“落地時一地雞毛?！?/p>

當(dāng)前的人工智能，在金融領(lǐng)域的實地應(yīng)用依然存在很多瓶頸。

但在不少人看來，如果沒有AI，傳統(tǒng)銀行業(yè)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(xiàn)，改變了這一現(xiàn)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(wǎng)《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(chǎn)品和客群各異的企業(yè)們進行采訪，期望在不同的商業(yè)和技術(shù)認(rèn)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(chǎn)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(chuàng)始人/CEO黃鈴講述他眼中AI和金融之間的關(guān)系。

以下為黃鈴的所感所想：

第一次POC，很緊張

第一次經(jīng)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(dāng)時，這家銀行希望將全部的海外交易數(shù)據(jù)進行風(fēng)險評估。

我們需要對每一筆交易，做非常復(fù)雜的「特征提取」和「基于機器學(xué)習(xí)模型的風(fēng)險評分」，并對高風(fēng)險的交易進行預(yù)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(zhì)做出非常精準(zhǔn)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(xué)習(xí)，并將它在機器學(xué)習(xí)建模里體現(xiàn)出來。

當(dāng)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(biāo)，但是由于線上系統(tǒng)只有20毫秒，絕大部分指標(biāo)都用不了。

所以我們又對大量的指標(biāo)進行清理、組合和挑選，把它濃縮到幾千甚至幾百個指標(biāo)，順利的在0.02秒之內(nèi)完成計算和評分。

為了同時滿足準(zhǔn)確率、覆蓋率以及響應(yīng)速度，我們從采集數(shù)據(jù)、發(fā)現(xiàn)欺詐行為、找到區(qū)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(xué)習(xí)和分析。

當(dāng)時，團隊4~5人，整整經(jīng)歷了一個多月，才把整個流程和系統(tǒng)全部搭建完成。

這才最終使得我們贏得了這家銀行的認(rèn)可，中標(biāo)了系統(tǒng)。

人工好，還是智能好？

早期的AI金融公司在投標(biāo)時，客戶時常會有這么一絲顧慮：人工經(jīng)驗好還是智能技術(shù)更好？

其實直到現(xiàn)在，這個顧慮在很多業(yè)務(wù)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(jīng)驗基礎(chǔ)上做非常復(fù)雜的推理，能夠根據(jù)一些蛛絲馬跡做復(fù)雜的關(guān)聯(lián)和分析，挖掘出潛伏非常深、偽裝特別像的風(fēng)險 。

但是，人工也有幾方面的問題。

第一，要成為一個非常有經(jīng)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(yǎng)。

第二，「人工」處理數(shù)據(jù)的“帶寬”非常有限，一天只能處理幾十個案件，發(fā)現(xiàn)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(yōu)勢。它有足夠的帶寬處理海量的數(shù)據(jù)，還可以按照一些推理規(guī)則或者機器學(xué)習(xí)模型，幫助人們減少工作。

我們可以通過準(zhǔn)確率、覆蓋率這兩個量化指標(biāo)，對人工智能產(chǎn)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(fā)展來看，AI在人臉識別、文本識別以及我們在做的風(fēng)控、合規(guī)和監(jiān)管等場景，效果都非常好。

有些領(lǐng)域，AI的水平和能力甚至超過人類，比如風(fēng)控合規(guī)監(jiān)管，機器可以達(dá)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(yuǎn)遠(yuǎn)不夠。

比如在智能風(fēng)控領(lǐng)域，我們就遇到了許多復(fù)雜、具有挑戰(zhàn)性的問題。

首先，在信貸風(fēng)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(jīng)驗的風(fēng)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(dāng)一個人申請信貸的時候，還款能力如何？

如何使用數(shù)據(jù)、對數(shù)據(jù)特征分析以及如何把特征組合起來，產(chǎn)生一個準(zhǔn)確高效的信貸風(fēng)控模型，其實是非常有挑戰(zhàn)性的，十分需要有經(jīng)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(biāo)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(biāo)簽數(shù)據(jù)，或者標(biāo)簽里有很多錯誤，AI要自主的去做學(xué)習(xí)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(fā)無監(jiān)督和半監(jiān)督的機器學(xué)習(xí)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(fēng)控合規(guī)領(lǐng)域，用「無監(jiān)督學(xué)習(xí)」去分析大部分正常人的行為，然后用異常檢測的方式，區(qū)分風(fēng)險分子和正常人。

但是，在某些特定的場景下，AI金融產(chǎn)品確實滿足不了客戶的需求。

比如在金融產(chǎn)品智能營銷領(lǐng)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(chǎn)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(chǎn)品，并為客戶提供咨詢服務(wù)是極為重要的。

首先，你得懂對方的業(yè)務(wù)，懂對方業(yè)務(wù)里的碰到的困難、問題和挑戰(zhàn)。

第二，與客戶溝通交流時，你需要用業(yè)務(wù)的語言，而不是用算法理論的語言。用業(yè)務(wù)的語言，給客戶講述我們是如何通過這些AI產(chǎn)品幫助客戶解決痛點問題的。

我對行業(yè)的一些認(rèn)識

在AI金融領(lǐng)域從業(yè)多年，我對金融業(yè)務(wù)和金融產(chǎn)品的理解在不斷加深。

金融行業(yè)有非常多的產(chǎn)品，比如貸款產(chǎn)品，包括對公業(yè)務(wù)里保理、貼現(xiàn)、票據(jù)等。

以前，我們技術(shù)人員可能不理解它們背后的原理。但是，當(dāng)你深入了解這些產(chǎn)品后，你會發(fā)現(xiàn)，它們的設(shè)計非常巧妙， 會讓你耳目一新，學(xué)到很多東西。

不光是AI金融行業(yè)，AI在任何一個行業(yè)的落地，不只是一個技術(shù)問題，更是一個業(yè)務(wù)問題。

如果你想讓AI的落地，真正通過技術(shù)解決客戶日常業(yè)務(wù)中碰到的問題，你必須去了解客戶的業(yè)務(wù)是如何運轉(zhuǎn)的，它存在的挑戰(zhàn)和風(fēng)險是什么。

第二，AI實際上在不斷的預(yù)測未來。

它不像我們過去做個模型，只要采集好靜態(tài)數(shù)據(jù)預(yù)測就能很準(zhǔn)確。

實際生活中數(shù)據(jù)是不斷變化的，AI在這個動態(tài)的世界里需要不斷的自我學(xué)習(xí)，才能持續(xù)準(zhǔn)確的預(yù)測未來。

想要將未來預(yù)測的準(zhǔn)確、穩(wěn)定還可靠，是一件非常有挑戰(zhàn)的事情。希望大家能做好準(zhǔn)備，沉下心來腳踏實地，真正做一些能夠穩(wěn)定、持續(xù)預(yù)測未來目標(biāo)的AI系統(tǒng)。 （雷鋒網(wǎng)）雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。