金融科技盛宴（六）：银行的人工智能应用-InfoQ

导读：这是系列文章之一。本系列梳理了国内外银行信息化历程，包含区块链、云计算、物联网、移动端、人工智能各方面的应用情况。

一、人工智能发展简介

人工智能的历史几乎与计算计的历史相当，1956 年夏季，以麦卡锡、明斯基、罗切斯特和香农等为首的一批有远见卓识的科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语。伟大的数学家图灵提出的人工智能训练设想时至今日也未过时。

但受到计算机性能、数据等客观因素的制约，人工智能的发展先后经历了两个“寒冬期”，直到 2006 年开始爆发。当年，Hinton 提出了 Deep Belief Nets （DBN），通过 pretraining 的方法使得训练更深的神经网络变得可能；2009 年 Hinton 和 Deng Li 在语音识别系统中首次使用了深度神经网络（DNN）来训练声学模型，最终系统的词错误率（Word Error Rate/WER）有了极大的降低；2012 年 AlexNet 首次在比赛中使用了深层的卷积网络，取得了 16%的错误率（之前的方法只能达到 25%的水平）；2016 年 Google DeepMind 开发的 AlphaGo 以 4 比 1 的成绩战胜了人类世界冠军李世石，人工智能彻底“翻身”了。

二、国外银行对人工智能的应用

据金融稳定委员会（FSB）报告，国际银行业对人工智能的应用主要集中在以下几个方面：面向资本运营，集中在资产配置、投研顾问、量化交易等；面向市场分析，集中于趋势预测、风险监控、压力测试；面向客户营销，集中于身份识别、信用评估和虚拟助手；面向金融监管，集中于识别异常交易和风险主体。

2017 年 4 月，富国银行开始试点一款基于 Facebook Messenger 平台的聊天机器人项目，虚拟助手通过与用户交流，为客户提供账户信息，帮助客户重置密码。美国银行（BOA）的智能虚拟助手 Erica，可以通过语音和文字与客户互动，帮助用户查询信用评分、查看消费习惯，为 4500 多万客户提供还款建议、理财指导等。格兰皇家银行使用“LUVO”虚拟对话机器人为客户获取最适合的房屋贷款，努力成为用户“可信任的金融咨询师”。

一些国际监管机构，例如澳大利亚证券及投资委员会（ASIC）、新加坡货币当局（MAS）及美国证券交易委员会（SEC），都在使用人工智能进行可疑交易识别。

三、国内银行对人工智能的应用

人工智能是目前国内银行应用态度最积极的“黑科技”，从各行发布的科技战略中就可见一斑，比如工行提出的“e-I CBC 3.0 智慧银行”、建行提出的“5G 智慧银行”、平安银行提出的三大阶段打造“AI Bank”等，几乎没有哪家银行的科技规划中人工智能不唱主角的。

从应用上看，国内银行主要的应用集中在如下方面：

（一）客户识别

在客户识别方面，目前最火的当属“人脸识别”技术。根据 2019 年 Gen Market Insights 的最新研究，中国将成为人脸识别技术领域最大的消费者和市场供应商,到了 2023 年，中国将占全球人脸识别市场份额的 44.59%，高于 2017 年的 29.39%。中科院孵化的某 AI 公司已经成长为目前业内的人工智能技术第一供应商，为农行、建行、中行、招行等 400 多家银行提供智能服务，据称在 2018 年，其日均调用达到了 2.16 亿次，可见银行目前对“人脸识别”技术的“青睐”。

“人脸识别”是生物识别技术的中一种，由于人工智能的采用，生物识别技术在准确率和速度方面都有了较大提升，是人工智能技术比较实用的落地场景。目前各银行在手机银行、网点、支付等渠道或场景中广泛采用了“人脸识别”、“语音识别”等技术进行客户身份验证。

（二）营销管理

银行的客户层次很丰富，尤其是个人客户。银行在 2014 年前后，就已经出现通过“神经元网络”技术进行客户分群工作的应用。银行的个人客户群体非常庞大，如果没有合适的进行分群分类，是难以支持客户营销和客户关系管理的，而这项基础工作至少每旬应当进行一次，否则客户分群分类信息的更新会非常滞后，但对于银行，尤其是大银行过亿的客户量而言，这是极其消耗资源的工作，但此类工作正是人工智能技术的强项。

