人工智能在银行业的应用与发展.docx

《人工智能在银行业的应用与发展.docx》由会员分享，可在线阅读，更多相关《人工智能在银行业的应用与发展.docx（8页珍藏版）》请在优知文库上搜索。

1、人工智能在银行业的应用与发展科学技术不断进步，智能时代随之而来。人工智能作为引领未来的战略 性技术，推动各行各业实现跃迁式成长，发展潜力巨大，商业价值可 观。而银行业正值数字化转型如火如荼的时期，金融产品和服务模式的 日新月异呼唤人工智能等新兴技术为其“加薪助燃”，以解决金融脱 媒、利差收窄、风险防范形势严峻等现实问题；同时.，银行业多维且丰 富的应用场景也为人工智能的落地生根创造了 “天然基质”。尽管当前 人工智能在银行前中后台均有应用，但不可否认的是其发展尚处于探索 阶段。银行只有进一步了解现状，并就人工智能在银行业的应用领域开 展分析，洞悉其未来发展方向，才能乘数字化转型之东风，拓宽技术

2、与 业务场景的融合边界，在创新业务模式及实现金融资源有效配置的过程 中，推动银行融入智能时代。一、人工智能在银行业的发展现状科技对商业银行的赋能经历了金融电子化、金融信息化、互联网金融和 金融科技四个阶段，从单纯依托技术手段提升传统业务效率、降低运营 成本，到优化金融服务能力与水平，再到聚焦前端渠道形成普惠的大众 化金融模式，至今已发展为新技术与业务全流程、全链路的紧密融合， 驱动银行业向产品创新、服务升级、智能金融不断迈进。人工智能作为新兴技术的代表，从供给侧来看，数字和网络服务更新换 代推动处理运行速度提升、硬件成本下降、计算能力增强，相关基础设 施的日益完善、数据质量的不断优化均为人工智

3、能构筑了较为扎实的发 展基础，语音、图像识别及机器学习技术的阶段性进展，为人工智能的 应用突破了技术屏障。人工智能在各大领域生态层的构建与落地，使得 其行业应用趋向成熟。而从银行业需求侧来看，经济转型下市场边界的 延伸、客户个性化诉求的不断明确无疑是银行业进一步寻求科技支撑与 突破的双重动力。对智能金融战略的主观重视与客观上充足的资金保 障、庞大的客户群体以及海量的应用数据均为人工智能与银行业的“牵 手”提供了更大的可能性。当今中国，“AI+金融”产业规模稳步增长，国家金融业务监管政策的收 紧促使行业浪潮趋向技术回归，“AI+金融”领域已逐渐成熟，无论是对 AI落地价值的认可度还是AI技术能力

4、的掌控度，大型金融机构都处于上 升趋势。艾瑞咨询预测，2022年中国金融场景的人工智能投入规模将达 414.5亿元，其中银行业作为主要需求方，2022年人工智能的投入规模 将超过220亿元。人工智能为银行业带来的价值同样是巨大的，很有可 能是商业银行的下一个利润增长点。麦肯锡全球研究所预测，人工智能 和机器学习将为银行业创造超过2500亿美元的价值，每年可为全球银行 业创造高达1万亿美元的增量价值。当前，智能金融的市场规模和应用 场景随着人工智能技术在金融领域的逐步突破不断扩大，人工智能已经 渗透到商业银行的支付、消费、风险、运营和资产等各个领域，将在不 断融合、创新、拓展中促进金融科技向纵深

5、发展。二、人工智能在银行业的应用分析1 .人工智能在银行业的应用逻辑银行业智能化进程的顺利推进与智慧效能的发挥有赖于技术的更新换代 与沉淀，也需要选择契合发展的内外部业务场景作为主要阵地。人工智能在银行业内部场景的应用重点在于以人为核心的技术延伸。无 论形式如何丰富，银行服务的本质仍是人与人之间的交流与服务价值的 交换，人工智能参与其中必然要遵循这一底层逻辑而非搅局与替代。因 此，形象地讲，人工智能在内部场景前中后台多个环节的应用更多是充 当了人类智慧的“扩容器”、人类能力的“放大器”，使数字机器人具 备理解语言、理解文字、理解业务的能力，批量实现人性化和个性化的 客户服务，甚至在一定程度上变

