智能技术在金融行业的应用与实践嘉宾分享合集

金融行业智能化应用的实践及感悟 周建华 目录 01金融行业智能化应用的现状 02金融行业智能化应用的挑战 03金融行业智能化应用的实践经验 01. 金融行业智能化应用的现状 3 人工智能经历三次浪潮，深度学习的突破引爆了智能化应用 随着Alexnet等深度神经网络在imagenet上的突破，2012年是智能化应用大规模尝试的元年 1990 BP神经网络 1990 2006 Hinton提出DBN 2016 AlphaGo战胜李世石 2022 ChatGPT问世 2017 Transformer架构诞生 智能化应用的引爆点 1956 达特茅斯会议 1957 提出感知机模型 1980 受限于计算能力 受限于专家系统的局限性 2012 Alexnet图像识别取得突破 第三次浪潮 第二次浪潮 第一次浪潮 1950 19802000 人工智能领域百花齐放，正在向通用人工智能时代迈进 人工智能可分为三个发展阶段：弱人工智能、强人工智能、超人工智能，目前正往通用人工智能（AGI）迈进。 AI对人类思考的模拟： 弱人工智能强人工智能/通用人工智能超人工智能某特定领域智能多领域综合智能超越人类的智能 超越人类的能力 综合多方信息进行判断决策 模仿人类某一方面的能力 逻辑语言描述的问题 逻辑计算感知认知与理解独立意识与创新创造 AI帮助人类解决的问题 应用场景 人脸识别、语音识别语义分析、智能搜索 智能机器人、虚拟个人助理智慧工厂、无人驾驶 创新制造、主动感知环境解决一切难题、执行任何指令 人的决策驱动 当前 AI的决策驱动 弱人工智能指只会计算、推断，解决具体问题的机器智能 目前广泛应用的是弱人工智能，比如自动拦截垃圾邮件、智能推荐购物、战胜柯洁的AlphaGo、机器人客服等 弱人工智能 强人工智能指拥有意向，意识，意志的机器智能 机器拥有和人类一样的智能水平，可以替代一般人完成生活中的大部分工作 强人工智能/通用人工智能 超人工智能阶段，Al就会像人类一样通过各种采集器、网络进行学习，每天自身可以多次进行审计迭代，智能水平超过人类 超人工智能 金融行业智能化应用广度：经历了探索、跟风、理性三个阶段 人工智能发展进过了三次发展浪潮，智能化在金融行业的应用可以归纳为探索、跟风、理性三个阶段。 阶段一:探索 阶段二：跟风 阶段三：理性 2012~2015 部分大的金融机构开始尝试将人工智能技术应用于业务场景，主要还是在小规模尝试的阶段，主要是为了创新需要 2016~2018 已经出现了一些头部金融企业相对比较成熟的应用，中小金融机构开始跟风应用 2019~ 各金融企业开始认为智能化的能力是数字化经营的必要元素，逐步关注降本增效的实际价值和业务场景的深度融合 金融行业智能化应用深度：银行业发展相对均衡，保险业则偏向降本增效 行业调研显示，金融行业重点关注并应用人工智能的业务领域主要为精准营销、风险防控、智能客服、身份识别等，目的是为了克服传统金融业务中营销风控不精准、人工客服成本高及合规压力大等难题； 保险行业则更关注客户服务、欺诈识别、承保、理赔等，目标偏向于降本增效。 22 20 19 18 8 8 6 5 5 客户服务 欺诈识别 承保 理赔 销售/分销 保单签发 产品开发 代理支持 精算/定价 24 23 23 22 20 16 10 精准营销风险防控客户服务身份识别 反洗钱 投信融资资产管理 金融保险 VS 金融行业数据来源：《人工智能技术金融应用情况调研报告》参与调研机构共26个，包括工商银行、农业银行等18家商业银行，以及保险公司、支付机构、清算机构、科技公司等8家机构。保险行业数据来源：Gartner调研数据，聚焦2021年37家机构。 02. 