2018金融科技发展之我见

回顾一下 2017 ，收获着实不少，公众号上的一系列文章就是直接的证明。对于大数据、人工智能在银行的应用，通过实践与思考有了进一步的认知。元旦后花了很多精力在盘点今年的工作，加上近期和同事的一些讨论，最终定下这个题目，白纸黑字的写下来作为后面的规划吧。

目前金融科技（ Fintech ）中 ABCD 四项技术最为热门，分别是人工智能 AI 、区块链 Blockchain 、云计算 Cloud Computing 和大数据 Big Data 。插个题外话，我觉得如果用 DLT 代替 Blockchain ，那 ABCD连起来 感觉更通顺一些。除了云计算外，其他三个都有涉猎，公众号上也有文章发布；现在区块链的阵地基本由贝龙同学主持了，云计算方面争取找个靠谱的朋友来写点东西。

从电子化到信息化的发展历程，银行一直是很喜欢拥抱创新科技的传统行业。在进军数字化时代的过程中，金融科技无疑是助力银行转型的强力工具。面临来自内外部的各种压力和困境，银行也需要重新定位金融科技，制定适合自己的发展策略，通过应用 ABCD 等典型技术来驱动业务进行变革。

上面的话稍显正统一些，下面把金融科技拆开成两个词来理解一下。对科技来说，金融算是传统行业，重点是实实在在的应用，从长期来看场景和数据要比算法重要的多。对金融来说，科技是支持与驱动力量，科技或许不能轻易改变金融的底层逻辑，但其价值在于促成金融去改变自身。

因此，金融科技发展最有力的路径是金融和科技的融合发展，在这个过程中技术和资本都并非壁垒，发挥关键作用的将是金融行业的科技人员。对于这些科技人员来说，最重要的任务是从实际出发挖掘技术应用的潜在场景，将其转换为可实现的需求并进行落地，因此是否具备主动意识和创新能力将成为影响工作成效的关键因素。

一、 进军下阶段的人工智能

2017 年人工智能很火，但人工智能并没有统一的定义，因此带来了很多概念上的混淆与困惑。对大多数传统行业来说，人工智能有三个重要的时间节点， 1956年 人工智能的概念， 2006 年的深度学习，最终 2016 年的 AlphaGo 让人工智能迅速推广。 概念普及是好事，过程中也带来了新的问题。人工智能发展很悠久，参与者众多、角色背景各有不同，因此对于同一事情是否归属人工智能会有很大的分歧。我个人觉得应该更加宽容一些，在新技术应用过程中应该保持足够的谦逊；相互理解、携手共进。

从技术视角，我们曾将人工智能分为基础 AI 和行业 AI 两种。目前主流的人工智能技术都是数据驱动的机器智能，那两种AI的区别主要在于数据掌握在谁手里。对银行甲方来说，哪些数据资产能促进人工智能的长期发展呢？先思考下这个问题，然后再分析人工智能的下一步发展思路。

从发展水平来看，我们将人工智能的应用分为三个阶段，如下图所示：

横轴是时间，纵轴是业务智能化水平。看到第一个是不是有点尴尬了，我一直觉得现阶段以 smart 或 robo 开头的名词，都对应着自动化的基本目标，例如 smart contract ，还有 robo-advisor 。通过AI技术实现产品和流程革新，逐步代替那些重复性的劳动，毕竟生产效率的改进永无止境，效果也立竿见影。 另外，在手机银行、智能柜台等项目中应用生物识别技术能够解决客户验证的一些问题，极大的提升用户体验。基础 AI 技术的引入能够促进业务流程的优化，也为后续大数据智能的应用提供更好的土壤。技术引进带来更丰富的业务场景，同时这些场景也需要大数据智能的支持和驱动。

下一个阶段是大数据智能，实际上很多企业都是在同步开展相关的工作，目前的重点应该是融合基础 AI 和行业 AI技术 ，从而为客户提供更好的智能化服务。简单举个例子，客户到达网点后利用人脸识别完成客户确认，通过数据挖掘实现客户行为预测并推荐相应的产品和服务，最后通过柜面渠道进行反馈。这个阶段是通过大数据智能加持基础 AI 技术应用，提升系统产品和业务流程的智能化水平，并逐步实现银行自主可控的 AI 研发能力。

