实践与展望:AI如何为金融业创造价值

钛媒体  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

实践与展望:AI如何为金融业创造价值

图片来源@全景视觉

文丨爱分析

前言

在当下的中国金融业,人工智能技术正被寄予厚望:工农中建四大行在最近的年报中均多次提及人工智能战略,并开始在业务场景中推广人工智能应用。这表明,随着人工智能各项技术应用逐步成熟,“智慧金融”时代即将到来。

本报告由爱分析与马上消费金融联合发布,通过人工智能技术在金融领域的真实应用案例,剖析技术对金融业务的价值创造,并指出下一步“智慧金融”产业链的演进方向。

本报告重点关注四项人工智能技术在金融领域的应用:计算机视觉、语音识别、自然语言处理、知识图谱。核心观点包括:

• 人工智能技术对金融业价值链每一环节产生影响,体现在三个层面:自动化、智能化、创新化。目前,计算机视觉和语音识别技术在金融业务中已经得到普遍应用,业务自动化水平得到突破;NLP和知识图谱则在逐步落地中,使得智能化创新逐渐增加。

• 现阶段,人工智能技术创造的价值主要体现在:为金融机构降低运营成本和风险成本。短期内,人工智能应用仍将以这两点价值为核心;长期来看,技术应用将有助于新业务获取与客户满意度增加。

• 为发掘智慧金融价值,持牌金融机构需要尽早布局人工智能技术。两项新趋势已经出现:第一,人工智能在金融领域的应用正从产品向综合解决方案发展;第二,领先的持牌金融机构以自身场景应用为基础,对外进行技术输出赋能。

• 未来,新的人工智能技术和算法将不断走向成熟,推动行业迈向智慧金融新时代。这里我们以两项热门领域——联邦学习和可解释的人工智能(XAI)为例,展望人工智能技术在金融领域的潜在价值。

1、智慧金融浪潮来袭

在当下的中国,以互联网渠道和数字化技术为代表的“金融科技”正在深刻改变金融业态。其中,伴随着互联网的全方位渗透,云计算和大数据两项技术已经得到了广泛应用。下一步,人工智能技术的大规模应用对金融业态将产生更加深远的改变。

2019年,机器学习、计算机视觉等技术已经规模化商业应用,自然语言处理、知识图谱、深度学习等技术逐步落地,金融机构应用人工智能技术正当时,智慧金融浪潮将席卷金融业。

1.1人工智能技术概览

人工智能是计算机科学的分支,研究目的是让计算机以接近或超过人类智能的方式作出反应。现阶段,在数字化技术和新兴应用场景的推动下,人工智能技术发展愈加细化,应用愈加广泛。

从产业链角度来看,人工智能领域分为三个层次,由底至上,越来越靠近终端应用:

第一,基础层,包括AI芯片、AI云平台等提供计算、存储、数据等的基础设施,也包括TensorFlow、Caffe、PaddlePaddle等通用计算框架;

第二,通用层,包括计算机视觉、语音识别(ASR)、自然语言处理(NLP)、知识图谱等通用技术,也包括机器学习、深度学习、增强学习等各类实现算法;

第三,应用层,包括身份识别、智能营销、智能风控、智能客服等各类终端场景应用及解决方案。

实践与展望:AI如何为金融业创造价值

本报告聚焦人工智能通用技术和落地的金融应用场景,从通用技术出发,结合马上消费金融的技术创新和业务应用案例,探讨人工智能应用如何在金融行业创造价值。

1.2 金融领域人工智能商用走向成熟

爱分析从技术生命周期和金融产业采纳程度两方面,综合评价人工智能技术在金融领域商业应用的成熟度。

根据爱分析调研,尽管人工智能技术整体仍处于技术生命周期的早期,远未到达成熟阶段,但有四类通用技术业已进入或者即将进入主流商业应用,分别是:计算机视觉、语音识别、自然语言处理、知识图谱。

这四项通用技术在金融领域的应用,和为金融机构创造的价值是本报告重点关注的内容。在第二章的内容中,我们将具体介绍这四项技术,并借助技术在马上消费金融业务场景中的落地应用案例,评估其当前创造的价值,以及未来潜在价值。

