中国人工智能在金融业的应用探索.docx

中国人工智能在金融业的应用探索.docx

《中国人工智能在金融业的应用探索.docx》由会员分享，可在线阅读，更多相关《中国人工智能在金融业的应用探索.docx（14页珍藏版）》请在冰豆网上搜索。

中国人工智能在金融业的应用探索

中国人工智能在金融业的应用探索

一2019年中国人工智能发展状况

2018年7月25日，中国国家主席习近平在金砖国家工商论坛上发表重要讲话。

他认为：

“未来10年，将是世界经济新旧动能转换的关键10年。

人工智能、大数据、量子信息、生物技术等新一轮科技革命和产业变革正在积聚力量，催生大量新产业、新业态、新模式，给全球发展和人类生产生活带来翻天覆地的变化。

我们要抓住这个重大机遇，推动新兴市场国家和发展中国家实现跨越式发展。

”2019年全国两会上，李克强总理在回答记者提问时首次提出了“智能+”概念，在“人工智能”连续三年出现在《政府工作报告》中后，“智能+”的概念首次被写入《政府工作报告》。

随着人工智能技术的不断进步，世界已经进入新的“智能化”阶段，中国各行各业的优秀企业在经过了几年乃至十几年的“数字化”转型后，已经为智能化升级打下了一定基础。

人工智能的概念始于20世纪60年代，经过多年的发展，研究成果丰硕。

21世纪以来，随着中国的现代化进程不断取得突破，中国的人工智能取得了巨大的成果，各细分领域不断涌现优秀的人工智能厂商。

而从近几年的人工智能发展宏观蓝图角度出发，国内传统行业经营模式的变革与高速发展的人工智能技术尚未完美融合，这预示着人工智能核心产业还有巨大潜力。

据不完全统计，2019年，我国人工智能核心技术的产业规模突破570亿元（见图1），其中安防和金融两个领域占的比例最大，分别为53.8%和15.8%，农业、医疗、教育等占比较小（见图2）。

图12018～2022年中国AI赋能实体经济市场规模

图22019年中国AI赋能实体经济各产业份额

据不完全统计，2019年，中国科技技术研发整体费用约为4005亿元，其中AI研发占比为9.3%（见图3和图4），这些费用主要来自头部互联网科技公司以及细分领域的人工智能头部公司。

其中，最主要的方向有三类：

计算机视觉类、自然语言处理类以及语音识别/语音合成类，占比分别为22.5%、7.1%和2.3%。

三者中，计算机视觉类算法的相关研发投入占比最大，其中人脸识别和OCR为最重要的应用。

数据分析初步说明了视觉技术在国内的应用前景、产业需求和政策导向呈正相关关系，其目前仍是中国最具代表性的AI应用技术。

图32019年中国科技企业AI算法研发投入情况

图42019年中国科技企业AI主要领域算法研发投入情况

二人工智能技术在金融业主要应用场景和典型案例

随着人工智能技术本身的不断发展与实践，互联网企业中的头部企业开始发力，利用自身技术和内部实践经验，在各行业大力推广人工智能技术，探索技术与业务场景的融合；而后各人工智能领域的专业团队也纷纷加入，为行业提供更加优秀的技术与解决方案。

在推广中，智慧城市、智能驾驶、智慧医疗、智慧金融四大领域率先成为智能场景成功落地的试点区域。

四大领域各有特点，技术互通也有较大区别。

近年来，以人工智能为代表的金融科技快速发展，推动银行深化普惠金融，不断扩展金融服务的边界，提升金融业务的效率，打造了全新的智慧金融模式。

智慧金融的关注点在于利用人工智能技术代替人工为客户提供金融服务，帮助员工开展金融工作，帮助风险部门提升金融风险控制能力，帮助业务部门挖掘更丰富、更准确营销机会，帮助决策层管理与做出决策等。

针对目前的四种分类，银行业称之为智能运营、智能风控、智能营销、智能决策四大智能领域。

而这些领域恰恰切中了银行业的主题业务与痛点，通过技术的加持，在短时间内，技术的价值得到发挥。

2019年，随着深度学习等技术的深入发展，越来越多的人工智能技术在金融业得到更深入的应用[1]。

根据各家银行的人工智能发展情况，2019年以来，银行业关注的且人工智能应用较成熟的重点领域主要有以下三类。

（一）智能客服中心

客服中心作为银行传统的通过空中媒介集中服务客户的部门，承担着以电话或在线App为客户办理低风险交易、解答疑问、收集客户反馈、处理投诉等基础服务功能，这些功能均以被动接受客户需求为前提。

