“手把手教你读懂智慧金融”-系列2：制霸金融的必要修养 盘点智慧金融的关键能力

在之前的“智慧金融的综述与展望”一文中，我们向读者阐述了智慧金融的发展历程与未来可能的发展路径。简言之，在前沿技术获得突破之际，技术的整合使得传统金融业务流程中的各个环节获得科技赋能，金融的效率也因此得到提升。

在本文中，我们将就智慧金融的关键技术以及一般读者对智慧金融的一些误解进行说明，从而提高读者对智慧金融的认识。

支撑智慧金融的关键利器

支撑智慧金融有哪些关键的能力呢？有心的读者会在“智慧金融的综述与展望”一文中已经发现，大数据架构能力、不同数据领域的AI能力、金融业务流程中的应用能力三大能力像一个金字塔，从下到上支撑起了智慧金融。

要从越来越丰富而庞杂的数据中挖掘出有用的信息，帮助金融的决策和流程都越来越智慧，首先需要有整合和处理大规模数据的能力。由于拥有丰富的开源资源以及很好的可扩展性，分布式数据架构成为了业界主流。这个地基打牢了，接下来就是如何利用各种不同领域数据来解决问题，包括标准简介的表格式数据，以及图像、视频、语音、文字、信号等等非结构化数据。

机器学习的方法因为不需要了解数据产生的机理，而是从数据出发去寻找统计意义上的规律，具有很强的普适性，已经被广泛接受，并被视为人工智能最具代表性的前沿技术。

在算力提升带动下，近几年深度学习算法出现爆发式发展，传统上难以有效处理的各领域非结构化数据挖掘也随之获得精进。金融业务流程中的很多环节也受益于技术的发展，智慧化程度也大幅获得提升。

计算机视觉与自然语言处理可以说是人工智能赋能金融的两项重要利器。在计算机视觉方面，图像的处理和识别是基础，比如很常见的平均脸就是图像处理的一个典型应用。随着图像数据快速积累，通过对数据进行标签化、建模，机器开始具备越来越强的图像识别能力。

中国人的平均脸（通过人工智能对图像数据进行运算后得出的平均值）

以目前全球最大的图像数据库ImageNet为例，累积图像数量已超过1,500万张图片，并建立起超过22,000个类别的标签。利用这样大规模的标签数据进行模型训练，深度学习的识别能力获得大幅增强。

截至目前，机器对图像的识别能力已到了不亚于人类识别能力的境界。这也为金融流程中反欺诈、身份认证的环节提供了有效的解决方案。在业务场景中，算法对于人脸、身份证件、银行卡的识别能力都获得大幅提升。

随着图像识别技术的普及，刷脸支付、刷脸入住、刷脸搭机都将成为生活中的常态。这每一次刷脸的背后都需要通过像素（Pixel）级数据的处理和计算，来对人的相貌特征进行识别。在金融场景下，人们对安全有更高要求，这使得背后的逻辑更加复杂，需要综合采用包括人脸识别在内的多种方式来核验身份。

图像识别流程图

而在自然语言处理方面，随着样本数据持续扩大，已有大量企业投入相关领域，该领域的识别能力也快速获得提升。

自然语言处理（Natural Language Processing，NLP）技术的突破提高了机器对语义表达、机器翻译、阅读理解、知识推力的综合能力，语音识别场景化也让相关技术被应用在智慧金融领域。目前，头部金融科技企业的智能客服机器人、智能贷后机器人等都已经广泛地使用了自然语言处理技术。

不过，即使在封闭域下的对话问答准确率获得提升，仍有些很难突破的临界点。以客服机器人为例，机器人虽大致能理解用户语义并基于事先准备好的知识库提供相应解决方案，但仍旧很难精确理解深层次语义，尤其是当话题范围广的时候，更别说完全自动生成有意义的回答。

近日，在海南举行的博鳌论坛上，由腾讯研发的同声传译机器人便多次发生语义判断失误。在传译过程中，系统多次出现无意义的字节重复也印证了当前自然语言处理仍有一段很长的路要走。

