<mark id="oztn4"></mark>
0
| 本文作者： 三川 | 2017-07-08 23:40 | 專題：GAIR 2017 |
7 月 7 日，由中國計算機協會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦的第二屆 CCF-GAIR 全球人工智能與機器人峰會在深圳如期開幕。大會第二日，作為金融科技專場上午的最后一場報告，百度金融高級科學家吳健民帶來了主題為《智慧金融：助力金融機構迎接 AI 新時代》的演講。
吳健民老師先后就職于雅虎北京研發中心、騰訊，從事分布式機器學習算法與搜索相關的工作。在2014年加入百度，當前負責百度金融在智能獲客、大數據風控、金融畫像方面的工作，以及 AI 技術在百度金融的落地。
AI 技術服務于金融機構的業務與創新
銀行業
金融科技的訴求包括用戶畫像、精準營銷、風險管理和智能客服四方面
保險業
風險評估與定價、交叉銷售、客戶流失管理和理賠欺詐檢測。同時有基于場景的保險產品設計及基于使用的風險定價。
證券業
AI技術主要應用于股價預測、客戶關系管理、投資景氣指數預測等。
資本市場對金融科技投資增幅明顯
埃森哲的報告顯示，2015 年全球對金融科技的投資有比較大的增幅，呈現地區結構化的差異。各地區的投資額增長率為：
北美 44%，歐洲 120%，亞太 300%，中國超過400%。
百度金融的7大技術方向及三步走戰略：
下面逐次有側重的介紹5大技術應用方向：
智能獲客的核心是降低獲客成本，通過三個步驟來實現用戶需求的精準的定向及滿足：
刻畫用戶的金融畫像及需求，需要做到全面、準確且能夠及時觸達。
生成與場景自然切合的動態創意
通過響應模型準確匹配金融產品與用戶的需求
首先用戶畫像是一個標簽體系，根據業務需求進行擴展。百度數據對對用戶金融屬性有比較準確的刻畫，舉個例子，如果一個用戶經常出現在加油站或者高速路收費口，他很可能有車，可以為他貼上“有車”的標簽。這是對用戶資產是一個很重要的衡量。
其次是根據需求場景，人生階段，生活品質，消費水平等確定智能創意的構成，實現響應率的優化。
最后是根據用戶的基礎信息、信貸需求、網絡行為、風險偏好因素及產品的額度、利率及收益率等通過響應模型進行客群匹配。
老客激活也是一個很重要的方向，一個原因是現在獲取新客戶的獲客成本越來越高，大概在3000-4000元左右。老客戶的重復用信，就具備了相當高的價值，一般一個信貸用戶有3-5次的重復用信，業務才能實現盈利，如何高效的激活老客戶的重復使用是很重要的問題。這需要對優質存量客戶進行用信激勵、實現客群優化。以百度錢包的個性化補貼為例，該業務通過在支付環節為用戶提供補貼，激勵用戶使用錢包支付。策略的核心是計算補貼額度，我們通過模型估算用戶的支付響應率，依據支付響應率計算最優的補貼額度。最優補貼額度同時優化兩個目標：1. 支付率盡可能的高，2. 補貼成本盡可能低；通過數學規劃的方法求解，進而得到最優的補貼成本。
關于大數據風控，百度在內部經常說風險管理，而不是風險控制。金融做的是風險業務，相對于控制風險，我們更需要準確計量風險并進行風險定價。
大數據征信模型面臨來自兩個方面的挑戰：
大數據的特征本身高維稀疏、異構、弱相關。高維稀疏是由于用戶本身的行為多樣、差異大。異構主要是由于用戶行為大數據在電商、搜索、社交等不同的產品線上積累，呈現不同的分布與結構。弱相關是指相對于人行征信數據，大數據變量與金融場景是弱相關的。但大數據的好處是用戶互聯網行為產生的非常多可以利用的弱信號。如何利用大量弱信號來構建具有強風險區分的模型，是我們要解決的問題。
另一方面是信貸樣本，首要挑戰是樣本缺少，小貸公司和金融機構的壞賬是核心數據，大家希望可以用所有壞賬數據做區分能力很好的模型，但當前缺少壞賬數據共享的機制，因此帶來的問題是樣本缺少。樣本波動性大也是另外一個挑戰。
主要解決方案包括三個方面：
通過集成學習及boosting方法，融合弱特征生成具有強區分度的模型；
利用深度學習，通過降維的方法，解決高維稀疏的問題；
利用半監督學習來解決樣本過少的問題，通過少量有標注樣本及大量無標注樣本生產推廣性和穩定性好的模型。
完成申請的用戶，需要通過活體識別、聲紋識別及手寫簽名等方案來準確鑒定用戶身份，這些能力的基礎是百度的paddlepaddle深度學習平臺。
關于量化投資，百度利用 AI 技術實現以大數據驅動的量化投資策略。包括四個步驟：投資標的調研、標的篩選、投資組合設定、組合的動態調整。
以搜索數據為例，搜索和股票的市場關注度高度相關，一個股票的搜索量和上證指數的趨勢有很強的相關性，加上輿情因子，我們通過搜索量，可以判斷買家和賣家的能量積蓄。基于地圖的時空數據可以幫助我們判斷資產質量，如通過對一個商業地產周邊人群的流量、畫像分析，可以有效評估該商業地產的價值。
客服是金融業務的最后一步。百度金融通過AI技術，提升金融業務客服的效率，一年內單次服務成本降低了 80%。這80%來自于三方面工作：
智能客服機器人構建，通過問題預測、檢索及多輪會話來實現問題的自動服務。最終金融問題解決率接近90%，解決率是通過客戶的實際反饋給出的。
對于智能客服機器人未解決的問題，通過人工客服來支持，AI幫助我們通過語音輸入、客戶意圖預測提升客服人效；
智能語音質檢，這本身也是一個客服成本，假設有 5% 的客服效果質量抽查率，對應客服的成本就增加5%。通過用 AI 提升質檢的效率，做到智能自動檢測客服溝通是否滿意，對關鍵業務覆蓋達到100%。
這些能力的基礎是百度自然語言處理和語音技術。雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
