零点idc论坛随着人工智能技术的发展，特别是机器学习和深度学习领域取得重大突破，许多人工智能技术成果如雨后春笋般涌现，无人驾驶、零售、金融、医疗等越来越多的行业被覆盖其中，AI的崛起已势不可挡。在政府的大力支持和广阔的市场潜力驱动下，中国已成为全球人工智能的发展中心之一，各家银行也纷纷向外界宣布要推出人工智能系统。

　　但是银行在实践应用过程中也遇到了诸多困难。除技术可行性外，还有研发和应用成本、市场供需、经济效益、社会和监管部门的接受度等多个因素影响人工智能在银行普及速度和程度。

　　人工智能技术通常由四个部分组成，即认知、预测、决策和集成解决方案，其中有数据、算法、计算能力三个关键要素。以下从关键要素出发就人才、数据、生态、政策、成本等方面分析人工智能技术在银行业应用面临的挑战。

　　1.数据和算法尖端人才非常稀缺。人才对人工智能的发展和应用至关重要。尖端的研究人员推动着人工智能基础技术的发展，开发人员促进着人工智能在现实环境中的应用。目前银行主要以软件开发人员为主，他们拥有的专业知识和技能偏数据管理层面，而数据分析人员分布于多个业务条线。数据综合分析和算法方面缺少尖端人才支撑，难以对庞大的各领域数据进行合理的标签化和有效的分析，极大地限制了人工智能在银行的发展和应用。纵观国内，高校和研究机构同样面临着巨大的人才缺口，尤其是基础算法领域的人才非常匮乏。

　　2.大数据素材准备时间长成本高。海量数据是训练人工智能系统、吸引人才、加速创新的核心要素之一。目前人工智能还处于初级阶段，对小样本学习实践证明经常存在过度拟合情况，要提升精度和准度，就必须有足够的大数据。海量、精准、高质量的大数据为目前人工智能蓬勃发展提供了基础，同时也成为人工智能继续成长的关键制约因素。由于大数据的收集、标签化处理和准备等前期阶段耗费的时间长、成本高，银行各级人员对人工智能了解不够，对应用前景缺乏信心，难以下决心尝试或容易失去耐心，这是当前人工智能及其原动力大数据产业面临的普遍困境。

　　3.数据供应生态的不健全。人工智能需要包含较为完整的不同维度的数据信息，一是客户的基本信息，如信用信息、社交关系信息等；二是客户的偏好信息，如金融产品偏好、金融服务偏好等；三是客户的行为信息，如银行范围内的行为数据、外部行为数据等；四是客户的分析数据，如客户风险度、客户价值度等。因此，即便已有海量数据储备的科技巨头和银行，仍需要获取多种外部数据。潜在的庞大数据体量是中国的天然优势，但若各自为政规则不统一，则反而会成为信息整合的制约因素。在目前政府公共数据的有限对外开放，以及缺乏一个标准统一、跨平台分享的数据生态系统情况下，银行人工智能应用经常因数据不足而放弃。

　　4.不可预见性和可能风险难以有效规避。人工智能的终端产品涉及多类技术和部件，同时深度学习的训练数据和学习过程存在一定的不可预见性，可能造成账户差错等财产损失甚至金融市场波动，难以精准定位问题出现的具体环节和部位，要分清是人为操作不当还是人工智能的缺陷更加困难。另外，由于现实世界存在着各种形式的歧视和偏见，而当学习了这些带有偏见的训练数据后，人工智能决策过程中“继承”了偏见可能产生无意识的歧视。此类不可预见性和可能带来的声誉风险，阻碍了人工智能产品在“风险至上”银行业的应用和推广。

　　5.海量高速计算资源和传感器成本较高。银行普遍有比较充裕的计算资源储备和使用经验，云计算的普及进一步降低了计算资源成本，计算能力并非当前掣肘。但随着应用场景的落地和普及，深度学习复杂算法需要更高运算速度，这是发展尖端人工智能技术的重中之重。目前更适合大规模高速并行运算的GPU、FPGA专用设备以及模式识别、信息采集所依赖的各类传感器，其耗能水平和成本均较高，决定了人工智能相关解决方案在银行业仍难以实现规模普及和商业化。

　　交通银行于2015 年开始在银行网点推广人工智能机器人，实现了实体机器人在银行服务领域的全面应用。

　　面对上述难点，银行业应该从完善顶层设计、整合现有资源、建立数据生态圈、完善定责标准、推动技术普及等几方面入手来进行应对。

　　1.完善顶层设计，建立人工智能综合试验区。银行应进行人工智能发展的顶层设计与专项规划，突出创新和数字技术的重要性，加强人工智能基础理论研究和核心技术攻关。加强人工智能专家队伍的培养与引进，进一步深化与高校等研究机构的合作，制定吸引国内甚至全球顶尖人才的政策。同时在人工智能领域应建立先行先试的策略，鼓励人工智能大踏步应用于银行业务的同时，着手对其可能导致的金融风险进行预判，在内部或局部实际试用过程中逐步完善优化，待风险可控后再大力推广，努力实现新技术的优势最大化、负面因素最小化。