第三个阶段的特征是实现全渠道的智能决策，将客户识别、行为预测与各种渠道无缝对接，同时根据客户响应进行动态的优化更新。这个过程不可能一蹴而就，路漫漫其修远兮，目标是实现客户多点触达的智能化体验，当然也包括智能化的风控和营销发挥中枢大脑作用，最终转化为企业的核心竞争力。在这个阶段每个应用的干系人都会很多，因此对于传统企业来说，首先要在思想认识上达成一致，然后努力建立有效的协作机制。

二、 全面落地的大数据

数据是我的本职工作，因此也具备更加完备的知识体系和配套能力，不限篇幅的话可以写很长，这里简单聊一下基本的发展框架。大数据与人工智能相生相伴，在大数据上应用机器学习技术，充分利用产生的机器知识最终构建我们想要的人工智能应用。这个逻辑非常通顺，毕竟“数据是人类文明的基石”。

最近几年，大数据在银行风控、运营、营销等诸多领域得到了广泛的应用，交付物从数据分析报告到数据挖掘模型，再到这两年重点发力的数据产品，永恒的主题就是致力于充分发挥数据的价值。在各领域的应用中数据、场景和模型是三个基本要素，分别从这三个要素出发都可以驱动大数据产品的研发。将业务需求转换为大数据应用场景，适合于银行传统业务过程中的数据分析；从企业内外部数据资产应用出发寻找应用切入点，尤其适合于目前产融结合过程中的大数据风控、营销等领域；最后是从创新模型与技术应用出发，用新方法解决新问题。

基于 80/20 法则，大多数应用肯定是来源于实际的业务分析，而且也未必需要绝对的“大”数据和“高深”的机器学习技术。因此对于一个数据科学团队来说，精通数据与业务的人是真正的团队之宝，这里可以对号入座了。

大数据在银行的广泛应用，伴随着数据资产化管理的强烈需求。这个环节对应着两部分的内容，首先是内外部数据共享与充分应用，其次是数据挖掘智能化模型的管理与知识迁移。一个是基础资产，为大数据应用提供原始素材；一个是衍生资产，提供高附加值，同时还具备向外输出的潜力。这两部分的管理机制都还刚刚起步，距离形成成熟稳定至少还需要一两年的努力。

在多个领域完成点的突破之后，可以尝试构建更大的目标。例如在风控、营销等领域，实现高效的场景化数据价值链条，并逐步建立 AI 大脑的雏形框架，对接多领域的灵活需求。这句话说的不是很明了，之前有篇文章也大致聊过风控大脑的构建思路，整体目标是实现技术、模型、数据、决策引擎的贯通。这个过程中很多硬骨头是必须啃的，只有打好硬仗才能顺利进入 2019年 。

为完成上述任务 ，要建立并充分利用大数据创新社区，调动企业各级机构成员的积极性和参与感。大数据无处不在，“我们要向外行一样思考，像内行一样求证”。这句话说的不错，在今年的若干工作中并不存在明确的大数据智能化需求，这是与传统系统开发相区别的地方，因此数据科学人员有责任、有义务去挖掘这些需求。过程中逐步建立大数据文化，让大数据思维成为一种文化。

此外，在技术上的创新探索也不会停止，文本挖掘、迁移学习、推荐算法、深度学习都是今年工作中需要考虑应用的方法。当然，一切技术都是为应用服务的，探索潜在的应用场景然后选择适合的技术；切记不要以搭建技术平台为目标，拿到锤子后看什么都像钉子。

三、 包罗万象的云服务

“云”其实是互联网的一个隐喻，“云计算”其实就是使用互联网来接入存储或者运行在远程服务器端的应用、数据或者服务。如前文所述，这部分我并不太懂；所以银行如何开展云计算服务，只能随便聊几句，对错请多包涵。

云计算通常分为三个层次，IAAS、PAAS和SAAS。相比之下，银行的IAAS 层发展受到很多客观条件的制约，包括技术壁垒，以及机房、电力等基础设施。在设计业务应用拓展的规划中，要首先考虑如何解决这些难题。

从Fintech视角看银行云计算的PAAS 层，除却标准的开发中间件，也可以作为 ABD 三项技术的平台。现在基于开源技术进行深度开发，完全可以实现具有自主知识产权的技术平台。对于中小银行来说，大规模投入创新应用建设显然不如使用大型银行提供的 PAAS 平台。

最后，SAAS 层提供场景化的服务，可以是云上的业务应用，比如云缴费（严格地说，云缴费包括PAAS和SAAS两层应用）；也可以是云上的金融科技服务，比如风控、营销、运营等数据产品，甚至最基础的数据服务。