从技术生命周期角度来看,这四项通用技术尚处于推出到增长的阶段,距离技术完全成熟还有一段距离,但并不妨碍其在金融应用中发挥作用。随着人工智能技术未来的进一步成熟,场景覆盖和解决需求的深度、效率仍有进一步提升的空间。

实践与展望:AI如何为金融业创造价值

从采纳程度来看,计算机视觉和语音识别技术在金融领域都已有大规模落地应用的场景,创新金融机构也开始布局NLP和知识图谱的未来应用。

作为持牌消费金融公司,马上消费金融自建人工智能研究院,重点布局视觉、语音、NLP等通用技术,形成FaceX人脸识别、活体唇语识别、智能语音监测、空号监测、OCR等通用技术及产品应用。在此基础上,落地智能交互平台、智慧双录平台、智能贷后管理系统等解决方案。

需要注意的是,几类通用技术在场景应用中存在一定程度的融合。例如,语音识别相关的应用场景中往往涉及到对话,需要NLP提供语义理解能力;此外,各类人工智能的应用也离不开其它数字化技术的支撑,如云计算、大数据等。本报告主要从单一技术的核心应用和价值创造出发,对于场景端具体使用了哪些技术不做细致区分。

这四项技术之外,联邦学习、可解释的人工智能(XAI)等算法框架的未来应用正在金融业中广泛探讨。例如,联邦学习技术有望解决建模和模型更新过程中的数据隐私问题,有望对金融领域的数据生态造成变革。

这些新兴人工智能技术距离规模化商业应用还有一定距离,但前景可期。在第四章中,我们将对联邦学习等未来的金融秩序潜在颠覆技术进行介绍和展望。

1.3 人工智能为金融行业实现价值创造

金融机构应用人工智能技术,最终目的是为自身创造新价值。目前,随着部分人工智能技术规模化商业应用,创新已经渗透到金融产业每一环节,并在自动化、智能化、创新化三个层面上重塑金融价值链。

1.3.1人工智能渗透金融价值链每一环节

随着技术商业应用成熟度的不断提升,人工智能技术在金融行业取得越来越广泛的应用,价值链的每一环节都在受到不同程度的渗透。

我们将金融核心价值链定义为四大环节:产品设计、市场营销、风险控制、客户服务,这四大环节再加上人力、财务、IT等支持性活动,共同构成金融行业价值链。

我们可以看到,人工智能技术在金融价值链每一环节都有清晰的落地场景。但这些落地应用给金融机构带来的价值创造不尽相同,其应用成熟度、方案采纳难度也不尽相同。

例如,针对客户个性化地设计金融产品是大量金融机构的未来追求,因为可以预期到这一改变将带来增量客户。但相应地,个性化产品设计依赖于NLP、知识图谱技术的进一步成熟,也涉及到金融机构大量内部IT架构、业务流程的变化。

因此,我们需要进一步回答,各类人工智能通用技术应用究竟为金融机构创造了哪些价值,并进一步地预测其潜在价值。

1.3.2价值创造的三个层次

我们将人工智能技术为金融行业创造的价值分为三个层次:自动化、智能化、创新化。

自动化主要涉及到流程性工作,多数场景下是单一的感知智能技术,如计算机视觉、语音识别的应用。

一方面是金融机构内部的操作流程,如马上消费金融利用OCR光学字符识别技术,完成证件信息识别,解放了相关人力,降低了运营成本。

另一方面是金融机构与客户的交互流程,如通过人脸或语音等生物特征识别,自动认证客户身份,取代密码等验证方式,优化了用户体验。

智能化主要涉及分析、推理和决策性的工作。应用场景中往往涉及到数据挖掘,以及NLP、深度学习、增强学习等认知智能技术和算法。

例如,金融营销中的“千人千面”是一个典型的智能化场景,通过对潜在客户多维度数据,如金融数据、消费数据、社交数据的挖掘,精准绘制用户画像并匹配相应的营销策略、产品,对于增量业务获取起到正面作用。