　　2.整合现有数据，合理规划、清洗和标签。银行是信息密集型服务产业，其数据强度高居各行业之首，在整体价值、企业平均数据量、绩效波动性、交易密度等方面遥遥领先于其他行业。多数国内银行的数据管理已经从较为传统的联机在线数据库、数据仓库进一步发展到了以Hadoop为主流框架的海量数据存储和高速并行计算平台，对信息、流程及渠道进行了全面整合，构建了统一的数据标准和信息模型。内容管理也已兼容内外部海量的格式化及非结构化数据，为基础数据同源统一提供了基本条件。要使这些数据具有分析和AI学习价值，银行还要加大力气对这些信息进行合理的规划、清洗和标签，为人工智能提供跨部门、跨区域、跨领域获取信息和深度学习的能力，以便在未来的应用中产生更大价值。

　　3.建立安全可控、广泛分享的数据生态圈。行业协会及政府主管部门应建立并落实数据规范，在安全可控的前提下向私营领域开放公共数据，鼓励跨国数据交流等方式构建一个更为完善的数据生态系统。数据标准的建立是进行广泛数据分享和实现系统间交互操作的重要前提，有助于提升人工智能技术的使用价值。对于特定行业信息，比如企业公示信息、上市公司财报等，监管机构或行业协会可制定统一格式便于数据共享。同时制定数据脱敏的相关标准和规范，确保人工智能开发者在收集、使用数据的过程中采取相适应的管理措施和技术手段，防止未经授权的个人信息检索、泄露、损毁、篡改等，确保个人信息安全。

　　4.完善定责标准，确定人工智能检测方法。相关主管部门应早日确定人工智能领域的定责标准和检测方法，并广泛宣传取得社会认可，为人工智能在银行的应用和推广扫清障碍。由于深度学习具备主动学习能力，开发者控制程度较低，主观恶意和过错往往比较小，应像传统产品一样设定适当的免责空间。同时考虑到人工智能的算法完全由开发者编写，开发者对风险源头具有绝对的控制力，也应预见算法执行中的可能风险，故也应承担相应责任。

　　5.推动技术普及，降低设备使用成本。根据以往各类电子产品规律，相信不久的将来，随着人工智能技术的普及，推动计算机视觉、机器学习、自然语言处理、机器人技术、语音识别等技术的快速发展，以及在银行业的广泛应用，相关设备量产后成本会大幅下降。

　　当前国内银行对人工智能的应用主要包括智能客服、语音数据挖掘、客户认证识别、金融预测、反欺诈、智能投顾、网点智慧机器人等，取得了一定的效果。交通银行也紧跟人工智能发展趋势，构建内外部数据整合平台，研究人工智能核心技术，不断探索和拓展人工智能应用场景。

　　1.构建内外部数据整合平台，为人工智能发展提供支撑。海量数据是训练人工智能系统、吸引人才、加速创新的核心要素，交通银行构建了信息整合平台，实现了行内外数据的有效互补，建设了集团统一、数据标准、运行高效、技术强大的大数据服务平台。将金融服务与社交网络、电子商务、移动网络等深度融合，实现了大数据的搜集、整理、存储、分析和应用，全面整合了行内外各类有价值数据。通过大数据技术构建了系统化、精细化、科学化的客户信息分析与建模应用平台。

　　2.紧跟发展趋势，深入研究人工智能核心技术。充分利用大数据平台研究成果，结合人工智能在语音识别、语义处理、生物识别、机器学习、专家系统等方面的核心技术，围绕数据跨界融合和深度挖掘进行应用探索，进一步升级和优化大数据平台功能与模型。并重点在客户画像、需求挖掘、精准营销、服务质检、智能投顾等环节应用进行课题研究，努力为客户提供定制化、智能化、有管控的金融服务，综合提升交通银行的服务创新和产品营销能力。

　　客服领域。2013年开始逐步推行智能客服，作为人工客服的前置过滤，智能应答客户咨询，极大降低人工客服的压力。目前已在网银、短信、微信、手机、网点机器人上推广。同时正在结合语音、声纹识别等多种生物识别技术，提升客服中心的质检和精准营销水平。

　　生物识别领域。2014年6月率先在业内建立了全行统一的生物识别身份认证平台。目前已在全行的智能柜、ITM机、个性化发卡机上推广使用，提升了身份认证效率，有效挖掘了各个渠道潜在的客户营销信息。

　　网点机器人领域。2015年开始在银行网点推广人工智能机器人，实现了实体机器人在银行服务领域的全面应用。

　　智能投顾领域。结合现代资产组合理论、资本资产定价模型、私人银行多年资产管理经验及人工智能技术研发智能财富管理系统，为各类客户提供了更加全面和优质的投资顾问服务。

　　风控领域。提升贷前风险判断和贷后风险预警能力，结合挖掘的外部数据进行客户关联画像，通过机器学习深挖历史数据、扩展外部数据，训练出更精准的风险防控模型，实时做出更专业的判断，使风险识别、防范、决策更加可靠，实现对潜在风险的及时防控。

　　尽管许多人工智能产品离大范围上市或商用还有不少的路要走，短期内仍以服务智能化为主，但是并不能因此而忽视人工智能的发展潜力。各家银行应携手产业各方，完善顶层设计，加强核心技术研究，联手完善数据生态圈，推进人工智能在银行业的普及和发展，创新服务方式和流程，提升整个银行业资源配置效率，以更先进、更灵活、更高效地响应客户和社会需求。