<mark id="oztn4"></mark>
0
“落地時一地雞毛。”
當前的人工智能，在金融領域的實地應用依然存在很多瓶頸。
但在不少人看來，如果沒有AI，傳統銀行業或許在不久的將來，會像一個僵而不死的“巨獸”，雖然行動如故，但腐朽如影隨形。
金融科技的出現，改變了這一現狀。人們想知道，這些力量對金融而言，只是“流于表面”還是真有“洗髓伐骨”的功效？
為此，雷鋒網《AI金融評論》策劃了「AI能否解決金融剛需問題」系列選題，借同一個話題，對不同背景的受訪者、產品和客群各異的企業們進行采訪，期望在不同的商業和技術認知下捕捉觀點碰撞的火花。
在首篇采訪中，冰鑒科技CEO顧凌云分享了《 AI金融產品是「雞肋」還是「雞腿」？》
本系列選題的第二篇文章，由慧安金科創始人/CEO黃鈴講述他眼中AI和金融之間的關系。
以下為黃鈴的所感所想：
第一次POC，很緊張
第一次經歷，總是最難忘。
在首次和大型股份制銀行合作時，我們就遇到了頗為棘手的難題。
當時，這家銀行希望將全部的海外交易數據進行風險評估。
我們需要對每一筆交易，做非常復雜的「特征提取」和「基于機器學習模型的風險評分」，并對高風險的交易進行預警和攔截。
而每筆交易留給我們處理的時間，只有0.02秒。
團隊對整個流程進行了梳理，并進行了一系列測試。
首先，這筆交易是屬于正常交易？還是銀行卡盜刷？我們需要對交易的性質做出非常精準的判別。而不管是「特征提取」還是「模型評分」，都需要能夠辨別交易是否屬于欺詐。
于是，我們對大量的欺詐交易行為進行了分析學習，并將它在機器學習建模里體現出來。
當然，即使你做了很多交易行為的分析，算了幾萬個甚至幾十萬個特征指標，但是由于線上系統只有20毫秒，絕大部分指標都用不了。
所以我們又對大量的指標進行清理、組合和挑選，把它濃縮到幾千甚至幾百個指標，順利的在0.02秒之內完成計算和評分。
為了同時滿足準確率、覆蓋率以及響應速度，我們從采集數據、發現欺詐行為、找到區分正常交易和欺詐交易的特征值到選擇最具有代表性的特征，每一步都進行了大量的學習和分析。
當時，團隊4~5人，整整經歷了一個多月，才把整個流程和系統全部搭建完成。
這才最終使得我們贏得了這家銀行的認可，中標了系統。
人工好，還是智能好？
早期的AI金融公司在投標時，客戶時常會有這么一絲顧慮：人工經驗好還是智能技術更好？
其實直到現在，這個顧慮在很多業務流程中仍舊存在。
其實人工和智能是互為補充的，具有完全不一樣的屬性。
人工，可以在自己已有經驗基礎上做非常復雜的推理，能夠根據一些蛛絲馬跡做復雜的關聯和分析，挖掘出潛伏非常深、偽裝特別像的風險 。
但是，人工也有幾方面的問題。
第一，要成為一個非常有經驗的專家，需要長時間的積累和沉淀。這樣的人才非常稀少， 也很難培養。
第二，「人工」處理數據的“帶寬”非常有限，一天只能處理幾十個案件，發現很少的問題。
而對于機器智能來說，「人工」的劣勢，恰恰是它的優勢。它有足夠的帶寬處理海量的數據，還可以按照一些推理規則或者機器學習模型，幫助人們減少工作。
我們可以通過準確率、覆蓋率這兩個量化指標，對人工智能產出的效果進行全面評估。通過ROI來判斷這個人工智能項目是否取得了良好的效果。
按照目前的發展來看，AI在人臉識別、文本識別以及我們在做的風控、合規和監管等場景，效果都非常好。
有些領域，AI的水平和能力甚至超過人類，比如風控合規監管，機器可以達到人類97%或者98%的水平。
但是相比人類，特別是非常資深的專家，AI的推理能力還是遠遠不夠。
比如在智能風控領域，我們就遇到了許多復雜、具有挑戰性的問題。
首先，在信貸風控中，存在著大量的欺詐分子，他們會使用多種變化的行為，來隱蔽身份，即使有經驗的風控專家都不一定辨別出。
其次，我們需要用全面、多維度的角度分析，當一個人申請信貸的時候，還款能力如何？
如何使用數據、對數據特征分析以及如何把特征組合起來，產生一個準確高效的信貸風控模型，其實是非常有挑戰性的，十分需要有經驗的AI人才。
AI不能解決的剛需問題
如何補齊AI的短板？這也是我們的重點研究方向。
如果人們對目標的定義不明確，會直接影響AI的實際使用效果。
如果是沒有以前的歷史標簽數據，或者標簽里有很多錯誤，AI要自主的去做學習挖掘，其實是非常困難的事情。
在這種缺乏足夠先驗知識的情況下，開發無監督和半監督的機器學習算法，是一種很好的解決方法。
如果我們可以針對一些特定的場景，比如說在風控合規領域，用「無監督學習」去分析大部分正常人的行為，然后用異常檢測的方式，區分風險分子和正常人。
但是，在某些特定的場景下，AI金融產品確實滿足不了客戶的需求。
比如在金融產品智能營銷領域，即使模型和推薦模型做的效果再好，也是很難通過少量的產品滿足消費級用戶的全部需要。
而在面對To B客戶時，如何教育客戶，讓他們選擇符合自己需求的產品，并為客戶提供咨詢服務是極為重要的。
首先，你得懂對方的業務，懂對方業務里的碰到的困難、問題和挑戰。
第二，與客戶溝通交流時，你需要用業務的語言，而不是用算法理論的語言。用業務的語言，給客戶講述我們是如何通過這些AI產品幫助客戶解決痛點問題的。
我對行業的一些認識
在AI金融領域從業多年，我對金融業務和金融產品的理解在不斷加深。
金融行業有非常多的產品，比如貸款產品，包括對公業務里保理、貼現、票據等。
以前，我們技術人員可能不理解它們背后的原理。但是，當你深入了解這些產品后，你會發現，它們的設計非常巧妙， 會讓你耳目一新，學到很多東西。
不光是AI金融行業，AI在任何一個行業的落地，不只是一個技術問題，更是一個業務問題。
如果你想讓AI的落地，真正通過技術解決客戶日常業務中碰到的問題，你必須去了解客戶的業務是如何運轉的，它存在的挑戰和風險是什么。
第二，AI實際上在不斷的預測未來。
它不像我們過去做個模型，只要采集好靜態數據預測就能很準確。
實際生活中數據是不斷變化的，AI在這個動態的世界里需要不斷的自我學習，才能持續準確的預測未來。
想要將未來預測的準確、穩定還可靠，是一件非常有挑戰的事情。希望大家能做好準備，沉下心來腳踏實地，真正做一些能夠穩定、持續預測未來目標的AI系統。 （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。