6、革银行人力资源体系，为服务价值链高 端的银行业带来深刻影响。人工智能在银行业外部场景的应用重点则在于以串接为路径的生态重 构。虽然从单场景来看，人工智能仍然保持基础特点与运用惯式，但其 细分技术宽广而深入，且在涉及与客户相关的衣食住行、医疗保健、文 化娱乐、教育培训、体育锻炼等多个领域已有广泛布局，找到适合其细 分技术成长的“土壤”并非难事。例如，自然语言技术应用于开放式环 境中与客户的交互，在提升渠道触达能力的同时，融入智能服务;知识图 谱可实现企业股权穿透管理，在市场营销、知识服务、决策辅助中亦有 良好效果;机器学习与深度学习技术更是能够从客户行为中提取出更为准 确的信息O 人工智能在银行

7、业内外部场景的应用结合可全方位构筑生态，再造银行 的运营模式与流程。2 .人工智能在银行业的应用领域人工智能技术的应用涉及银行前台、中台、后台等业务部门，前台可用 于客户服务，中台可用于支持授信及金融交易分析决策，后台可用于风 险防控和监督，覆盖了银行存、贷、汇、监等业务场景，改变了现有金 融服务格局，使其趋向于个性化与智能化。(1)前台赋能交互，提升用户体验用户是商业银行生存和发展的基础，用户体验得到长久而持续的关注也 是应有之义。其提升主要体现在用户交互感知方面，借助计算机视觉、 自然语言处理、语音识别等成熟的人工智能技术，银行与用户的智能交 互变得频繁且自然。计算机视觉技术转化为“智慧之

8、眼”接收图片、视 频等数据并进行类别、内容的识别；自然语言处理作为“智慧大脑”， 以语义理解模块接收文本信息、理解文本的内容与情感并进行相应反 馈，以此弥补因人力、精力不足而导致的人工服务的缺失，将用户服务 做到极致。不同金融场景用户交互的技术应用也不尽相同，包括身份识别、手势识 别等在内的计算机视觉技术已应用到手机银行登录、远程开户、刷卡、 取款、VIP客户识别等多个场景；人脸识别技术在各大商业银行的手机银 行、柜台、自助发卡机、智慧柜员机、VTM等也已有布局，在提升客户体 验的同时可减少重复单一的客户服务工作。商业银行通过语音识别、自 然语言处理、知识图谱等人工智能技术实现语音转写工作、语

9、义理解、 问答服务、敏感词识别、情绪识别、实体识别等功能，落地到交互机器 人、智能客服等金融场景。智能交互机器人可理解客户的语音指示、回 答客户相关问题、引导客户办理不同的业务，同时通过知识图谱实现相 应的知识推理、类似问题回答推荐等功能，从而节省行内人工成本，使 人工客服可以专注于解决更为复杂的问题。(2)中台赋能产品，推动流程重塑人工智能技术与金融业深度融合，在提升金融机构服务效率的同时，实 现了金融服务的智能化、个性化与定制化。人工智能辅助商业银行通过 全方位了解用户完成对原产品的完善、原业务的优化。结合大数据进行 的用户画像深度挖掘数据价值，突破传统产品和服务模式广而泛的局 限，为用户

10、更为精准地匹配产品和服务。借助人工智能，商业银行逐步实现了对产品设计的精准化、业务流程的 再优化。感知智能通过大数据、机器学习、深度学习感知客户、环境， 实现对对公、对私客户的精准刻画。认知智能通过图计算、机器学习、 深度学习等技术，结合已有的金融数据、环境数据、业务知识，实现智 能风控、智能营销、智能投研、智能合约等。产品业务认知中的智能风 控，将业务知识、历史数据与经验嵌入应用和流程中，重塑贷款管理流 程，对客户、交易等进行风险预测、欺诈识别、反洗钱监控，打造端到 端的智能风控体系，使风控从“人控”向“机控”转变，从而降低风 险、提升效率。后台赋能运营，提速提质提效随着人力成本的不断攀升，

11、商业银行在运营管理中对降本增效的诉求日 益增强。人工智能技术可辅助将有限的人力资源从业务量大、操作一 致、重复度高、数据格式固定、规则标准明确、耗时长、处理过程枯燥 的领域中解放出来，投入到需要高度判断力、想象力的附加值更高的工 作中去，实现业务流程自动化、智能化，以“数字员工”的“一岗多 责” “多岗多责”有效提高运营效率，提升精细化管理水平。在后台运营感知方面，机器学习、计算机视觉等技术可帮助银行从业者 大幅提升工作效率、减少工作误差。由于银行业在办理业务的过程中会 积累大量的纸质票据、表单以及身份证护照等的复印件、影像等资料， 计算机视觉技术中的OCR可自动识别提取影像资料中的文字信息，

