AI，我们还有多远

古云：“大道废，有仁义；智慧出，有大伪”，所指凡遇到大的变革时代，新的思想、新的智慧都会频出，但是大智慧需要做到去伪存真。“AI-人工智能”这个名词是最近国内投融资的热门话题，势必也成为了Fintech金融科技的重要讨论主题。国务院发布《新一代人工智能发展规划》适时的起到了推波助澜的重要作用，《规划》体现出我国政府对于时代与经济发展变革的敏锐洞察力和前瞻性，兼顾管理指导和理论支撑的重要意义。

银行作为我国金融行业的主要组成部分，对经济快速发展起到重要支撑作用，因为银行的信息科技水平相比其他传统行业（这里不能与互联网企业相提并论）处于相对领先，AI技术顺利成章的成为银行经营发展之路上所追逐的必要装备。

AI的概念

先来说说AI的定义和分类，《规划》一开始就给出了定义：“人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点。”理论方面包括：大数据智能理论、跨媒体感知计算理论、混合增强智能理论、群体智能理论、自主系统控制与优化决策理论、高级机器学习理论、类脑智能计算理论、量子智能理论。总体说还是比较全面合理的，但对于非专业人士，这些名词显得还有些晦涩难懂。

举几个例子来说说，客户画像精准推荐销售就是大数据智能的一种；Alphago就是类脑智能计算、深度学习、高级机器学习理论的应用；人脸识别、语音识别则是跨媒体感知计算理论范畴；无人机、无人驾驶汽车等应该就是自主控制和决策优化智能了；群体智能和量子智能都是人工智能算法层面的，当然这两种算法更是超越了人类智能能力的范畴。综上，银行发展AI技术应用场景首先基于大数据智能、深度学习与高级机器学习、媒体感知计算这三个领域进行。

银行运用AI的场景

银行运用AI的目标第一层提高服务流程效率，降低运营成本，第二层是增强风险控制能力，增加风险收益，第三层是产品创新驱动客户价值增值。

因此AI的运用场景会分为服务、风控和销售三类场景：

1、人脸识别、图像识别、文字识别、语音识别等技术会运用于客户服务场景中，包括智能客服（传统电话客服的替代者）、网点智能机器人等；

2、机器学习、深度学习、复杂网络等技术会运用于信用卡反欺诈、互联网信贷反欺诈等风控强化应用场景中，文字识别、图像识别结合机器学习和大数据利用会运用于银行信贷审批和贷后风险预警的应用场景中；

3、当然更多的大数据智能会运用于客户营销和产品设计与综合定价的增值业务场景中，比如最近比较火热的“智能投顾”。

银行运用AI的能力

想要驾驭AI能力，需要怎么做？核心能力需要三个方面，逐层递进、相互支撑、缺一不可，即：数据、算力、模型。当然还需要相辅相成的业务场景IT构建能力，简单说就是要具备将“智能”运用到业务场景的推送能力，要形成“接触-采集-智能决策-反馈推送-再接触”的在线、实时的闭环业务场景。就比如一辆汽车，AI是发动机引擎，而IT构建能力则是车的功能和外观（题外话：现在汽车的发展，其功能也将由AI驱动，这个比喻用在这里就很有意思了，其实作为银行企业来说，我把IT构建能力比作汽车的功能，IT能力也将会由AI驱动改进，例如智能化的IT运营管理就是很好的一个课题，其价值在于提升IT运营安全管控能力的同时又可以降低运营成本）。

算力、数据和模型三者的关系。AI的本质是智能化模型的训练，算力是AI的根基，正是因为计算能力的飞跃发展，使得更巨量的数据和更复杂的算法得以实现；数据是匹配算力和应用算法的依据；模型则是AI的核心，无论再强的算力、再多的数据，无法形成AI模型就都是空中楼阁毫无价值。

1、算力

最初的Alphago使用了48个CPU和8个GPU进行模型训练，而后为了达到更高的算力，Google将其接入到了1202个CPU组成的云服务中；IBM Watson并没有公布任何关于认知计算模型训练所投入的算力，但IBM为Watson构建了一个足够强大的云服务算力平台，足以支撑全球商业机构对于Watson提出的AI需求。

国内大、中型银行大多具备10年以上的数据集中和治理的经历，并于近5年开始搭建企业级大数据平台，算力方面的费用投入充足，服务特征以私有云服务为主；中小银行、区域商业银行并没有在AI应用方面有足够的算力储备，部分银行会考虑选择公有云服务进行支撑，国内服务与金融行业的云服务包括：阿里云、腾讯云、兴业数金云服务，特别是随着国家大数据战略的深化推进，由银监会等多个金融主管单位共同推进构建的金融服务云平台即将投入运营。

