全球聚焦：人工智能的應用有哪些（人工智能在金融領域的應用場景）

2023-02-15 15:15:11來源：互聯網

據「AI 應用前沿」長期的行業觀察，人工智能在金融領域的應用場景和作用如下：

智能信貸

(資料圖片)

信貸是銀行業的典型業務場景。其中，審批效率有限是傳統金融信貸服務中長期存在的痛點。隨著大眾金融消費觀念的逐步變化，小額高頻的信貸服務需求正逐步成為一大趨勢。而隨著人工智能技術與金融科技的發展，信貸服務也逐漸向著高效的運作模式轉變。如移大數據征信、基于機器學習技術開發信用風險量化模型、通過拍照、視頻、移動終端數據同步等手段核實客戶信息等智能技術的應用都在提升信貸服務的效率和效果。

智能反洗錢

隨著經濟全球化的發展與技術的迭代更新，洗錢犯罪同樣“與時俱進”，隨著新技術與場景變的更加隱蔽，且成本與風險日益降低。犯罪網絡化、專業化、國際化的趨勢愈發明顯，而洗錢犯罪的模式也愈發復雜。在此趨勢下，機器學習模型、專家系統等人工智能技術對反洗錢工作帶來了新的進展，尤其在“知曉客戶（Know Your Customer)”方面能夠避免重復勞動，加速審核流程，并加強交易監控的工作效率。

自動化理賠

保險服務的理賠流程效率緩慢是行業中長期存在的痛點，概因理賠所牽扯到的文件審閱和審核步驟繁多，效率低下。人工智能在保險賠付中的各項場景已存在大量應用。計算機視覺、語音識別等技術能夠在理賠過程中加速身份認證、定損等工作。而自然語言處理技術能夠自動化掃描并讀取文件內容，大幅提高理賠，審查等工作中的數據審核效率。

保險定制化

由于傳統保險模式存在信息不對稱的現象會導致逆向選擇與道德風險，在用戶需求難以滿足的同時制約了保險公司的盈利水平。基于人工智能技術對數據的多維度利用，保險公司能夠結合人的生活習慣、年齡、健康記錄，投保經歷等信息挖掘投保人的偏好和需求，并設計具有針對性的產品與保險方案，從而提供個性化的服務。

保險反欺詐

保險理賠案件中往往涉及大量信息，如查看信息、保單信息、出現信息等等。傳統保險賠付流程對人的經驗知識依賴較高，容易被慣性思維所誤導，無法做到對案件中所有信息進行有效分析。機器學習、圖計算等人工智能技術能夠對現場照片、證件信息、車輛信息、票據等不同維度的數據進行關聯組合關系分析，從而形成欺詐判斷模型。這樣學習形成的模型不但可以對已知詐騙手段進行識別，還能夠在一定程度上預測新型的詐騙手段。

智能投顧

隨著人工智能應用和金融科技在此領域中逐漸展露頭角，“智能投顧”的概念也在行業中愈發流行。在此基礎上，國內外金融界對于人工智能在財富管理的應用上存在著不同的偏好。以美國為代表的境外市場目前傾向于利用人工智能技術來識別財富投資的機會。其典型應用便是通過分析如網站數據、輿情數據、地理定位，甚至衛星定位等另類數據來輔助分析投資方向，發掘哪家股票值得投資。而國內的發展路徑則更傾向于利用人工智能來優化客戶的用戶畫像，從客戶對風險的主觀承受意愿及客觀風險承受能力等信息進行綜合、動態的評估，以定制客制化的投資組合。

此外，基于人工智能技術所開發的自動交易功能也為投資管理提供了極大的助力。由于自動交易對投資策略的執行效率和成本控制工作都能帶來顯著提高，甚至在一定程度上提高投資組合的收益。在此趨勢下，越來越多的交易員已經被機器所取代。

異常交易識別

傳統的交易驗證過程中需要中臺的控制人員對比交易價格與市場基準價格，從而決定該筆交易是否存在異常。然而，由于市場流動性、交易時間、產品結構等因素的影響使得交易驗證工作更加復雜化，且難以高效實施。機器學習技術能夠通過構建深度神經網絡模型，并通過金融機構數據庫中大量異常記判斷的數據進行訓練，從而獲得識別異常交易行為的能力，最終輔助控制人員以大幅提高交易驗證的效率。

智能客服

客服場景存在于銀行、信貸、保險等多個金融服務領域。考慮用戶致電客服中心所詢問的問題存在重復性、客服人員的服務效率存在客觀極限，通過聊天機器人取代人類客服進行用戶引導和基本問題解答是現金金融行業十分流行的趨勢。基于自然語言處理技術和語音識別等技術，聊天機器人能夠全年24 小時無間斷為理論上所有客戶提供服務，極大程度上環節客服中心的效率及成本壓力。

互聯網支付

傳統的金融支付服務主要借助銀行中間業務來為客戶辦理收款、付款其他相關委托事項。而在近幾年互聯網的急速發展下，像支付寶、財付通等由第三方機構提供的支付業務開始在市場上急速流行，并很快成為金融支付服務中的重要成分。在此趨勢下，傳統銀行和電商以及電信運營商等機構正在紛紛投入互聯網支付的熱潮，與第三方支付企業共同形成了當下網絡支付的業態格局。其中，智能語音支付、人臉支付等基于人工智能技術的應用已經開始逐漸展露頭角。

流程自動化平臺

隨著金融行業的數字化趨勢，流程自動化平臺能夠移除大量重復的、可復制的、及擁有規律性的任務以幫助運功提升效率。

由于該技術在整合統計數據、核對驗證信息、業績監控管理等任務領域的實用性，使其在風險評估、財務分析、信息審核等金融行業常見的業務流程中得以應用。

典型的案例比如：1、工商銀行開發人工智能機器學習平臺，提升業務處理效率

具備四大特征，即：一站式建模能力、高性能運算和模型自學習能力、分布式框架及異構資源調度能力，以及靈活可拓展及可復用的服務能力。

其中，一站式建模能力主要通過平臺提供的全流程IDE 為業務人員、應用開發人員提供自動、靈活、可控的模型構建工作站，降低AI 在全行業的使用門檻。模型自學習能力則集成了開源機器學習/ 深度學習框架，以支持業務人員自動觸發模型自學更新，持續優化AI 模型并提升應用效果。分布式框架和異構資源調度能提供高性能、可伸縮的實時預估框架，支持智能服務的灰度發布、服務能力隨交易量自動伸縮等。

最后，該AI平臺可拓展及可復用的服務能力能夠支持多算法的模型訓練和評估，提供二次開發工具包，并支持計算機視覺、自然語言處理等應用的可復用服務，多面支持風險管理、智能客服等領域的AI 應用。

2、荷蘭國際集團借助智能交易決策輔助工具，提供交易最優報價

荷蘭國際集團針對債券交易場景部署了智能交易決策輔助工具，Katana。Katana 會針對每筆交易的相關信息并對比歷史數據進行分析，并將結果可視化，以直觀圖表形式呈現給交易員。與現在流行的“自動化交易”不同，Katana 的作用主要用于輔助人類員工，加速決策制定的效率與效果，而非以徹底自動化的形式取代人類交易員。伴隨Katana 的分析能力，荷蘭國際集團的交易員能夠節省大部分消耗在信息篩選和分析工作上的時間，以更高效的方式使用它們的專業知識與行業經驗來在每次交易行為中為客戶提供最優的報價。

標簽：