互联网科技公司基于“客户画像”技术进行的“精准营销”对于银行而言是很有启发借鉴意义的，这是从人脉、人工营销向“智能”营销转变的主要路径。银行近年也纷纷采用人工智能技术改造客户营销方式，从“客户画像”开始，在原有分群分类的基础上，进一步将对客户的了解推向个人粒度，业务目标也从“千人千面”飙升的“亿人亿面”。

“智能”营销其实在底层上主要是三方面处理技术的协同：客户画像、产品画像和智能匹配。客户画像、产品画像都是力图在画像对象上增加更多维度的标签，使画像对象更加“立体”，信息更加丰富，而智能匹配则是基于上述结果，结合场景实现二者之间的关系识别，比较典型的应用如智能投顾。这三方面都会用到不同类型的人工智能模型算法，以完成海量数据的分析和关系识别，近年来知识图谱技术在这方面的应用正在日趋增多。

“智能”营销对银行业态的改变也具有很大的影响，多数人都在关心人工智能技术对柜员的替代，其实无论对于柜员还是客户经理，“智能”营销技术的不断成熟和改进对银行从业人员产生的深远影响远大于对一般柜面操作的替代。

不过，目前银行的“智能”营销还没有达到互联网科技公司的应用水平，主要还是通过人工智能技术发现“商机”，并将“商机”推送给前台人员，辅助前台人员进行营销工作，还没有大范围形成与客户的直接交互。

随着人工智能技术应用的拓展，银行也在逐步形成对“获客、活客、留客”的全方位“智能”支持，将客户关系管理、客户营销工作通过人工智能技术有效连接起来。

（三）业务运营

集中运营是银行节约成本、内部挖潜的重要手段。得益于互联网技术的发展，汇丰银行早在 1995 年就成立了第一个大型离岸集中作业中心。

国外大银行的运营转型过程已经有 20 多年的历史，从小运营逐步发展到大运营，甚至泛运营。小运营以“账户”的管理工作为核心，包括清算、结算、核算等；“大运营”则将多界面管理、专业后台运营工作等纳入板块；“泛运营”更是覆盖到了采购、物业管理等中后台功能支持板块。

国内银行 2006-2008 年左右，借助于数据集中的完成，运营集中也开始进行，大型运营中心逐步建立。之后，随着人工智能技术的进步，运营效率进一步提升。

得益于人工智能算法带来的图像识别率上升，OCR（Optical Character Recognition，光学字符识别技术）技术可以将原来前台分散进行的证件审核、银行卡识别、票据审核、票据录入等人工操作转移到后台运营中心进行，不仅效率提升，而且风控措施也得到了增强；人工智能技术也在不断提高清结算、对账工作的效率；语音识别、自然语言理解技术的采用，使本已经实现集中化运营的客服中心进一步降低了人员需求，这也使得大量客服中心人员转岗；机器人自动化（RPA）技术正在更加广泛地影响银行的流程设计和运营管理。

（四）风险控制

智能风控的概念大约在 2014 年前后开始逐渐兴起，互联网金融领域在消费信贷方面对人工智能技术的应用推动了智能风控的快速发展。基于神经网络、决策树、机器学习、随机森林等分析方法，银行在信用评分、信贷审批、发欺诈、反洗钱、贷中管理、催收等领域的工作效率大幅提升。

互联网系的银行在技术方面具有一定优势，起步也较早。蚂蚁金服据称 80%的业务场景都基于模型进行风控，2014 年 12 月微众银行推出的“微粒贷”、2015 年 6 月网商银行推出的“网商贷”、2016 年 12 月网商银行推出的“好人贷”都是采用智能风控技术进行信贷管理，信贷审批效率获得较大提升。

2017 年农行与百度合作推出“AB 贷”，农行负责金融产品的业务设计，百度则提供信用风险控制技术。在网贷产品方面，各传统银行也纷纷有所动作，工行“融 E 贷”、建行“快贷”、广发“E 秒贷”、兴业“兴闪贷”、中行“中银 E 贷”、招行“闪电贷”等，其后都有智能风控技术的支持，以实现比肩互联网公司的业务效率。招行的“天秤系统”据称对交易风险决策的响应速度在 30 毫秒以内，达到客户无感知的情况下做出风险决策。