2、数据

数据同样是AI模型训练必不可少的组成部分，获取数据是科技发展永恒的主题，要将数据转化为可利用的有效信息，需要必要的数据治理，无论是传统结构化数据还是大数据都需要治理，之后才可以被各类AI算法应用。数据可分为公共数据和私有数据，生物识别类AI模型训练更多依赖于社会公共数据，如人脸识别和语音识别，拥有更多数据采集能力的公司在这类AI模型的训练方面会具备竞争壁垒层面的优势；银行专业业务场景类型的AI应用，需要基于社会公共数据的基础上加入更多的私有数据训练，能够将私有数据利用得更加充分，甚至能够获取企业外部关于客户的私有行为数据加入模型训练，其AI的应用准确性会更高，例如在金融反欺诈和精准客户营销方面。

数据治理是实现数据获取最重要的举措，银行的数据治理能力可以通过战略、规划、咨询项目实施等方法进行推进实现，其方法可以包括：

（1）数据治理的企业级组织架构支撑，包括董事会层面、银行高管委员会层面、数据治理落实部门层面，科技支撑层面等。

（2）数据治理机制，包括数据管理的机制流程用于确保数据安全和必要的数据质量、数据价值转化的管理机制以及企业数据应用文化培养。

（3）数据治理基础IT建设，包括企业级数据仓库、大数据技术平台、外部数据管理平台、数据挖掘平台等等。

（4）人才培养，包括企业数据架构师、数据开发工程师、数据科学家等。

（5）大数据应用项目建设规划，是数据治理规划的重要举措，银行需要根据业务发展诉求，前瞻性规划出大数据应用的业务场景，未来才可以逐步过渡到AI应用的层面。

3、模型

模型是AI运用能力的核心，这里我们提出一个观点：一家企业（银行）的智能化水平可以用“模型产出量/年”来进行对比衡量，这个指标可以体现出银行的数据治理水平、模型开发与算法应用水平、数据挖掘人才水平以及业务智能化场景IT能力水平等， 即：模型产出量/年 ∝ ( 数据治理水平+模型开发与算法应用水平+数据挖掘人才数量+模型的IT部署水平)。

国内对于AI还有一个讨论比较热烈的主题，即用什么样的算法训练出来的模型才可以算作是AI模型？

从交付模型角度进行分类，主要包括分析规则类和机器学习类两种，这两类模型都可以成为AI技术的落脚点和发力点。分析规则类包括结合专家经验进行数据分析获得的规则模型，比如经典的反洗钱及审计检查模型，以及关联规则类产品推荐模型；同时还包括应用复杂网络分析、路径分析等大数据技术获得的规则模型。机器学习类模型主要包括监督学习和无监督学习两类，监督学习主要面对分类和回归任务，比如信用评分模型、客户提升模型、柜面交易量预测模型等；无监督学习主要解决聚类任务，比如客户分群模型和网点分群模型等。

从使用算法角度进行分类，AI体系中除了专家系统、自然语言处理、知识推理、机器视觉、语音分析、知识图谱等专业算法外，主要包括机器学习和深度学习两类算法。机器学习常用算法包括线性模型、逻辑回归、决策树、支持向量机、K最近邻分类、神经网络、聚类、贝叶斯分类器，以及随机森林、GBDT、Adaboost等集成学习算法。深度学习可以理解成一种特殊的机器学习框架，可以把传统机器学习算法理解为浅层学习（shallow learning）；深度学习对应一系列可以用无监督学习实现深度神经网络的算法，包括多层感知器MLP、深度信念网络DBN、卷积神经网络CNN、生成式对抗网络GAN、循环神经网络RNN、长短时记忆网络LSTM、自编码器 Autoencoder等模型算法。

综上，AI模型并不一定要是基于深度神经网络算法的深度学习来建立，重点是要看实现人工智能的场景最适用哪类算法进行建模。

我们距离AI还有多远？

实事求是的说，银行距离成熟应用人工智能技术的能力还很远，无论是大中型商业银行还是地方性商业银行，大多处于AI的研发起步阶段。评估一项技术的应用成熟度需要比较繁琐的调研过程，在银行的应用方面可以相对简单的利用AI应用领域来判断，即：AI应用于服务、AI应用于产品研发、AI应用于风控与内控，应用领域自外而内、应用层次由浅入深。

如何推动银行对AI技术的应用？

图1：AI应用逻辑框架

主要包括以下五个部分：

1、算力技术+数据存储与治理+模型开发技术。

2、企业级AI模型开发与管理

3、基础AI技术的引入

4、实时智能策略交互引擎

5、AI业务应用场景与价值

针对应用场景进行详细说明：

• 智能客服

智能客服是典型的两层AI技术叠加应用场景，请大家关注这个知识点 。 AI技术分类观点：基础类AI技术+应用场景类AI技 术