金融行业智能化应用的挑战 8 挑战一：智能化应用的数据基础比较薄弱 人工智能三驾马车 算法 算力 数据 缺少体系化的数据资产管理 数据治理体系的建设 自有数据字段稀疏 找不到数据用不了数据 数据价值有限 人工智能=80%数据+20%算法模型 挑战二：行业监管对智能化应用提出了较高要求 模型可解释性 监管对于银行等金融机构的算法模型有明确的可解释性要求，这样很大程度上减少了智能化技术应用的可行性 公平性 需要保障不会出现在没有理由的情况下使任何特定的个人或个人群体处于不利地位。 外部数据应用 金融行业普遍存在自有数据比较稀疏的问题，希望外部数据的合作，但目前不管是隐私计算还是数据交易所的设置都没有解决数据壁垒的问题 个人隐私保护 个人隐私保护要求客户有撤回收集的隐私信息的权利 挑战三：业务语言和技术语言的理解鸿沟 吐槽：技术不懂业务，做的东西没有解决我的问题啊 吐槽：业务不懂技术，总是乱提需求 业务方 技术 03. 智能化应用的实践经验 12 人类机器 智能化的定义和内涵是什么 智能化的内涵在于:让机器拓展人的能力，重新定义人与机器的协同关系 智能化的三种形态 1、辅助决策支持2、决策增强3、决策自动化 机器做好信息的采集、整理、 加工、汇总 *参考gartner分析报告 基于个人的认知和机器整合的信息，做出决策，重点是由人做出决定 机器使用人工智能生成建议，并提供诊断性分析供人类验证和探索。 机器有较强的决策能力， 人类和机器共同决策。 使用预测、预报、模拟、规则、优化或其他人工智能，由机器自主决策。 智能化策略的管理 示例：经营决策示例：产品推荐示例：自动理算 举个例子：弩的发明极大提升了作战能力，同时降低了人的要求 二、新技术的价值创造势必要伴随着流程的重塑 一、找到核心关键瓶颈是价值发挥的前提 弓：依靠人的力量弩：依靠机械装置的动力关键启示 需要长期训练，对力量要求极高只有少数人可胜任 训练难度低，对人的要求低普通人即可胜任 一些智能化应用实践的经验总结 两个前提，两个关键 前提一 业务目标的拆解及业务流程梳理 识别场景 前提二 体系化的智能化应用评估 有的放矢 关键一 业务流程重塑 流程升级 关键二 持续运营及迭代 持续反馈 智能化应用实践经验一：业务目标的拆解及业务流程梳理是前提 业务目标因子的拆解有利于帮助我们找到智能化升级的方向 客单价 结合业务架构的梳理可以明确智能化升级的场景 业务目标 触达客户数 = 目标 因智能化应用的发力点 图例 子 X转化率X 业务流程 *业务架构图例来自于网络 智能化应用实践经验二：体系化的智能化应用事前评估是前提 智能化应用场景评估模型 业务价值 技术可行性 数据可及性 评估指标 说明 收入增长 是否能够带来业务收入的增长 降本增效 是否能够带来成本的下降或者效率的提升 用户体验 是否有助于提供客户的体验 风险管控 是否可以降低经营过程中的各类风险 服务质量 是否可以提高用户满意度或者NPS 评估指标 说明 成熟度 所依赖的智能化技术的成熟度 应用情况 目前该技术的的应用规模或者应用场景数 智能化人才 是否有足够的专业化人才支持 算力支撑 是否拥有足够的算力，业务的价值是否大于算力的成本 评估指标 说明 数据数量 当前拥有的可用数据的数据 数据质量 数据的质量如何，高质量数据占比多少 数据可用性 是否这些数据都可以随时被使用，是否满足监管要求 数据安全性 是否有数据安全性的问题 智能化应用实践经验三：业务流程的重塑是关键 业务流程的内涵:描述在特定的业务目标下基于当前生产力不同角色（包括机器）的协同方式(生产关系) 生产力 智能化技术 决定 生产关系 协作关系/业务流程 智能化应用的关键因素 10% 20% 70% 算法/模型 整体IT能力 业务流程重塑 原来的流程需要吗? 原来的流程可以再造吗?原来的流程可以自动化吗? 智能化应用实践经验四：持续运营是智能化产生业务价值的关键 智能应用模型需要有完善的运营体系，模型需要不算迭代优化，才能发挥真正的价值。 