金融机构开展人工智能应用，你应该了解这3点！

来源: 苏文力 · 央行观察   

金评媒（https://www.jpm.cn） 编者按：随着大数据时代的到来，深度学习、机器学习成为新的趋势。

人工智能是人类利用计算机去完成以往需要人的智力才能胜任的工作。随着大数据时代的到来，深度学习、机器学习成为新的趋势。机器通过大数据，开展自学习，使得人工智能的能力有了突破性发展。金融是依靠信息处理做生意的行业。金融机构有成熟的信息系统，良好的数据自动化采集体系，集中积累了大量规范的金融账户和历史交易数据，非常适合开展人工智能应用。 

前段时间，我们公司组织高管学习，方向是人工智能。除了请外面的大咖来讲课外，还需要对公司人工智能的应用情况进行检视。正好安排利用这次机会回顾梳理前期相关工作进展和方法策略得失，形成报告材料。活动取得了比较好的效果，统一了公司领导层对人工智能应用的思想认识，坚定了加大该领域投入和工作力度的决心。大家对于公司现阶段的工作措施和成果表示认可，纷纷要求尽快将人工智能应用到自己所负责的工作之中。有关报告材料中的一些内容在此与大家分享。 

1、业务驱动 

开展人工智能应用必须首先明确业务部门承担该项工作的主要责任，技术专业部门只能起到推动和支持作用。人工智能应用的目的是解决业务问题，给企业带来发展的新机会和价值。业务部门掌握着企业经营管理所需要的资源，承担企业经营活动最终结果的全部责任，人工智能提供了新的技术工具选项，是否使用或用在何处，需要业务部门根据投入产出效益来衡量取舍。业务部门针对自身实际工作中的问题，结合能够获取的数据情况、技术投入及收益情况，确定是否采用人工智能技术，并牵头开展相应的项目研发和实施。 

要在企业中积极开展人工智能相关知识的培训和宣传，让业务部门了解到有人工智能这个现代化新工具，可以用于替代人来更好地开展业务。要鼓励业务部门在某些业务环节中大胆尝试应用，并给予资金和技术资源的支持。要大力奖励在人工智能应用方面取得突破性进展的部门和项目团队，形成推广案例广泛宣传。 

现有人工智能所取得的成功基本都是表现在某一个细分领域的某个具体场景上。全能型的通用人工智能距离达到比较实用的程度还很遥远。企业应该针对具体的应用场景，定义清楚问题边界，开发专用的人工智能模型和程序，从某一点突破，再逐步扩大和拓展应用范围。追求大而全的终极解决方案将会消耗大量时间和资金资源，难以获得企业认可。围绕解决具体业务问题，快速取得成绩，才能形成良性循环，不断获取企业的支持和持续的投入。 

金融业务中的量化交易、智能投顾、精准营销、风险防控、智能客服、安防与客户身份认证等方面，都可以开展人工智能应用。具体实施时，要找到非常具体的场景，将项目界定在一个非常有限的边界内，要有足够的数据支持，要有量化的结果反馈。范围越具体可控，数据越丰富，结果越明确，应用的效果就越好。 

以智能客服为例，可以先选择客户产品问题文字应答这个局部的具体场景。客户输入的问题意见和对机器应答的回馈，都可以形成数据记录下来。机器应答解决客户问题的程度，可以根据客户的回馈反应进行测量判断。这样机器就可以在这个比较狭窄的范围内，通过对大量客户问题及对算法所给出答复的反馈结果数据进行学习，不断调整优化算法，快速提升智能应答服务的效率和质量。 

2、专业保障 

人工智能技术专业性比较强，需要有一支专门的队伍，负责人工智能应用的推动宣传和技术支持保障工作。首先要找到掌握人工智能技术的优秀专业人才，形成专业团队。目前市场上人工智能人才奇缺，价格水涨船高，比较经济的做法可以采用外聘猎取和内部培养相结合的模式。重点招聘能够领导人工智能应用的领军人才，辅助从内部选择一批有潜质的年轻技术骨干，通过实践中学习积累，逐步形成本企业的人工智能核心团队。选择人工智能人才要着重看其解决实际问题的能力，而不能盲目强调其学术地位和理论水平。 

要积极与业内的人工智能服务公司接触交流，跟踪掌握市场上可以采用的人工智能技术和工具，搭建实验环境，模拟各主要人工智能应用类型，开展研究实验，培养建立人工智能应用的专业实施能力。针对业务问题开展技术服务时要以追求创造业务价值为最终目标，选择最经济快速的方式开展工作，避免一味强调稳定可控而仅仅采用自主开发的单一模式。要将直接引进外部产品、引入外部技术力量和联合开发都作为可能的选项。 