创新化指的是人工智能技术应用带来的金融价值链的变革。其基础在于人工智能技术在某些细分领域的广泛应用,核心是金融机构业务流程、组织架构、商业模式的再造。

例如,智能投顾是一个典型的创新化应用,通过人工智能技术为用户进行风险识别、资产配置(公募基金匹配)、投资风险提示等工作。

三个层次的价值创造最终会体现在四类可量化的价值杠杆上:获取增量业务、降低风险成本、改善运营成本、提升客户满意度。

在第2章中,我们将用这一框架结合技术商业应用成熟度,对人工智能的四项通用技术:计算机视觉、语音识别、NLP、知识图谱,在金融领域可预见的潜在价值进行评估。

1.4 智慧金融生态初现端倪

随着人工智能技术在金融领域开始广泛落地应用,围绕智慧金融而产生的产业链逐渐完善,包括:基础设施服务商、通用技术服务商、垂直场景服务商等。最终,这些服务商将人工智能应用面向终端场景,如各类持牌金融机构、互联网金融等。

本报告重点关注人工智能对于持牌金融机构终端场景的价值创造,以及面向场景的技术服务商如何提供这些价值,进而形成智慧金融生态。

2、四类AI技术重塑金融生态

评价某项人工智能技术在金融领域的应用价值,需要回答三个问题:第一,技术成熟度如何?第二,技术能重点应用在价值链哪些环节?第三,产生了哪些价值?

我们在这一部分,将通过定量定性的分析,以及具体应用案例,逐一说明计算机视觉、语音、NLP、知识图谱四项技术如何为金融行业创造价值。进一步地,阐明金融机构应如何获取这些价值。

2.1 计算机视觉

计算机视觉技术在金融领域的广泛应用,普通个人用户对此有明显感知:传统的线下柜台、面对面的交互、验证模式被线上化逐步取代。

但与此同时,业务模式的改变,意味着过去基于线下流程的风控模式需要变革。通过计算机视觉技术对用户进行安全、有效、便捷的身份核验,已经成为金融行业“标配”。

2.1.1计算机视觉技术综述

计算机视觉技术是指,通过计算机等设备,对客观世界中的目标产生的图像、视频进行分析处理,使得目标能够更好地被计算机所理解,从而取代以往由人的肉眼来识别目标的过程。

计算机视觉的底层技术是神经网络算法,以及基于算法和大量图片数据集训练得到的视觉模型。

其中,人脸识别、活体检测等计算机视觉的标准化场景,其视觉模型一般也是标准化的,这些技术在相应的金融场景中已经得到广泛应用。

此外,还存在很多应用计算机视觉的非标准化场景。比如通过识别无人机图像来对企业资产状况进行评估、对保险进行定价等场景,需要个性化的视觉模型。在金融领域,非标准化的场景应用仍有待发掘,同时也需要场景数据进一步积累。

2.1.2价值创造评估

在金融业实际应用,计算机视觉主要应用在金融机构内部流程、以及与客户交互的自动化,对风险控制、客户服务等核心价值链产生影响。这些影响体现在:对现有重复性的人工作业进行取代、提升,并创造出新的客户交互模式。

例如,刷脸支付是一个典型的计算机视觉技术应用场景。收款方通过对货品类型和数量的识别直接计算出价格;支付方则通过“刷脸”,完成支付过程中的身份认证、风控,避免了相对繁琐的密码等验证方式。这一新型交互方式提升了支付流程端到端的自动化程度,也提升了用户支付服务的满意度。

目前阶段,计算机视觉技术在金融机构中已经得到了相对普遍的应用,其创造的价值也已经受到广泛认可:主要体现在自动化带来的运营成本改善上。

未来,金融机构不应当寄希望于通过应用计算机视觉技术来获取增量业务,核心布局方向应当是:以交互、内部运营场景为核心,发挥技术对人工流程的替代。尤其是在风控相关业务场景中,进一步识别风险特征等方面,计算机视觉技术仍有巨大潜力待挖掘。

2.1.3价值创造:交互与风控

总体而言,计算机视觉技术的价值创造体现在:用户交互方式的改变以及风控能力不断提升两方面,接下来将通过马上消费金融的两个具体案例来说明技术应用如何创造价值。

案例1:马上消费金融刷脸支付提升用户体验

在网络身份核验过程中,简单的证件信息校验无法抵御证件信息盗用行为,难以满足高风控要求的各类应用场景。

面对这样的挑战,人脸识别作为一项关键的身份核验技术,在与证件信息校验相结合之后,能够实现证件信息与证件信息持有人之间的一致性关联,即“人证合一”,成为加强实名认证的安全性、可信性的主要手段。