智能风控对于银行实现对消费场景嵌入、支持在线实时金融服务、推广普惠金融具有极大作用，也可以说是当前落地的人工智能应用中，最有实际业务价值的部分。截至 2018 年末，仅有 700 余人的网商银行已经累计为 1200 万小微企业提供过贷款，披露的不良率为 1.45%，远低于全国小微贷款不良率 5.9%的平均水平。

四、值得关注的 RPA

1994 年，保罗·阿伦在总结美国等发达国家自 70 年代银行业务再造实践经验的基础上，将哈默的企业流程重塑理论引入银行业，出版了《银行再造——存活和兴旺的蓝图》一书，提出银行流程重塑理论。原中国银监会主席刘明康于 2005 年 10 月在“上海银行业首届合规年会”上，较早提出了国内流程银行的概念。

作为服务业企业，银行对流程的关注由来已久，流程再造是提升内部工作效率、改善外部客户体验的必经之路，但是由于“部门银行”的思维模式影响深远，流程在跨越部门界限的整合设计方面一直进展缓慢，直到来自互联网的竞争倒逼银行更加主动地去改造流程。

以前银行在内部业务系统的设计过程中，也经常会产生一些打破部门边界的想法，但是由于制度、职责等原因，加之对于流程自动化的“信任”度不高，担心业务差错难以及时纠正等，使原本可以实现的自动化设计时有“搁浅”。如今，随着银行对计算机系统的依赖越来越强和人工智能技术的进步，流程自动化以“软件流程自动化（Robotic Process Automation，RPA，也称“机器人自动化”）”技术的面孔重返舞台。

国外方面，印度工业信贷投资银行简称 ICICI。是印度第二大银行，也是世界最大的私营银行之一，规模仅次于印度国家银行（SBI）。总资产约 960 亿美元，在印度拥有 955 个分支机构，并在 17 个国家设有办事处。ICICI 银行是印度第一家，也是全球少数几家在全球范围内部署 RPA 的公司。早在 2012 年 ICICI 便已经开始筹备 RPA，以帮助银行实现数字化转型。到目前为止，ICICI 通过 RPA 已经实现 1350 个业务的流程自动化，主要用于客户新增、交易处理、交易后服务、对账、贷款处理、以及系统之间的数据移动和提取等，技术团队的规模也达到 60 余人。ICICI 的 RPA 被用来捕获和分析银行系统中的信息，并跨多个应用程序自动运行业务流程。时至今日，ICICI 银行运营和客户服务主管 Anubhuti Sanghai 说：“RPA 在 ICICI 银行被大范围应用。在运营领域 RPA 帮助银行每天自动处理 650 万笔交易，同时为超过 3000 万的客户提供售后服务”。

国内方面，2019 年 5 月 17 日，工行 RPA 技术平台启动，被称为是国内银行业的首次企业级应用；5 月 25 日，建行 RPA 系统上线。建行的项目，从 2018 年招标到实施、上线，用时半年，目前内部反映良好，已有更多部门提出应用需求。两大行几乎同时推出 RPA 应用，可见双方对 RPA 技术的兴趣和科技竞争的激烈程度。

上述国内外 RPA 应用既包含业务流程中单环节的自动化，也涉及跨流程、跨业务系统的自动化处理，很多 RPA 设计并不像人们想象的那样“高大上”，而是很简单的类似表格采集技术这样的应用。

采用企业级业务架构设计方式，能够在更大范围内驾驭流程再造，通过流程的梳理，识别低效业务环节或者业务驱动方式，再将综合了人工智能的 RPA 技术应用到流程再造中，这使得 RPA 具备了从企业级层面、从人机协作角度全面提升企业效率的潜能。

RPA 具体使用的技术可以包含很多类型，甚至不能算作一项专门的技术，前文介绍的人工智能应用皆可融入其中，成为一种有机联动企业整体的设计方式，将人工智能目前偏重“点状”应用的局面提升为“线状”、乃至“面状”的应用。