AI如何被用在金融场景

虽然AI仍处在早期发展阶段，距离开放性的强人工智能尚有不小的距离，但就日常业务而言，现有的业务导向AI技术已足以用来提高金融流程中的效率。

要说智慧金融与传统金融最显著的区别便在于：智慧金融是AI与大数据结合金融场景的产物，在业务流程中，通过对大量产生的用户数据进行分析，借以提升业务效率。在数据的基础上，研发人员能针对金融流程中各环节展开模型优化，借以提高用户体验感受并提高业务效率。

首先，随着AI跟大数据技术的突破，金融业务流程中自动化比例因此获得提升。以智能贷后管理为例，智能机器人已经可以辅助人工进行更高效的贷后管理了。

在M0阶段（逾期4至15天），机器人会打电话给用户，进行一些简单互动（商定还款日期、还款方式、还款金额等），达到弱交互功能；而当用户进入M1阶段（逾期16天+），则人工催收开始介入。

从经验来看，在M0阶段，大多数客户都有较高还款意愿，催收机器人能够精确识别用户逾80%的问题并提出解决方案。但到了M1、M2阶段以后，由于情况转趋复杂，机器催收的效率也随之递减。在这个阶段之后，人机结合的比例也逐渐随之提升。

除此之外，通过复杂的模型维度，已经可以根据客户的特点进行“千人千面”的刻画，准确地判断逾期后每个时间段该以哪种方式向该逾期客户展开催收回款可能性较大。

智慧金融的普及也将给金融业带来深远的影响。在未来，需求密度极高的小额贷款市场（还款金额小、还款周期短、需求较单纯且无需抵押）将高度AI化。传统商业银行则将专注开发大额、复杂程度较高的项目，朝高商业附加值的方向转型。

此外，智能投顾也已成为备受市场关注的风口。通过机器学习算法分析，智能投顾系统能分析客户账户投资活动，并根据客户风险偏好来诊断投资状况。然而，现阶段智能投顾处在早期阶段，主要仍停留在投资偏好识别、账户诊断、异常检测提醒、流动性管理、量化投资等基本功能上。

2017年可说是AI广泛应用在金融领域的一年。当年初，美国最大投资银行JP Morgan开始积极雇用AI专业人才从事金融交易业务，并积极将相关交易扩展至欧洲、亚洲。

随后，全球最大资产管理机构贝莱德（BlackRock）也积极提高量化团队的比重，用以替代部分传统基金经理人。所谓量化团队是指依赖机器学习技术，通过对社交网站、网页信息检索来挖掘有价值的投资信息，这被市场看作是金融领域内人机协作的作业模式。

然而，智能投顾仍处在早期阶段，却已经引来市场过度追捧。近年来，国内已有不少投资机构号称通过AI与大数据对历史交易信息进行深度挖掘，对投资人来说，如何正确认识智能投顾则是至关重要。

首先，智能投顾能提高商品投资的媒合效率，但却无法创造出新的投资商品；其次，在AI与大数据加持下，智能投顾能在既有数据的基础上提供买入、卖出的建议，但真正主导市场走势的还是一些酝酿中的事件而非历史数据；最后，如果所有人的交易行为都依据同样的数据样本，那市场买入机会将不复存在，AI总结出的历史规律将严重背离市场走势。

目前看来，短期内国内智能投顾仍属于机器学习的早期阶段，现阶段通过模型训练出来的机器学习仍不足应付日常生活中繁复的开放式场景。在现阶段，如何去设计一个全自动化、不需要人工干预的智慧金融系统，仍存在极大的难度。

从目前的投资收益结果来看，通过AI进行决策的投资回报率未必能优于市场行情。但随着AI技术更新换代，在未来5至10年，强AI或许将取代机器学习用在投顾领域，届时，智能投顾的收益率或将出现更加显著的提升。

归根结底来说，智慧金融已成了绕不开的未来趋势，如何让AI与大数据有效地为人所用成了智慧金融时代所有人关注的重心。如前文所言，智慧金融的目的不在于消灭金融领域内的人力需求，而是提高人力资源的配置效率。