在电子商务的迅猛冲击下,某大型零售商为了实现数字化转型,提升运营效率,大力推动基于人脸识别的无介质刷脸支付。

作为技术实力领先的持牌金融机构,马上消费金融自主研发了人脸识别技术,所用人脸识别模型基于500万张人脸照片训练得到,在LWF性能评测中达到99.83%的准确率,处于业内领先水平。

该零售商最终采用马上消费金融提供的人脸识别技术,实现了便捷高效的刷脸支付。

首先,顾客通过APP注册为门店会员,进行实名认证、人脸比对、活体检测等身份核验环节。在人脸比对环节,APP会将实时拍摄的顾客照片与公安网纹身份证照片进行比对,并同时进行照片留存。

此后,顾客每一次光顾该零售商的线下门店并结账时,只需站在收费通道的出口,面对Pad设备摄像头刷脸,Pad系统会将摄像头实时拍摄的照片与注册会员时留存的照片进行实时比对,同时进行活体检测。两者均通过以后,顾客即可支付成功。

门店采用刷脸支付后,顾客整个支付过程仅需1-2秒,购物体验获得极大提升,同时零售商的日常结账效率也得到了明显提升。

案例2:活体识别助力马上消费金融风控水平不断提升

尽管人脸识别技术极大提升了身份核验的安全性,但在照片翻拍、视频翻录等攻击行为面前,人脸识别仍然面临着极大威胁。

因此,近些年来,活体检测技术成为金融行业普遍采用的身份核验加强手段,它能够由计算机来检测镜头前的人是真人,而非翻拍、翻录得到的人像。

按照所用技术手段的不同,活体检测又可分为动作指令活体检测、唇语活体检测、近红外人脸活体检测、双目活体检测等。

其中,动作指令活体检测主要通过眨眼、摇头等常规性动作指令实现活体识别,面对大量的视频翻录活体攻击,仍然存在一定被攻破的可能性。

与动作指令活体检测相比,唇语活体检测、近红外人脸活体检测、双目活体检测在面对活体攻击时具有更高的安全性。

近些年,在数字化浪潮的冲击下,大部分保险公司都开始推出可供在线办理业务的APP产品。

某保险公司在推出专属APP产品之初,就采用了马上消费金融提供的人脸识别和动作指令活体检测技术,作为APP在投保人投保业务中的身份核验方式。

近期,该公司关注到,动作指令活体检测仍然有被翻录视频多次攻击攻破的可能性。因此,他们决定对活体检测技术进行升级,进一步采用了马上消费金融自主研发的唇语识别活体检测技术。

唇语识别的基本流程是:首先,系统给定一组数字(一般为4个),并让业务办理人读出这组数字并将视频上传。然后,系统在活体视频中提取人脸数据帧,借着从人脸数据帧提取嘴部帧。最后,系统通过唇语识别模型来判断唇语是否与给定的数字相匹配。

马上消费金融自研的唇语识别技术,在读错2~3个给定数字的活体撞库攻击测试中,能够100%识别活体攻击,在业内处于领先水平。

采用唇语活体检测技术之后,该保险公司APP受到翻录视频活体攻击而被攻破的次数降低为0,风控水平得到了明显的提高。

除了以上两个应用案例之外,如基于OCR的票据识别等,也是金融领域中常见的应用场景。

2.2 语音识别

语音识别技术广义上包括语音合成(TTS)、声纹识别等一系列基于语音信号的技术,也包括NLP技术所提供的语义理解能力。本章技术和价值创造不涉及NLP相关部分,但在实际应用案例中不会做刻意区分。

由于电销、客服、回访等场景的广泛存在,语音识别技术在金融机构中渗透相当广泛。在提升用户交互满意度、进一步降本增效上,语音识别的应用价值仍有进一步提升空间。

2.2.1语音识别技术综述

语音识别技术将人发出的声音转化为计算机能够理解的形式,并通过计算机来模拟人发出语音。

其中,声纹识别也是一项在金融领域有重要应用的细分技术,通过人的声纹来判断两段语音是否属于同一人。在实际应用场景中,它不但能够对同一人的两段语音做一致性比对,还可以区分同一场景中的多人身份。

不同类型的语音技术,其底层都是基于语音信号的声学模型和语言模型。由于不同行业的术语、表达方式等存在较大差异,语音相关模型一般需要针对特定行业和场景进行定制化训练。这也意味着,金融行业专属语料数据的不断积累和更新,是一项重要壁垒。