五、关于对银行人工智能应用的思考

银行对人工智能技术的应用态度是非常积极的，这是由银行应对跨界竞争、打破同质化僵局的双重目标决定的。但是在人工智能应用方面，银行仍然存在以下问题：

（一）基础研究薄弱

银行整体而言不具备人工智能研发能力，只具备应用能力，而且应用方面大多也是依靠供应商，尽管这在促进科技进步、完善社会分工、高效推动新技术应用方面均无可厚非，但是，这也意味着银行不具备真正驾驭该项技术的能力。

目前，互联网科技头部企业都在人工智能基础研究方面投入较大资源，无论是国外的谷歌、亚马逊、苹果、脸书，还是国内的阿里、腾讯、百度、字节跳动，都在人工智能基础研究方面不惜以重金争夺人才、建立优势。

尽管国内监管上目前“科技公司变银行”这个“车道”已经逐步建立起严格的监管机制，但是从长期趋势来看，“银行变科技公司”这个“车道”可能是无法限制的，也许只是时间问题而已。那么，对于科技公司而言，缺乏对核心技术的掌控力则是难以想象的。

（二）人工智能技术自身带来的问题

人工智能技术在经历过这一轮的空前繁荣后，自身也面临着一些问题：

学习能力方面。人工智能技术尽管目前取得了不小的进步，在之前一致认为不可能战胜人类的围棋领域取得绝对性胜利，在复杂的即时战略等类型游戏上表现抢眼，在语音识别方面逐渐超越人类打字员，但是，其学习方式依然属于“慢”学习类型。2019年8月在吉隆坡“王者荣耀”游戏最高规格的电竞赛事中，“5V5”模式下战胜人类职业玩家的腾讯人工智能系统“绝悟”，其1天的训练量可以达到人类440年的训练量。这显然不是大家对人工智能期待的学习方式，而且迁移学习方面进展有限，以极大数据量训练的模型很难更换场景使用，这也限制了其发展。人工智能的发展还应当朝向更接近人类思维方式的小数据、可迁移方向演进。
数据隐私方面。随着全世界范围不断增强的数据保护力度，对于金融类业务这种需要大量依靠客户信息、业务信息进行模型训练的领域，如何解决数据确权、数据使用成本问题，虽然不会影响当前的人工智能发展，但是对未来的发展可能会造成一定影响。
人力替代引发的争议。人工智能颇有争议之处就是其不可避免地会带来人力替代，即便很多人认为人工智能应用的主要方向是不断加强人机协同，但随着业务处理效率的上升，仍旧会产生人力替代。未来十年中，这种替代可能在银行业产生比较明显的影响，富国银行预期将会对金融业产生20万工作岗位的削减，摩根大通预期会在欧洲产生6万工作岗位的削减。工作岗位削减也会伴随各种争议。这将不仅是对存量人力资源的影响，对于新进者的职业技能要求也会逐渐产生变化，新进者需要具备更好的人机协同能力。

参考资料：

1.《日均 2.16 亿次人脸比对，“银行最强视觉技术供应商”还不满足？》，2019-07-08，Deeptech 深科技。

2.《智慧运营:银行业竞争的下一个决胜之地》，波士顿咨询，《新金融》2017 年第 12 期。

3.《“暖科技”让普惠金融发展跨越“鸿沟”》，2019-08-02，梁昊、王嘉伦，清华金融评论。

4.《印度第二大银行 ICICI 通过 RPA，每天自动完成 650 万笔交易》，2019-07-20，RPA 中国。

相关文章：

金融科技盛宴（一）：开放银行到底都开放了什么？

作者简介：

付晓岩，《企业级业务架构设计：方法论与实践》图书作者，原国有大行资深业务架构师，负责业务架构设计、项目管理，热衷新技术探索与实践，具有丰富的银行业务经验和企业级项目业务架构设计经验，曾主导客户关系、金融市场、同业、资管、养老金等多个领域核心系统的业务架构设计，现就职于建信金融科技有限责任公司。即将发行新书《银行数字化转型》，将通过对银行信息化历程的回顾、对新技术的思考，应用企业架构方法，从企业管理和技术设想两个方面阐述了银行数字化转型的方法论，并对转型后的银行形态进行了预估。书中给出了笔者自己对数字化的定义和度量方法，区分了信息化和数字化两个技术发展阶段，使对数字化的理解更为清晰，可供银行业及其他行业践行数字化转型借鉴。公众号：晓谈岩说。

发布

暂无评论

金融科技盛宴（六）：银行的人工智能应用