而随着经营压力与风险压力的双重增加，客服中心变被动为主动，更多地承担了营销推动、资质审查、合规回访、重要节点提醒等职责。

银行交易更加复杂、监管要求更加严格以及客户的服务诉求逐步提升，导致客服中心的人员压力不断变大，而客服中心本身又存在岗位要求高、收入不高、工作压力大、人员不稳定等痛点。

人工智能技术很好地克服了客服中心的这些痛点，形成了完善的机器人客服解决方案[2]。

新一代智能客服中心解决方案以话务平台为核心，集成多种人工智能技术，通过建立多种子系统，协调好客服人员、机器人、知识点与客户的关系，形成综合的产品解决方案，最终为客户提供高效优质的服务[3]。

1.子系统模块介绍

为实现客服中心的整体效能提升，银行新一代智能客服需包含以下子系统。

（1）多渠道整合联络平台

通过各类渠道的全媒体整合，实现统一接入与呼出，会话共享。

与客户接触时，第一时间完成客户身份识别与客户360度画像，通过数据分析进行客户业务办理的预测，从而全面支持营销推动模式。

通过数据分析建模，了解客户与座席的特点，为客户匹配最佳客服，提升整体服务能力。

（2）智能交互平台

设计机器人应答、语音导航、人工应答等交互模式，梳理三者的关系并评估业务场景，利用机器人构建整体的服务流程。

在交互中为客服人员提供专业的机器人座席助手，帮助其快速化、标准化地解答客户疑问[4]。

（3）智能知识平台体系

建立综合的知识平台库，通过数据集中、维护集中、展现集中实现知识充分共享，并充分挖掘知识点在人工领域的价值：

将知识点导入语音识别平台，形成新的语料识别点，提升识别率；将知识点导入机器人，拓宽机器人知识面，回答更多问题；将知识点导入自然语言处理平台，使其处理能力进一步提升。

（4）客户集中管理

对客户进行全面的了解，通过行内客户关系管理（CRM）了解客户的触点全景视图，与行内产品平台联动，实现产品的精准推荐。

支持自动化的营销任务配置，由机器人完成营销推动。

（5）客户之声

对客户服务全过程进行分析，能够自动化采集各类数据形成工单，人工确认后触发事件，主要包括监控舆情、发掘商机、了解产品缺陷、评估满意度等。

工单自动向集团内其他各系统分发，以人机结合的方式处理工单，形成合力。

（6）运营平台

对客服中心整体的运行情况进行监控与事后的数据分析，主要监控机器人应答率、客户波动、客户满意度等重点指标。

智能分配座席排版，对压力进行削峰填谷，通过数据分析预测数据变化。

2.人工智能技术的运用

新一代智能客服中心解决方案，相较于传统客服中心，更多的变化主要在机器人应答、人机负责、智能预测和决策等方面，更多地依赖新兴人工智能技术。

总体来说，方案中需包括但不限于以下人工智能技术。

（1）语音识别技术

语音识别（AutomaticSpeechRecognition，ASR）是一门研究将声音转化为文字的计算机听觉技术，利用算法代替人类耳朵。

客服场景下的语音识别，主要通过传统声学算法与深度学习的结合，形成8K信道下的精准语音识别，以普通话为基础扩展方言能力，加入金融词汇与特色产品术语，支持实时转义，能够自主迭代。

（2）自然语言处理技术

自然语言处理（NaturalLanguageProcessing，NLP）是一门基于人类对某一种特定语言的理解延展出的学科，并不限于人机交互方式。

基于客服场景的自然语言处理，以深度学习与知识图谱为技术核心，通过分词、中文词性分析、文法分析、同义词和同义句的匹配等技术，构建文字与知识点的匹配关系，让机器人理解客户的意图并找到对应的知识点[5]。

（3）机器学习

机器学习（MachineLearning）是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多门学科，一定程度上来说，机器学习是大数据的核心，而大数据又是人工智能的核心。