2.2.2价值创造评估

从技术成熟度角度来看,语音识别技术方兴未艾,尤其是中文语音识别在模型上与拉丁语系存在较大差距,在识别准确率、场景深度交互等方面还有较大提升空间。

在应用环节上同样,语音技术的相关应用几乎成为中大型金融机构的标配,如客服机器人、合规场景的质检等,实际创造的价值更多体现在对人力的替代,深度、复杂的场景应用中还有待进一步探索。

短期内,语音识别技术应用仍将是以自动化为核心,未来则有望向智能化进一步发展,这也有待于金融场景语料数据的进一步积累以及深度学习等算法层面的进一步突破。

目前阶段,金融机构对于语音技术的需求更多来自成本与合规两个层面。但着眼于未来,能否向客户提供更优质的服务,将是金融服务的核心成功要素,而尽早在更多客户交互场景下应用语音识别技术,将有助于进一步提升客户满意度。

2.2.3价值创造:更低的成本、及时的服务体验

整体来看,语音识别技术最具价值的应用在于与客户交互、服务相关的环节中,起到降本增效的价值。此外,合规及客户权益保障等相关场景下的应用价值同样不可忽视。

案例1:智能语音为马上消费金融降本增效

金融机构在电销、回访、催收等业务中,一般采取基于号码池的自动外呼来提升外呼效率。外呼成功之后,可能接入人工服务,也有可能接入智能语音。

在自动外呼过程中,由于空号、欠费停机、关机、正在通话、不在服务区等大量无法接通状态的存在,外呼系统经常需要持续等待运营商返回无法接通的信息,才会将线路挂断,等待时间可长达一分钟。

因此,如何提升线路资源的利用率,从而降低因为线路空耗而带来的不必要成本,对于自动外呼系统的运营方同样十分重要。

马上消费金融基于语音识别技术,自主研发了空号检测解决方案,在挂断/非挂断、号码状态两个方面对号码进行检测。

其中,挂断/非挂断检测是对电话通话中的前置音或回铃音进行识别,如果其中包含“正在通话中”“空号”“关机”“用户正忙”等一系列关键词,则立刻挂断电话,整个过程只需数秒,准确率可达98%。

由于一次智能挂断节省了约一分钟线路等待时间,而马上消费金融外呼系统的日外呼量可达30万,因此该算法可为马上消费金融自身节省约30万分钟的线路等待时间,极大提升了线路资源利用率。

另外,号码状态检测是根据前置音或回铃音中的关键词进行进一步归类,目前已经实现15种状态的识别。对于不同状态的号码,外呼系统将会在此后采取不同的外呼策略。比如,对于不在服务区的号码,隔段时间再次进行呼叫;对于欠费停机的号码,则在次日进行呼叫;对于空号的号码,直接从名单中剔除。该算法对于不同号码状态的识别准确率已达99%。

号码状态检测不但能够同挂断/非挂断检测一起应用于外呼系统,而且能够为资产管理、风控、运营等部门提供数据支持,在提升号码库质量、完善用户信用评分体系等方面发挥重要作用。

案例2:智能质检保障客户权益

近些年,国家有关部门针对网贷、消费金融领域普遍存在的催收行为的监管政策日趋严格,保监会也针对保险销售过程中损害消费者合法权益的行为展开集中整顿,要求保险公司严格执行座席人员质检工作。

为了保证销售、催收等环节的合规性,网贷、消金、保险等企业常常会对人工坐席的语音文件进行抽查质检。这一过程不但费时费力,产生大量成本,实际效果也不尽如人意,难以覆盖全部语音会话内容。

基于语音识别技术的智能语音质检,不但能够为金融机构节省语音质检的人工成本,提升质检效率,还能够做到覆盖全部语音内容的全量质检。因此,智能语音质检正日益得到金融行业的重视。