12、业务 人员不再需要将大量的纸质文件手动输入转化为电子信息，因此，各大 商业银行都将OCR识别技术应用到相关业务流程中。RPA则可帮助银行员 工自动、高效地完成大量重复性的工作。在后台运营认知方面，各大商 业银行的数据中心也已开始智能运维的布局与应用，通过语义分析工 单、实时分析应用数据进行挖掘建模、模型迭代，让运维管理具备算法 和机器学习能力，提高运维效率，降低生产风险。三、人工智能应用于银行业的后续思考 人工智能在银行业已有长足进步与快速发展，但成长时间尚短，与场景 的融合也多出于“自然反应”。商业银行仍需在顶层设计、制度监管、 智能治理、基础能力建设等方面进行深入研究，推动以人工智能为主要

13、 驱动力的智能银行实现可持续的、高质量发展。L基于统筹视角强化“数字员工”核心能力智能时代，银行的长远发展有赖于对人工智能运用的顶层规划，这不仅 体现在要将人工智能对某项银行传统业务流程或信息系统的“后置 式”“补丁式”优化转化为统筹建立基础能力后多点赋能银行业务以发 挥规模效应，更体现在立足于“全局数字化”战略思路，联结技术革新 与人力资源优化，构建完备的技术架构，实现人机协同，进一步提升效 率，构建全面、完备、自我更新迭代的数字化金融组织。人工智能在银行业的应用无论是延伸人的能力还是串接重构、再造流 程，最终都是着眼于经营与服务，因此，一方面要给“数字员工”强大 而标准的能力，推动建立系统

14、化的人工智能平台，针对银行自身分步构 建出脱胎于实际的算法模型，并予以全生命周期的管理，先行先试，小 步迭代，将在实践中得以充分验证的创新思路注入算法模型并不断固 化、沉淀，形成稳定的能力，最终实现更大范围的覆盖、复用与赋能； 另一方面则要从人力资源的角度认同“数字员工”的身份，将其与自然 人的人力资源统筹考虑，塑造自然人员工的数字能力，适应并主动拥抱 人机合作的工作新形势，以此提升“数字员工”的能力与使用效率。2 .基于治理理念消除人工智能“隐藏风险”快速的发展一定存在风险隐患，人工智能也不例外，银行业对数据安 全、算法安全、隐私保护的强烈诉求使得银行在应用人工智能的同时多 了一份担忧，影响

15、更深层次的探索与创新。人工智能的算法逻辑对于价 值链条的绝大部分参与者来说更像一个“黑盒”，同时其智能性也意味 着学习及求解的自主性及独立性，过程更关注输入输出的正确性以及目 标的合理性、原始数据的准确性等。这就更需将人工智能运行在“阳光之下”，使用原则和使用规范不可或 缺，对人工智能的治理也需更为谨慎，使其发展围绕“人本视角”的准 绳、“人的能力延伸”的本源，在研发和运用时必须保证人工智能模型 的机制正确、过程公平、路径透明、结果可追溯等。虽然指导性的文件 并不鲜见，但由于人工智能的适应场景广泛，原则性的指导无法“包打 一切”，仍然需要基于业务场景的实际进行具体的、可操作的、可落地 的指导。

16、3 .基于整合思维“双线并行”发挥最优价值人工智能并非作为独立的新技术产业存在，而是与其他新技术间存在着 不可分割的紧密联系。从某种程度而言，庞大的数据是人工智能重要的 养料与支撑，是完善人工智能系统、加速应用创新的关键要素之一，供 人工智能进行学习、训练与分析，并影响着人工智能产出的精确度与可 用层级。 作为百业之母的金融行业，与整个社会存在巨大的交织网络，沉淀了大 量数据，理论上在人工智能应用中具有天然优势，但其沉淀的数据种类 繁多、级别海量，又大量以非结构化形式存在，外部数据的引入略有不 足，跨平台的标准化数据生态也普遍处于建立初期。银行业要应用好人 工智能，对大数据的收集、管理与处理同样值得关注。一是要建立集 采、存、算、用、管于一体的、适用于全行的基础性数据平台；二是要 打破数据与数据之间的隔阂与边界，共享海量的数据及其所带来的数据 价值，从而扩展数据的内涵与外延。与此同时，标准的建立也尤为关 键，数据平台解决基础问题，数据融通解决价值问题，数据标准解决治