近期参加了若干内外部交流，颇感银行大数据应用潜力无限。只要有数据，大家都会想着去发挥数据价值，利用数据分析挖掘来做点有意思的事情。想要充分实现这些想法或需求，数据、平台、人才、机制这些基本因素必不可少，都还有大量的工作需要去做；这些就留着后面慢慢去总结和分享吧，先简单谈一下人工智能在银行的基本打开方式。
从大数据聊到人工智能，这是很自然的事情。人工智能的火热，直接加速了大数据应用向着深层次、体系化方向发展。概念似乎普及人心，但问题也随之而来。一堆专业术语，即便科班出身也不容易讲清楚具体的界限分隔，对于很多数人来说就有点盲人摸象的感觉了，人云亦云的情况也在所难免。
于是就想“小议”一下这个主题，阐述一点基本的想法和思路。内容相对简单，目标是当我们讨论银行人工智能的时候，期望能有个大致的框架作为基础；免得在不同的平面进行交流，各说各话等于浪费时间，毕竟效率是人工智能的一大优势。
人工智能的强与弱
去年谈论人工智能的时候，很多人会联想到科幻电影里面的场景，比如骇客帝国、太空漫游2001、终结者、机械姬，还有Wall-E也算，这些都属于强人工智能。简单的说，就是机器实现大脑的若干重要功能，包括思考和推理能力。如果能够到达这个水准，那硅基的机器显然会完胜碳基的人类；当然这是很复杂的事情，可能需要多项领域的技术突破作为基础，应该不会太快。所以银行讨论人工智能的时候，肯定不是强人工智能，太超前了。
与此对应，弱人工智能是能制造出能真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。这个定义来自维基百科和百度百科，翻译一下，就是我们设定好算法给机器运行，输入数据后运行算法，然后输出一个貌似“思考”后的结果。很熟悉的感觉吧，对了，就是机器学习的基本原理，同时也属于数据挖掘的过程。
银行发展人工智能自然属于弱人工智能的范畴，数据挖掘是关键的能力要求，机器学习是重要的技术标志
。
src: https://www.slideshare.net/KimKyllesbechLarsen/artificial-intelligence-digital-readiness
机器学习的深与浅
目前
顶级人工智能产品都属于弱人工智能这一类，这些产品里面深度学习发挥了重要的作用。在银行讨论人工智能的时候，有一种普遍的看法就是人工智能必须与深度学习关联，深度学习才是人工智能应用的基本标志。其实人工智能已经潮起潮落好几轮了，不过恰好这一轮的崛起与深度学习紧密关联。
Slide by Andrew Ng, all rights reserved
.
看一下深度学习的优势：对比（shallow）机器学习算法，深度学习的性能随着数据量的增大而线性提升，其他算法的性能在达到一定程度后保持水平状态。当然，现在有新的文章认为在小数据集上深度学习依然能够发挥效果，但对于银行来说这不是重点的事情。以交易数据为主体的应用中，基本上前面那段上升曲线就够用了，比如风控或营销。
如果
严格以深度学习作为标志，那可以确定目前银行基本没有人工智能应用了。实际上我们都知道
数据挖掘可以应用到银行的多个领域，但
多数场景下逻辑回归算法的效果就不错了，支持向量机和梯度提升决策树能够进一步提升模型性能。因此
银行人工智能应用如果非要选择技术标志，也应该放大到机器学习层面：将机器学习应用于银行的弱人工智能产品，用机器模拟实现人脑的部分能力。
针对实际落地场景，成本因素是必须考虑的，还有模型的可解释性，以及系统落地的便捷性。在学习算法的深与浅的选择上，复杂的模型未必会有更好的效果，多数情况下特征的加工处理似乎更加重要。综合这些因素，即便实际时间序列预测模型中LSTM表现更好，我也倾向使用稍微差一点的SVM。SVM速度快，落地部署方便，只需要一个Jar包就可以了，上LSTM的话搞不好还要过一下架构评审。
其实呢，银行发展人工智能应用未必需要用深度学习作为技术标志，或者说压根也不需要从技术角度确定标准，而是要看人工智能可以给银行带来什么。
受影响的两种类型工作
银行
是最喜欢拥抱高科技的传统行业之一，在竞争激烈的环境下逐步应用人工智能技术显然势在必行。归纳一下，受这个过程影响最大的主要涉及两种类型的工作。
第一类，对于员工能短时间内做出决策的事情，在新型机器学习技术支持下会做的更快更好，大量机械重复性的手工操作环节能够被机器替代。银行信贷审批流程中包括这种类型的工作，甚至占用了员工很大的精力，自动化和智能化的目标是提高效率。运营管理条线中这种操作环节更多，网点智能化的过程能够帮助柜员有时间和精力去与客户做更深层次的交流。
第二类，对于员工无法轻易做出决策的事情，比如风控或反欺诈；这种情况下的人工智能应用能够发挥的作用更大，但技术上就不那么容易了。这种类型的
银行人工智能应用，自然是从大数据视角切入，综合机器学习、社交网络分析等技术构建数据挖掘模型。相比之下这种类型的应用更不容易被复制，对应真正的技术实力。
银行发展人工智能的过程中，应该着重考虑技术能够解决什么问题和带来哪些业务提升，在充分研究需求的基础上再通过技术创新实现升维打击，从而赢得同业竞争力。这种情况下
，还可以考虑一下增强智能（Augmented Intelligence）的概念，这时AI的意义在于帮助企业提高效率或节约成本，而非真正实现人类的智慧。
