問題的程度，可以根據客戶的回饋反應進行測量判斷。這樣機器就可以在這個比較狹窄的範圍內，通過對大量客戶問題及對演算法所給出答覆的反饋結果數據進行學習，不斷調整優化演算法，快速提升智能應答服務的效率和質量。

2、專業保障

人工智慧技術專業性比較強，需要有一支專門的隊伍，負責人工智慧應用的推動宣傳和技術支持保障工作。首先要找到掌握人工智慧技術的優秀專業人才，形成專業團隊。目前市場上人工智慧人才奇缺，價格水漲船高，比較經濟的做法可以採用外聘獵取和內部培養相結合的模式。重點招聘能夠領導人工智慧應用的領軍人才，輔助從內部選擇一批有潛質的年輕技術骨幹，通過實踐中學習積累，逐步形成本企業的人工智慧核心團隊。選擇人工智慧人才要著重看其解決實際問題的能力，而不能盲目強調其學術地位和理論水平。

要積極與業內的人工智慧服務公司接觸交流，跟蹤掌握市場上可以採用的人工智慧技術和工具，搭建實驗環境，模擬各主要人工智慧應用類型，開展研究實驗，培養建立人工智慧應用的專業實施能力。針對業務問題開展技術服務時要以追求創造業務價值為最終目標，選擇最經濟快速的方式開展工作，避免一味強調穩定可控而僅僅採用自主開發的單一模式。要將直接引進外部產品、引入外部技術力量和聯合開發都作為可能的選項。

要收集研究市場上人工智慧應用的成功案例，針對企業的具體問題需求，設計提出基於人工智慧的初步解決方案，並形成演算法原型。通過與業務部門交流互動，讓業務人員理解人工智慧所能夠扮演的角色，聆聽業務部門的反饋意見，調整方案建議，爭取業務部門能夠接受，願意立項採用人工智慧技術解決其業務問題。

在與業務部門交流時，要避免不切實際的成果預期承諾，以免後續工作過程中產生誤解，影響雙方合作。人工智慧技術仍處於發展階段，業務部門也缺乏相關應用的直接感受，技術和業務均需要通過項目收穫經驗。要充分估計到可能遇到困難，儘可能限制項目的邊界範圍，比較保守地預估將會實現的成績目標，讓大家能夠在實施過程中保持比較平和的心態。

具體實施過程中，要採用敏捷開發法，快速進行原型驗證，持續迭代優化。人工智慧應用需要大數據支撐，只有將演算法模型投入使用，才能持續獲取大量反饋數據，驗證模型演算法的有效性。反覆持續進行演算法模型的部署、驗證和調整是人工智慧應用項目所必須經歷的過程。

人工智慧應用需要嵌入到業務活動中，可能會涉及業務系統做相應配合調整。初期應儘可能讓人工智慧演算法模型及配套應用相對獨立運行，與原有系統相互隔離，讓人工智慧應用作為新增加的功能選項，其運行出現問題時不影響原有業務的正常進行。當演算法模型比較成熟後，再考慮對所涉及的業務系統做比較完整的配套優化，整合形成一體化的服務。

3、有效運用工具和資源

人工智慧應用需要有掌握相關技術的專業人才，還需要有大量的數據為建立和訓練模型提供支撐。目前市場上人工智慧的人才非常稀缺，而大規模數據也是分散在不同的場景下，被不同的公司所掌握。金融機構不可能僅僅依靠自己，就能夠完全具備開展人工智慧所需要的人才和數據資源條件。必須考慮與其他社會企業單位開展協作，爭取共贏。

目前市場上許多互聯網科技公司依靠自己的大數據和人才隊伍優勢，已經研究出相當實用的人工智慧工具，如人臉識別、語音識別、文字識別、圖像識別、智能客服應答等。這些服務已經部署在雲計算環境，方便所有企業調用。雲端智能服務按使用付費，價格實惠，實施調用也十分方便快速。隨著使用單位的增加，將帶來更大規模的數據讓演算法模型更優秀，更能夠產生規模經濟。相比較而言，金融企業在人才和數據上都沒有優勢，完全沒必要在類似比較公共的人工智慧工具服務上花費資源自行研發，應直接購買使用相關雲服務，這與購買使用其他公司開發的軟體包產品非常類似。

金融機構有人工智慧的使用場景和數據，但不掌握部分專業領域的人工智慧技術，可以利用其具有場景數據的優勢，尋找有專業能力的公司開展合作。我們公司電話服務中心的通話質量檢查工作，一直採用人工抽查監聽的方式，效果很不理想，急需改變。正好有個研究機構計劃開展語音情緒識別方面的人工智慧產品創新，雖然他們掌握有相關語音情緒識別模型演算法技術，但沒有數據進行演算法訓練，更沒有場景進行檢驗和疊代優化。經過接觸，發現雙方優勢互補，我們有非常豐富的語音數據和實際的使用場景，他們有專業的人才技術。大家一拍即合，確定共同投入資源開展研究，分享最終成果。目前模型訓練進展順利，已經嘗試部署在質檢環節中開始迭代優化了。

金融服務不夠高頻，所能夠獲取的客戶數據相對比較單一，在利用人工智慧開展風險管理、精準營銷和個性化服務等業務活動時，需要有更加全面完整的客戶行為數據提供支持。這需要金融機構與其他具有相關數據的公司機構開展合作，基於更廣泛數據共同研發相關的人工智慧應用。比如保險公司為具有良好健康生活習慣的客戶提供優惠保險，就應該找醫療機構、健康運動APP和餐飲APP等開展合作，建立基於運動、飲食及自身健康狀況數據的人工智慧演算法模型，應用於產品定價、營銷和服務中。

金融機構是圍繞信用和風險識別開展業務活動的，要安排專人重點負責該方面人工智慧的應用工作。要特別注重相關數據的收集，建立廣泛的數據合作體系。要結合自身行業及市場定位特點研究相關的人工智慧演算法模型，通過實際數據中的深度學習訓練，形成獨特的金融產品服務。經過一段時間的持續積累，相關人工智慧的應用能力將會成為企業的核心競爭力。

有些比較小的人工智慧項目，自己有數據，沒有外部的工具服務可以利用，也沒有公司願意合作，若業務有比較強烈的要求，可以安排自己力量進行研發。目前市場上有很多開源的人工智慧演算法模型程序，可以很好地加以利用。比如我們公司電話中心的排班管理，一直被預測結果不準確所困擾。經過建立人工智慧預測模型，利用生產過程的反饋數據進行深度學習迭代，很好地達到了業務預測的準確性要求，獲得了業務部門的認可和好評。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！