需要线上化收集智能化应用的用户反馈数据，对智能化应用进行持续迭代 智能化模型 运营平台 智能化应用 模型结果反馈 业务需求 痛点 迭代优化 感谢 银行智能化运营方向性思考 富滇银行李涛 仅代表个人观点，不代表从业机构观点 目录 contents 智能技术在金融领域发展历程和现状 010203 银行数字化发展历程 AIGC在金融领域的创新思考 2 PART 第一部分 01银行数字化发展历程 3 01银行数字化进程 人工/手工信息化数字化数智化 流程、业务 监管报送是核心 业务价值是核心用户价值是核心 4 01银行架构演进 私有AI/混合AI/混合云 单体式架构分布式/云优先大数据/私有云 产品即服务计算即服务模型即服务 5 01双翼双态战略 适用范围：数字经济 高性能、高弹性、低成本；聚焦“数实融合”、“平台经 济”，深度洞察银行发展，快速 数字化 信息化 适用范围：传统金融 高可用、高标准、低风险； 战略目标明确、业务流程相对成熟聚焦业务信息化、精细化经营管理 响应用户市场需求。 定位、IT架构地位： 创新能力及商业模式重构：薄前台、厚中台、敏后台 解决银行生存发展问题 经营平台交易及金融产品平台 敏态双稳态 能力全面提升 定位、IT架构地位 IT架构“基石” 解决银行基础支撑问题 关键要素： 中台战略、供应链金融、旅游银行、生活服务、社交分享、海量并发、场景置入、网贷、自动决策模型、人工智能、实时风控、体验经济……….. 智慧、开放、共享、高效、融合 的业务价值交付生态体系 态构建标准化信息平台模（现有核心业务稳健式发展—传统项目制开 发） 关键要素： 产品工厂、多法人、经营管理信息化覆盖支持度、客户管理、服务管理、作业管理、内部管理、流程管理、内控及操作风险、组织变革……….. 架构管理： 云平台、分步式、灵活性及扩展性、快速上线，横向扩展、应用适应架构、微服务等，需要不断试错逐步完善 发展生存 一体两翼双态业务架构助力银行业务高质量发展 架构管理： 集中式、安全稳定、影响可控，聚焦内部流程数据化和信息化、监管合规要求等，纵向扩展、架构适应应用等 6 PART 02 第二部分 智能技术在金融领域发展历程和现状 7 02智能技术在金融领域发展趋势 智脑（涌现）数字员工 上下文，情感，监督学习型生成式智能 “人工”智能NLP、RPA、数字人和 机器人矩阵等规则型智能 表格检索呼叫中心 手工 *仅适用描述中小型银行现状 8 02智能技术在金融领域现状-智能客服 FAQ问答任务式问答表格问答 知识图谱问答 远程银行坐席营销产品提示 数字人规则性问答 智能客服文档问答 ASR、NLP、TTS 语音语义核心算法 智能荐句 自动化聚类工具知识健康度检查 9 02智能技术在金融领域现状-机器人矩阵 咨询解答功能导航业务办理跟踪反馈 智能客服机器人 智能管理机器人 智能稽核机器人 智能外呼机器人 智能助手机器人 语音识别自然语音知识图谱 语音模型语料库业务流程 PRA流程智能质检智能排班 风险模型流程管控问题排除 全流程服务检查模型 标签矩阵主动预判NLP 客服机器人能力支撑 流程支持问题支持用户识别 大数据模型训练 业务操作标准化业务资源共享化业务流程可视化 赋能日常管理 结果统计 服务风险全流程管理 模型训练 个性化主动服务流程 增值服务 提升人工数字化客服能力 数字人远程银行坐席 10 PART 第三部分 03AIGC在金融领域的创新思考 11 03金融大模型的一些观点 许东亮 对比于通用大模型的能力而言，金融行业非常需要垂直行业大模型，在数据层面，金融行业因为安全及隐私保护要求数据大多存储在本地，通用大模型在金融能力上缺乏必要的训练数据。另外一方面，金融行业在风控、精度等方面要求较高，系统又比较复杂，再加上金融相关数据实时性的要求