在客服系统中，机器学习运用主要针对客服中心客户、座席、行为、交易、营销等相关数据，通过大量的数据分析与机器学习建模，使得整体客服中心更加了解自身特点和能力，提升用户体验，提高整体运营效率，强化运营中心，通过数据预测应对不确定性，提升服务中心与营销中心的双体系能力。

（4）语音合成

语音合成（TexttoSpeech，TTS）即从文本到语音，是一门研究人类发声的声学技术，通过技术让机器人模拟人类说话，在客服场景中，能够让机器人自动语音应答。

与传统的录音不同的是，TTS技术可根据场景的需求，仿真出不同声调、不同语速甚至不同情感表现的人声。

随着技术的不断发展，语音合成技术下的语音与真人的语音相似度越来越高，目前已经达到难以区分的程度。

（5）声纹识别

声纹识别（VoicePrintRecognition，VPR）是生物识别技术的一种，所谓声纹，指的是用声电学仪器检测到的，包含言语信息的声波频谱，它代表一个人的发音特征，具有唯一性，能够通过声纹区分不同的人，从而开展身份识别。

在客服场景中，由于客户通过电波与客服中心进行接触，无法面见人脸、查看证件，受限于客户身份难以被识别，因此较多业务通过客服渠道无法办理。

现阶段，由于声纹技术还未成熟，更多地应用在录音的话者分离场景以及固定话术的识别场景。

同样是生物特征识别，与人脸识别相比，声纹识别还处于初级阶段，但随着声纹识别技术不断进步，准确率不断提升，对声音的要求不断降低，声纹识别将在客服领域发挥重要作用。

（二）金融知识图谱

近年来，数据挖掘技术的发展逐渐深入，以关系发现为目标的场景需求越来越明显。

传统机器学习对大量复杂关系的挖掘显得力不从心，随着图计算技术的大力发展，关系图谱已成为重要的数据挖掘分支工具[6]。

知识图谱的基础是关系图谱，它本质上是一种网络，是一种基于图的数据结构，由点和线组成。

其中的点代表了客观世界中的实体，线代表了实体与实体之间的“关系”。

简单来说，知识图谱就是把有关系的实体或信息，按照某种关系连接在一起，得到一个关系网络。

与传统的数据分析相比，其优势在于数据分析基于关系，从关系的角度去分析问题，更加直观和有效率。

“金融知识图谱”是在知识图谱之上，以金融对象为图实体的基础，以金融行业语义理解和知识搜索为主要技术方向，可以为风险评估、事件预测、团伙反欺诈、精准营销、智能搜索等提供技术支持。

根据金融业以及图谱技术的发展，2019年金融知识图谱在银行业的应用包括但不限于以下场景。

1.风险评估与反欺诈

随着数字金融的发展，金融业务的办理不断线上化，审批逐步自动化、智能化，延伸出越来越多的欺诈手段。

这些欺诈手段形式多样，多表现出专业化、产业化、隐蔽化、场景化的特征。

站在防守端的金融机构，依靠传统反欺诈技术的痛点越发明显。

传统反欺诈较依赖人工经验，维度单一，范围受限。

在新一代反欺诈场景中，通过知识图谱聚合与借款人相关的各类数据，包含借款人的个人基本信息、消费数据、行为数据、人际关系网络等，通过数据分析抽取特征标签，整合在结构化的知识图谱中，从而具备对该借款人的风险进行全方位的分析和评估的能力[7]。

2.风险预测

风险预测是近几年银行业最重要的核心能力之一，主要对行业、客户等风险进行预测。

对于行业风险预测，主要根据多个维度的数据，科学地细分行业，根据行业信息建立关系挖掘模型，展示每个行业之间的关联度。

当其中有行业已经发生了风险或发生了可能导致风险的事件，可基于关联图谱构建风险传导模型，及时预测有潜在风险的关联行业，从而及时预警，规避风险。

对于客户风险预测，通过知识图谱整合和关联企业内部结构化数据、非结构化数据以及互联网采集数据、第三方合作数据，发现和建立企业与企业之间的集团关系、投资关系、上下游关系、担保关系，企业、企业主、自然人之间的任职、实际控制、一致行动关系，及时预测未来有潜在风险的关联企业[8]。

3.精准营销

精准营销技术最早由简