马上消费金融作为银保监会批准的持牌金融机构,对于客服坐席语音质检非常重视。基于语音识别技术,马上消费金融自主研发了智能语音质检系统。

首先,智能语音质检系统会对坐席的会话语音进行预处理,并通过训练得到的声学模型和语言模型,将语音转化为文本信息。

最后,质检系统会利用算法,对转化得到的文本内容进行关键词分析,对违禁词、问候语、回答准确性、回答熟练程度等多项内容进行质检,最后输出整通电话的质检结果。

针对部分合规性要求更高的客户,质检系统还可以提供实时的违禁词检测提醒,一旦发现通话语音中含有违禁词,系统会实时通知相关负责人进行处理。

另外智能质检系统还应用了声纹识别技术,能够实现说话人辨认和说话人确认,即从一段语音中辨别多人声音,以及确认不同语音片段是否属于同一个人。一旦催收坐席在催收中使用非合规的话术,质检系统能够快速对坐席身份进行定位,以追究其责任。

目前,智能语音质检系统已经服务于多家客户,截止2019年上半年,已累计处理语音条款2.2亿条,累积处理语音时长43万小时,累积质检坐席数量达5549人。

2.3 NLP

在金融领域,NLP是一项在所有价值链环节都有着广泛潜在应用的技术,尽管目前成熟度仍不足以支撑其为金融机构创造较高的价值,但前景可期。考虑到这一点,金融机构需要及早布局NLP相关应用。

2.3.1NLP技术综述

NLP 是人工智能分支之一,是计算语言学、计算机科学等多学科的交叉技术,能够计算机去处理和分析自然语言,最终目的是实现计算机与自然语言的有效交互。

常见的NLP应用方向包括句法语义分析、信息抽取、文本挖掘、机器翻译、信息检索、问答系统、对话系统等,而机器学习是实现这些应用方向的重要技术手段。

在实际落地中,由于不同垂直领域存在不同的词汇、术语,因此NLP技术一般需要通过大量垂直领域的文本资料加以训练,从而对识别模型进行不断优化后才能真正实现商用。

2018年底,Google开源了NLP预训练模型BERT(BidirectionalEncoder Representation from Transformers),经过迁移学习可被迅速应用到不同的垂直领域,大大提升了NLP模型的训练效率。

2.3.2价值创造评估

当前阶段,受限于技术成熟度,NLP技术为金融行业创造的价值还相对有限,仅仅应用在自动化相关的场景下,例如文本合规检查、数据检索等,主要价值体现在帮助金融机构降低运营成本上。

但着眼于未来,NLP技术有望成为金融机构智能分析决策的基础,尤其是与各类大数据分析技术的结合,有可能对于金融价值链造成颠覆。

例如,智能投研平台Kensho基于NLP技术对于海量数据的挖掘、整合、分析,辅助财经新闻人员进行快速数据提取。未来结合知识图谱与大数据分析,智能投研在某些方面可以达到超越人类的投资分析水平,从而产生新的金融商业模式。

不论是着眼于当下的应用,如智能客服;还是着眼于未来NLP在金融领域可能的大规模应用,如智能投研、智能运营、智能检测等,金融机构都应当开始重视NLP相关技术和应用的布局。

2.3.3价值创造:智能交互与业务增长

在金融实际应用中,NLP往往与语音技术相结合,创造出更加智能的客户交互模式,一方面减少了人工坐席数量,优化了运营成本;另一方面,NLP对于信息的挖掘相对于人工存在优势。

下一步,NLP应用探索的方向将会超越客户交互环节,而深入到金融价值链的各个环节,为金融机构带来商业模式变革与业务增长,如智能投研与智能投顾。

案例1:智能交互平台

在金融行业中,不仅存在电销、回访、催收等相对标准化、单向化的主动外呼场景,还存在大量由客户主动发起,基于客户的复杂需求和业务方的业务知识的高级对话场景。

过去,为了应对客户主动发起的客服需求,金融机构的智能客服系统往往存在两套方案。针对客户的标准化需求,依靠IVR导航提供标准化的应答服务。对于客户的个性化客服需求,金融机构提供人工坐席服务。

但人工坐席服务往往线路资源极为有限,客户常常需要长时间等待,体验性较差。而且人工坐席的服务时间普遍无法覆盖24小时,对于发生在服务时间以外的紧急情况无法有效处理。

为了实现智能化的语音和文字机器人客服,自然语言处理(NLP)技术的应用至关重要。NLP技术可通过规则模板、词频统计、语法分析、机器学习等手段,实现对客户意图的准确理解,从而和准确生成应答语音。

马上消费金融基于语音识别、语音合成、NLP、知识图谱等多项技术,自主研发了智能交互平台,为客户提供涵盖语音机器人、文本机器人、智能语音质检在内的多项语音交互服务。

