人工智能(AI)技術從誕生到今天，早已從實驗室的黑科技階段進入到了對產業(yè)賦能的階段，而在此賦能過程中，當前的技術落地與最初的設計愿景是存在著區(qū)別的。
關于人工智能能否超越人類智慧這一話題一直存在爭論，但這并沒有阻止技術落地的步伐。我們已經看到不少落地成果，尤其是在某些特定場景下人工智能的效果已經超過人類智慧，不過全面超越人類智慧還有著很多變數。
因此，我們認為在技術上現今仍處在弱AI時代，但在產業(yè)賦能上已經逐漸地在發(fā)揮人工智能的作用。
AI在金融領域潛在市場巨大
國內傳統(tǒng)金融行業(yè)存在發(fā)展不平衡的現狀，因此，就一家金融企業(yè)來說，對于AI的認知以及應用的場景都會存在差異。
目前，相對易落地的是傳統(tǒng)金融企業(yè)的內部場景，即與內部運營有關的場景，AI的應用可以提升運營效率。比如，OCR(圖像識別技術)在銀行內部流程中發(fā)揮著作用，提升了票據識別、身份證件自動識別、圖像轉文字的效率。
然而，在對外場景中，AI落地會面臨更多的挑戰(zhàn)，需處理復雜多樣的風控問題，還會受到諸多外部因素的影響，比如人們的消費習慣的變化、黑產攻擊模式的變化、行業(yè)產品迭代變化以及監(jiān)管政策的影響等。
因此，AI技術的應用仍然面臨很多差異化的挑戰(zhàn)。AI應用的未來趨勢，會有更多細分。由于國內市場非常大，不少金融企業(yè)對AI的應用還處在實驗階段，在生產上落地的不多，這意味著有更多的機會。
AI技術落地挑戰(zhàn)重重
AI在推動傳統(tǒng)金融數字化轉型過程中面臨諸多挑戰(zhàn)，其中最大的挑戰(zhàn)是AI技術如何跟業(yè)務場景的需求緊密結合。
AI的落地過程不可能是一蹴而就的，按照怎樣的步驟和計劃推進，對于傳統(tǒng)金融機構來說是必須要面對的問題。金融客戶了解自己的業(yè)務，技術供應商有著自己的技術，但這兩者之間如何建立無障礙的溝通橋梁，快速了解對方并找到最契合的場景進行落地，這需要一個過程。
AI在傳統(tǒng)金融數字化應用的挑戰(zhàn)還有國內傳統(tǒng)金融區(qū)域間發(fā)展不平衡的挑戰(zhàn)。經濟發(fā)達地區(qū)的創(chuàng)新意愿更強烈，內部環(huán)境更好，對外態(tài)度更開放，接受能力也更強。對于發(fā)展程度相對較弱的地區(qū)，AI還處于實驗室階段，企業(yè)對新技術的應用也更為謹慎，在推進過程中需要有著更多溝通和了解。
2019中國人工智能商業(yè)落地初創(chuàng)百強企業(yè)地域分布 *圖片來源：億歐智庫
在實際業(yè)務的對接中，我們還發(fā)現統(tǒng)一客戶認知具有一定挑戰(zhàn)。如何在幫助客戶解決問題時，提供可視化、可解釋、易操作的科技產品，是科技公司需要考慮的重要問題。
搭建全流程AI風控體系
面對AI技術落地的挑戰(zhàn)與困難，DataVisor維擇科技在AI領域不斷深耕與成長。根據長期的觀測與分析總結，DataVisor搭建了一個AI賦能的全流程風控體系。那么，全流程是什么?
