“落地時(shí)一地雞毛?！?/p>

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

但在不少人看來(lái)，如果沒(méi)有AI，傳統(tǒng)銀行業(yè)或許在不久的將來(lái)，會(huì)像一個(gè)僵而不死的“巨獸”，雖然行動(dòng)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(duì)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(píng)論》策劃了「AI能否解決金融剛需問(wèn)題」系列選題，借同一個(gè)話題，對(duì)不同背景的受訪者、產(chǎn)品和客群各異的企業(yè)們進(jìn)行采訪，期望在不同的商業(yè)和技術(shù)認(rèn)知下捕捉觀點(diǎn)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(shí)，我們就遇到了頗為棘手的難題。

當(dāng)時(shí)，這家銀行希望將全部的海外交易數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)評(píng)估。

我們需要對(duì)每一筆交易，做非常復(fù)雜的「特征提取」和「基于機(jī)器學(xué)習(xí)模型的風(fēng)險(xiǎn)評(píng)分」，并對(duì)高風(fēng)險(xiǎn)的交易進(jìn)行預(yù)警和攔截。

而每筆交易留給我們處理的時(shí)間，只有0.02秒。

團(tuán)隊(duì)對(duì)整個(gè)流程進(jìn)行了梳理，并進(jìn)行了一系列測(cè)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(duì)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(píng)分」，都需要能夠辨別交易是否屬于欺詐。

于是，我們對(duì)大量的欺詐交易行為進(jìn)行了分析學(xué)習(xí)，并將它在機(jī)器學(xué)習(xí)建模里體現(xiàn)出來(lái)。

當(dāng)然，即使你做了很多交易行為的分析，算了幾萬(wàn)個(gè)甚至幾十萬(wàn)個(gè)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(duì)大量的指標(biāo)進(jìn)行清理、組合和挑選，把它濃縮到幾千甚至幾百個(gè)指標(biāo)，順利的在0.02秒之內(nèi)完成計(jì)算和評(píng)分。

為了同時(shí)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(jìn)行了大量的學(xué)習(xí)和分析。

當(dāng)時(shí)，團(tuán)隊(duì)4~5人，整整經(jīng)歷了一個(gè)多月，才把整個(gè)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(shí)，客戶時(shí)常會(huì)有這么一絲顧慮：人工經(jīng)驗(yàn)好還是智能技術(shù)更好？

其實(shí)直到現(xiàn)在，這個(gè)顧慮在很多業(yè)務(wù)流程中仍舊存在。

其實(shí)人工和智能是互為補(bǔ)充的，具有完全不一樣的屬性。

人工，可以在自己已有經(jīng)驗(yàn)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(xiǎn) 。

但是，人工也有幾方面的問(wèn)題。

第一，要成為一個(gè)非常有經(jīng)驗(yàn)的專(zhuān)家，需要長(zhǎng)時(shí)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(gè)案件，發(fā)現(xiàn)很少的問(wèn)題。

而對(duì)于機(jī)器智能來(lái)說(shuō)，「人工」的劣勢(shì)，恰恰是它的優(yōu)勢(shì)。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(jī)器學(xué)習(xí)模型，幫助人們減少工作。

我們可以通過(guò)準(zhǔn)確率、覆蓋率這兩個(gè)量化指標(biāo)，對(duì)人工智能產(chǎn)出的效果進(jìn)行全面評(píng)估。通過(guò)ROI來(lái)判斷這個(gè)人工智能項(xiàng)目是否取得了良好的效果。

按照目前的發(fā)展來(lái)看，AI在人臉識(shí)別、文本識(shí)別以及我們?cè)谧龅娘L(fēng)控、合規(guī)和監(jiān)管等場(chǎng)景，效果都非常好。

有些領(lǐng)域，AI的水平和能力甚至超過(guò)人類(lèi)，比如風(fēng)控合規(guī)監(jiān)管，機(jī)器可以達(dá)到人類(lèi)97%或者98%的水平。

但是相比人類(lèi)，特別是非常資深的專(zhuān)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(wèn)題。

首先，在信貸風(fēng)控中，存在著大量的欺詐分子，他們會(huì)使用多種變化的行為，來(lái)隱蔽身份，即使有經(jīng)驗(yàn)的風(fēng)控專(zhuān)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(gè)人申請(qǐng)信貸的時(shí)候，還款能力如何？

如何使用數(shù)據(jù)、對(duì)數(shù)據(jù)特征分析以及如何把特征組合起來(lái)，產(chǎn)生一個(gè)準(zhǔn)確高效的信貸風(fēng)控模型，其實(shí)是非常有挑戰(zhàn)性的，十分需要有經(jīng)驗(yàn)的AI人才。

AI不能解決的剛需問(wèn)題

如何補(bǔ)齊AI的短板？這也是我們的重點(diǎn)研究方向。

如果人們對(duì)目標(biāo)的定義不明確，會(huì)直接影響AI的實(shí)際使用效果。

如果是沒(méi)有以前的歷史標(biāo)簽數(shù)據(jù)，或者標(biāo)簽里有很多錯(cuò)誤，AI要自主的去做學(xué)習(xí)挖掘，其實(shí)是非常困難的事情。  

在這種缺乏足夠先驗(yàn)知識(shí)的情況下，開(kāi)發(fā)無(wú)監(jiān)督和半監(jiān)督的機(jī)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(duì)一些特定的場(chǎng)景，比如說(shuō)在風(fēng)控合規(guī)領(lǐng)域，用「無(wú)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(cè)的方式，區(qū)分風(fēng)險(xiǎn)分子和正常人。

但是，在某些特定的場(chǎng)景下，AI金融產(chǎn)品確實(shí)滿足不了客戶的需求。

比如在金融產(chǎn)品智能營(yíng)銷(xiāo)領(lǐng)域，即使模型和推薦模型做的效果再好，也是很難通過(guò)少量的產(chǎn)品滿足消費(fèi)級(jí)用戶的全部需要。

而在面對(duì)To B客戶時(shí)，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(duì)方的業(yè)務(wù)，懂對(duì)方業(yè)務(wù)里的碰到的困難、問(wèn)題和挑戰(zhàn)。

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

我對(duì)行業(yè)的一些認(rèn)識(shí)

在AI金融領(lǐng)域從業(yè)多年，我對(duì)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(duì)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(huì)發(fā)現(xiàn)，它們的設(shè)計(jì)非常巧妙， 會(huì)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(gè)行業(yè)的落地，不只是一個(gè)技術(shù)問(wèn)題，更是一個(gè)業(yè)務(wù)問(wèn)題。

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

第二，AI實(shí)際上在不斷的預(yù)測(cè)未來(lái)。

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

實(shí)際生活中數(shù)據(jù)是不斷變化的，AI在這個(gè)動(dòng)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(cè)未來(lái)。

想要將未來(lái)預(yù)測(cè)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(lái)腳踏實(shí)地，真正做一些能夠穩(wěn)定、持續(xù)預(yù)測(cè)未來(lái)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(jiàn)轉(zhuǎn)載須知。