语音机器人面向智能电销、智能回访、智能催收等智能外呼场景,以及客户主动呼入的智能接待场景。呼出、呼入场景结束后,将进入智能多轮对话场景,其底层由NLP技术来支撑。

文字机器人可以通过API接入H5、微信公众号、小程序、APP等客户终端,其智能多轮对话功能同样由NLP技术来支撑。

NLP技术对语音识别得出的文本内容进行语义解析,从而准确识别其意图,并合成准确的文本应答,最终通过语音合成技术合成应答语音。NLP在多轮对话场景中的应用,极大提升了客服体验和客户满意度,极大降低了人工客服介入的频率。

2.4 知识图谱

在金融应用中,知识图谱与NLP和大数据分析相辅相成。目前阶段,知识图谱技术的成熟度距离大规模应用尚存在距离,但由于其“金融大脑”得核心地位,未来将有望成为智慧金融生态的基石。

2.4.1知识图谱技术综述

在金融应用场景中,知识图谱与NLP和大数据分析存在高度关联。

知识图谱本质上是一种大规模语义网络,是一种基于图的数据结构,由节点和边组成。知识图谱将现实世界中的“实体”以及它们之间的联系,抽象成图结构中的“点”和“边”,从而形成一张关系网络,为计算机提供了从关系角度去分析问题的能力。

而在金融知识图谱的构建过程中,往往需要借助NLP技术,如知识抽取、实体对齐等。另一方面,单一的知识在模型构建、知识推理等方面,知识图谱与大数据分析的结合同样重要,进而构建智能分析决策能力。

狭义的知识图谱本身只是语义网络,并不具备直接的金融应用价值,本部分所涉及的技术包括图谱本身,也包括基于图的各类分析技术。

2.4.2价值创造评估

从金融实际应用中所需的各类技术来判断,知识图谱技术本身应用成熟度仍有很大的提升空间,金融机构在部分领域,如信贷风控的关联关系构建与分析上,已经在尝试应用知识图谱技术解决小微企业风控、黑产攻击等问题,但整体应用深度和效果还相当有限。

2.4.3价值创造:未来智能金融生态基石

在金融领域,知识图谱拥有巨大的价值创造潜力,因为知识图谱技术将成为未来智慧金融生态中最为重要的知识库和“大脑”,在金融价值链的各个环节发挥创新化的作用,带动金融行业新交互模式、经营模式、商业模式诞生。

潜在应用领域1:精准营销

在营销场景中,知识图谱可以通过整合多数据源,形成关于潜在客户的知识网络描述。

针对个人客户,知识图谱通过其个人爱好、电商交易数据、社交数据等个人画像信息,分析客户行为,挖掘客户潜在需求,从而针对性地推送相关产品,实现精准营销。

针对企业客户,知识图谱通过分析其基础信息、投资关系、任职关系、专利数据、诉讼数据、失信数据、新闻报道内容,实现对涵盖企业间的资金关系、实际控制人关系、供应链关系、竞品关系的知识网络构建,从而为企业推荐合适产品和服务。

潜在应用领域2:产品组合设计

精准营销更多涉及到单一产品的推荐和销售,而客户的需往往是多元化的,想要覆盖客户多元化的需求,知识图谱技术的进一步应用必不可少。

在金融业务交互场景中,KYC(了解你的客户)和KYP(了解你的产品)两个过程可以基于知识图谱,将客户和产品相关的快速结构化和知识化。在此基础上,快速针对某一客户的各类需求构建专属的产品组合,实现千人千面的智能产品组合设计,辅助销售人员更好地为服务客户甚至对其进行取代。

潜在应用领域3:风险评估与反欺诈

反欺诈是风控中非常重要的一道环节。反欺诈的难点,一方面在于整合结构化和非结构化的多数据源,构建统一的反欺诈模型,另一方面在于欺诈案件常常采取组团欺诈等新型方式,导致欺诈过程包含的关系网络较为复杂,利用普通的大数据分析难以洞察。

知识图谱作为关系的最佳表示方式,允许便捷地添加新的数据源,还可以通过直观的表示方法有效分析复杂关系网络中存在的潜在风险。比如,在信贷风控场景中,知识图谱可以将借款人的消费记录、行为记录、网上的浏览记录等整合到一起,从而进行分析和预测。