數據層：進行數據整合，打破數據孤島
從底層數據層看，需要對金融機構內部進行數據整合，打破數據孤島。
由于傳統(tǒng)金融機構的歷史數據系統(tǒng)龐大，數據倉庫繁雜，數據之間的連通問題不易解決，不同產品間的數據難以共享。面對當前的金融風控需實現快速實時的服務需求，這就需要把內部數據打通整合，不然將影響處理時效，甚至無法實現實時風控。因此，通過提供此類數據整合服務，從而幫助企業(yè)實現業(yè)務的實時風控需求。
業(yè)務層：運用AI技術實現降本增效
在業(yè)務層面，基于不同機構的不同需求以及基于傳統(tǒng)規(guī)則的風控系統(tǒng)，研發(fā)一系列的產品套件，這類產品在理解和使用上都較為容易，落地使用也較為廣泛;也有運用無監(jiān)督機器學習算法的AI產品，這類產品通常提供給對AI技術有一定認知的企業(yè)使用;此外還有終端風控產品，幫助金融機構解決客戶交互過程中存在的風險問題。
此產品體系是完全契合于金融機構的業(yè)務全流程的，也是基于現有的痛點去做匹配設計的。在實際的落地中，這些產品既可以單獨提供服務，也可以成體系化的提供，同時我們會配以咨詢服務，幫助客戶對其現有系統(tǒng)進行需求評估，比如客戶如何選擇產品、如何落地新產品、如何契合其業(yè)務。另外，我們也會結合多家客戶的服務經驗，形成更好的行業(yè)實踐。
AI賦能金融客戶實時打擊薅羊毛欺詐
傳統(tǒng)金融客戶的AI技術應用需求是不同的，客戶中許多是已經在AI落地上有一定經驗的機構，他們對AI更深、更廣的應用需求是相對強烈的。這類傳統(tǒng)金融機構在選擇解決方案或科技產品時會考慮的因素也比較全面，比如：風控運營效率、人力投入成本、檢測效果等;除此以外，還會考慮一些自身因素，比如新產品能否與其原有系統(tǒng)良好匹配、產品跟金融風控流程中的上下游場景的契合度、產品后期的維護和升級是否復雜等。
舉個具體案例，DataVisor維擇科技在服務某知名財險機構時，客戶希望打通底層多個產品的數據，達到毫秒級的薅羊毛欺詐檢測，對虛假保險理賠進行實時攔截。但客戶在自研發(fā)時，受限于底層數據沒有打通，導致整個計算風險評估的時間過長，無法實現實時攔截。DataVisor維擇科技的產品Feature Platform(實時變量計算平臺)幫助客戶在短時間內實現這一毫秒級的實時風控需求，實時從不同底層數據庫抽取需要的風控數據，并生成特征變量支持風控系統(tǒng)實時判斷這些虛假理賠的情況，成功解決了這一問題。
AI供應商與客戶的關系是雙向促進的。比如，在服務客戶時發(fā)現該機構內部的對接人員多、體量大、內部分工細。在底層數據產品的落地過程中，不僅對接了數據部門的各團隊，還對接了業(yè)務部門的各團隊，這給AI供應商提出了很大挑戰(zhàn)，因此，AI供應商不僅需要擅長數據分析領域，也需要解決業(yè)務部門的一些業(yè)務邏輯問題。由于各風控部門的技術認知和風控手段實現方式的想法是不同的，在溝通中也碰撞出諸多創(chuàng)新的匹配業(yè)務的風控模式，也讓AI供應商的產品發(fā)掘出許多跟最初設想不同的落地場景需求，這是非常有意義的過程，這增強了對AI供應商自身技術開發(fā)的信心。
結語
在當下的弱AI時代，傳統(tǒng)金融客戶的數字化轉型挑戰(zhàn)巨大、情況復雜、變化較快，逐漸完善金融全流程AI風控體系，將會是傳統(tǒng)金融向數字化金融逐步過渡過程中，有效應對內外部欺詐風險的良方。
作者簡介：
DataVisor首席咨詢官 孫睿
資深金融風控專家，曾服務于中國建設銀行、交通銀行、匯豐銀行。在銀行風控領域有著豐富經驗，專注于信貸業(yè)務的風控全流程體系建設。近年來，參與和主導了多個風控系統(tǒng)開發(fā)和升級項目，助力銀行數字化轉型。
免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。