要收集研究市场上人工智能应用的成功案例，针对企业的具体问题需求，设计提出基于人工智能的初步解决方案，并形成算法原型。通过与业务部门交流互动，让业务人员理解人工智能所能够扮演的角色，聆听业务部门的反馈意见，调整方案建议，争取业务部门能够接受，愿意立项采用人工智能技术解决其业务问题。 

在与业务部门交流时，要避免不切实际的成果预期承诺，以免后续工作过程中产生误解，影响双方合作。人工智能技术仍处于发展阶段，业务部门也缺乏相关应用的直接感受，技术和业务均需要通过项目收获经验。要充分估计到可能遇到困难，尽可能限制项目的边界范围，比较保守地预估将会实现的成绩目标，让大家能够在实施过程中保持比较平和的心态。 

具体实施过程中，要采用敏捷开发法，快速进行原型验证，持续迭代优化。人工智能应用需要大数据支撑，只有将算法模型投入使用，才能持续获取大量反馈数据，验证模型算法的有效性。反复持续进行算法模型的部署、验证和调整是人工智能应用项目所必须经历的过程。 

人工智能应用需要嵌入到业务活动中，可能会涉及业务系统做相应配合调整。初期应尽可能让人工智能算法模型及配套应用相对独立运行，与原有系统相互隔离，让人工智能应用作为新增加的功能选项，其运行出现问题时不影响原有业务的正常进行。当算法模型比较成熟后，再考虑对所涉及的业务系统做比较完整的配套优化，整合形成一体化的服务。 

3、有效运用工具和资源 

人工智能应用需要有掌握相关技术的专业人才，还需要有大量的数据为建立和训练模型提供支撑。目前市场上人工智能的人才非常稀缺，而大规模数据也是分散在不同的场景下，被不同的公司所掌握。金融机构不可能仅仅依靠自己，就能够完全具备开展人工智能所需要的人才和数据资源条件。必须考虑与其他社会企业单位开展协作，争取共赢。 

目前市场上许多互联网科技公司依靠自己的大数据和人才队伍优势，已经研究出相当实用的人工智能工具，如人脸识别、语音识别、文字识别、图像识别、智能客服应答等。这些服务已经部署在云计算环境，方便所有企业调用。云端智能服务按使用付费，价格实惠，实施调用也十分方便快速。随着使用单位的增加，将带来更大规模的数据让算法模型更优秀，更能够产生规模经济。相比较而言，金融企业在人才和数据上都没有优势，完全没必要在类似比较公共的人工智能工具服务上花费资源自行研发，应直接购买使用相关云服务，这与购买使用其他公司开发的软件包产品非常类似。 

金融机构有人工智能的使用场景和数据，但不掌握部分专业领域的人工智能技术，可以利用其具有场景数据的优势，寻找有专业能力的公司开展合作。我们公司电话服务中心的通话质量检查工作，一直采用人工抽查监听的方式，效果很不理想，急需改变。正好有个研究机构计划开展语音情绪识别方面的人工智能产品创新，虽然他们掌握有相关语音情绪识别模型算法技术，但没有数据进行算法训练，更没有场景进行检验和叠代优化。经过接触，发现双方优势互补，我们有非常丰富的语音数据和实际的使用场景，他们有专业的人才技术。大家一拍即合，确定共同投入资源开展研究，分享最终成果。目前模型训练进展顺利，已经尝试部署在质检环节中开始迭代优化了。 

金融服务不够高频，所能够获取的客户数据相对比较单一，在利用人工智能开展风险管理、精准营销和个性化服务等业务活动时，需要有更加全面完整的客户行为数据提供支持。这需要金融机构与其他具有相关数据的公司机构开展合作，基于更广泛数据共同研发相关的人工智能应用。比如保险公司为具有良好健康生活习惯的客户提供优惠保险，就应该找医疗机构、健康运动APP和餐饮APP等开展合作，建立基于运动、饮食及自身健康状况数据的人工智能算法模型，应用于产品定价、营销和服务中。 

金融机构是围绕信用和风险识别开展业务活动的，要安排专人重点负责该方面人工智能的应用工作。要特别注重相关数据的收集，建立广泛的数据合作体系。要结合自身行业及市场定位特点研究相关的人工智能算法模型，通过实际数据中的深度学习训练，形成独特的金融产品服务。经过一段时间的持续积累，相关人工智能的应用能力将会成为企业的核心竞争力。 

有些比较小的人工智能项目，自己有数据，没有外部的工具服务可以利用，也没有公司愿意合作，若业务有比较强烈的要求，可以安排自己力量进行研发。目前市场上有很多开源的人工智能算法模型程序，可以很好地加以利用。比如我们公司电话中心的排班管理，一直被预测结果不准确所困扰。经过建立人工智能预测模型，利用生产过程的反馈数据进行深度学习迭代，很好地达到了业务预测的准确性要求，获得了业务部门的认可和好评。

（编辑：杨少康）

来源: 苏文力 · 央行观察

莉莉财经