破解大数据应用难题 人工智能如何落地银行业

本篇文章2982字，读完约7分钟

在“互联网+”的帮助下，技术和金融迅速覆盖了各行各业，中国银行业的金融技术改造取得了惊人的成效。相关统计显示，目前国内大型商业银行电子渠道交易的比例已经超过80%。大数据取代传统人工的应用带来了银行成本的大幅下降，同时大量沉淀的数据也成为银行的宝贵资源。如何释放数据的最大价值，如何为银行提供准确的营销、风险管理和客户肖像服务，已经成为每个银行技术团队迫切需要解决的核心问题。

业内人士认为，人工智能已经进入了一个快速发展的时期，在语音识别、图像识别和机器学习等许多细分领域都出现了大量突破性的研究成果。作为一个拥有海量数据和精确风险控制需求的银行业，人工智能有着天然的优势。基于大数据构建金融知识地图，基于社交网络和银行核心数据识别并深入了解客户。这些是银行业最需要实现的主题。

这个过程很复杂，信贷也很缓慢。传统银行有许多困难

风险是银行机构的一个固有特征，它伴随着银行。传统的信贷业务仍然是银行利润的主要来源，手工信贷使银行成为人力资本最密集的行业之一。大型银行拥有大量的人力资源和严格规范的管理流程来实施信贷风险控制，但中小银行普遍需要面对资本投资有限、管理质量低、劳动依赖性强的特点问题。一位金融高管曾经说过，银行需要填写各种各样的信息，这很麻烦，审批需要人工和电子验证，后来发展到了网上。“关键是我们如何让这些客户不那么麻烦，并尽可能准确地阻止欺诈者。”主管说。

与快捷的互联网金融相比，传统银行从获得客户到贷款一般要经历10个业务流程，很难在多个流程中发放贷款。一家城市商业银行的零售主管表示，信贷业务主要在线下进行，10%的客户将在审批过程中被筛选出来。最后，通过数据模型再次筛选客户。至于数据来源，他说金融机构不是平台企业，但事实上，数据链接是不完整的。为了全面了解客户风险，我们需要多个数据源来汇集它。

与此同时，信贷担保之间的复杂关系也令每个银行家头疼，而这些关系链就像大海捞针一样，往往是决定信贷是否会失控的关键。除了在行业中从事客户关系多年的高级员工外，新员工不仅需要时间积累，还需要深入研究，而这些学习成本对银行来说也是必要的。

大数据应用金融银行实现弯道超车

大数据在银行的应用比在互联网行业起步晚一点。在网上贷款行业，2016年监管升级后，可以看出强有力的监管确保了技术和金融的可控性。银行业在其后发优势中获得了宝贵的经验。近年来，银行已经能够使用大数据来帮助银行进行风险预警，例如，使用大数据建模来筛选信贷客户，以及使用行为模型来进行贷后管理。

与此同时，许多国内银行已开始尝试通过大数据推动业务运营。例如，中信银行信用卡中心(601998)利用大数据技术实现了实时营销，光大银行(601818)建立了社交网络信息数据库，招商银行(600036)利用大数据开发了小额贷款。中国社会科学院金融研究所所长曾刚表示:“许多私人银行选择利用互联网来拓展业务。这种轻资产模式也被认为是新银行在弯道超车的更好载体。”

在经济结构调整的大环境下，许多上市银行都在不断努力利用大数据调整贷款投资。根据2017年中期报告的数据，25家上市银行上半年的总营业收入为19612亿元。此外，上半年五大银行母公司实现净利润5426亿元，同比增长231亿元，同比增长4.45%。大数据应用后，银行业交出了“中考”的精彩成绩单。

大数据应用仍有许多障碍需要克服，如银行各种业务的数据孤岛效应严重、大数据人才相对缺乏、银行外部数据缺乏整合等。但是，我们也应该看到，中高级银行开始重视大数据，大数据在银行业的应用将迎来未来的突破性发展。

知识地图+自然语言处理大数据过渡人工智能

从大数据到人工智能的转变是科学技术发展的必然趋势。除了金融行业，其他行业如零售业和制药业将在人工智能中找到新的突破点。

在国务院发布的《新一代人工智能发展规划》中，重点提出了2030年中国新一代人工智能发展的指导思想、战略目标和重点任务。在大数据应用的基础上，人工智能开始逐渐渗透到金融行业。如何将其从理论应用到实践，文胤互联网数据科学家丁海星说:“金融领域将应用到人工智能技术的三个主要方面；第一，深度学习；第二，知识地图；第三，自然语言处理。”

深度学习技术是一门多学科交叉的学科，涉及概率论、统计学、近似理论、凸分析、算法复杂性理论等多门学科。专门研究计算机如何模拟或实现人类的学习行为，从而获得新的知识或技能，重组现有的知识结构，并不断提高自身的表现。

知识地图作为一种大规模的知识表示形式，其核心是通过图形存储知识，并将经过处理和推理的知识返回给用户。它可以被认为是传统数据库的升级版本。在金融领域，有一些事件的迹象。通过捕捉事件并形成推理的知识地图，我们可以描述事件的继承性和因果关系。

Nlp是自然语言理解的缩写。它是计算机科学、人工智能和语言学的交叉学科。它主要解决人和计算机如何通过自然语言交流的问题。在世界范围内，包括英美烟草在内的中国主要互联网公司正在研究自然语言处理、知识图谱和深度学习，该行业目前正在争夺登陆场景。

人工智能授权银行的新模式

人工智能将以何种方式着陆？海智金融业务副总裁杨娟表示，通过多年合作开发银行客户的经验和难点，人工智能将通过以下四种情景帮助银行缩短业务流程，提高业务效率。

首先是数据采集和分析。银行的数据类型和特征是数据库格式的、结构化的和高价值的数据，它比互联网数据小。面对孤立的银行数据，海量互联网数据(603138)的收集和分析将丰富银行数据的来源。互联网数据包含大量的非结构化数据，这些数据往往与客户相关，比如他们的社交网络信息，而这些信息数据也包含相关的潜在客户。非结构化数据将由nlp进行分析，并作为源补充，以便为银行进一步构建一个完美的财务地图。

其次，分析和挖掘财务图谱。银行客户之间的担保关系可以通过知识地图进行关联，从而及时识别非法担保圈和担保风险点，并对担保风险信号进行动态预警。除了贷款前的风险控制，知识地图在贷款后也能发挥强大的作用。例如，在管理借出后失去的客户时，知识地图可以帮助我们找到更多潜在的新联系人，从而提高收集的成功率。

第三是客户智能标签的构建。通过算法导入客户数据将深度学习与专家经验相结合，从而建立客户标签系统。在此基础上，我们可以提取客户风险价值和营销价值。智能标签的深度学习接近于通过学习大师的棋谱与阿尔法狗进行自我游戏的过程。在这个过程中，适合企业客户的标签通过神经网络的逐层发展而逐渐演变。

第四是信用文本的智能分析。杨娟说:“人工审核一个批准意见平均需要5分钟以上。如果报告超过12，000份，手动审查将需要1，000小时。现在，通过我们的nlp和机器学习技术，可以在5分钟内处理10，000多份报告。”复制和粘贴占用了金融从业者很大一部分时间。在接下来的几年里，nlp可以取代大多数低端的重复性工作，让金融从业者从复杂的信息收集、清理和检查中解脱出来。

对于未来银行智能化转型的趋势，杨娟表示:“大数据加营销风险的模式，结合图形分析和图形挖掘，与银行内部客户账户交易相结合，可以为银行带来营销、风险预警和自动化处理等全方位的效率提升。所谓的人工智能取代了人们的部分工作，而专业人士将得到解放，从而以更高的效率为更多的客户服务。当然，这是一点一点发生的，是一个漫长的过程。”