潜在应用领域4:其他创新应用场景

在各种存在大量非结构化文本的场景中,知识图谱技术都可能得到应用,比如针对保险产品条款的知识图谱构建。

由于保险产品条款存在复杂性和专业性,因此投保人很难根据条款来判定自己的损失是否可以得到赔付。马上消费金融利用知识图谱技术,为某保险公司的在线投保平台提供对保险条款的智能解读,方便投保人更好地了解保险条款,从而减少因对保险条款的不同解读引发的纠纷。

3、发掘智慧金融价值

智慧金融势头迅速上升,原因是基于单一人工智能技术的产品迅速在金融场景落地,如人脸识别、活体识别、语音机器人等。为了进一步为金融机构创造价值,人工智能技术服务商要有能力解决某一金融场景下端到端的业务需求。

另一方面,持牌金融机构不仅利用人工智能技术为自身金融业务创造价值,也开始将成熟的解决方案对外进行输出,创造出新的商业模式。

3.1 多技术融合的解决方案

针对金融场景复杂需求的解决方案正在出现,这类解决方案普遍融合多种人工智能应用,并与云计算、大数据等数字化技术密不可分。这其中,两类解决方案已经在为金融机构创造价值:

第一,针对客户交互场景的解决方案,即从人脸识别、语音识别产品出发,将某一金融场景的全流程交互线上化、智能化,实现机器对人力的替代;

第二,以知识图谱、机器学习等人工智能为核心的新一代信贷风控解决方案。例如,马上消费金融构建全渠道、全场景、全产品的智能风控体系,覆盖贷前、贷中、贷后全流程。

3.1.1智能交互解决方案

随着终端客户,尤其是个人客户行为的线上化,金融机构与客户的交互过程也从以线下机构、柜面为核心,转移到以线上APP等渠道为核心。

传统的线上交互价值创造相对有限:第一,相对简单的交互流程中,如银行卡转账,用户可以自助实时操作;第二,复杂的交互流程中,仍需要人工坐席远程接入或后台人员人工审核。

例如证券开户过程,客户即使在线上发起开户申请,仍然需要视频连线坐席人员进行“双录”,因此开户时间受限、审核时间长。在“牛市”开户高峰期,券商还会出现坐席人力不足的情况。

智能交互则不同,由于多种人工智能技术的应用,人工介入程度可以大大降低甚至下降到0。因此,流程涉及的原则不再是如何在线上复现线下的用户体验,而是从需求出发,再造线上的原生用户旅程。

例如,车辆轻微剐蹭事故理赔中,车主可以在移动端一键报案,并通过图像进行智能定损。保险公司端则基于各类模型进行风控和理算,实现保险公司内部轻微车损事故理赔流程自动化,大大提高结案

案例1:马上消费金融智慧双录解决方案

2017年8月,前银监会印发《银行业金融机构销售专区录音录像管理暂行规定》,规定银行业金融机构应对自有理财产品及代销产品的销售过程进行同步录音录像,完整客观地记录营销推介、相关风险和关键信息提示、消费者确认和反馈等重点销售环节(即“双录”)。该规定同样适用于信托公司及邮政储蓄银行代理营业机构。

随着移动互联网的发展,越来越多的银行、保险、基金等金融机构推出手机移动APP,过去在互联网化中动作相对迟缓的信托公司,也开始推进APP在线业务。

基于监管政策要求,线上双录是各类金融APP的必需环节。但早期的线上双录,往往采取双边双录的模式,即客户发起双录申请后,需要有后台的柜员进行视频连线,缺乏私密性,对客户的体验较差。但AI技术的应用给过去的线上双录带来了不一样的用户体验,客户无需与柜员进行线上连线,就可以实现全自助化的双录。

某信托公司在推出移动APP过程中,同样面临类似的痛点,因此采用马上消费金融提供的智慧双录系统。

马上消费金融基于人脸识别、活体检测、语音识别、声纹识别等多项自研技术,自主研发了智慧双录产品,提供自助双录和自助AI双录两类服务。

在自助双录中,用户可以在24小时内随时自主上传双录音视频,由业务方在后台对音视频进行存档和审核,无需连线排队,极大提升了用户体验。

多种AI技术的应用,为AI双录增加了反欺诈特性。

首先,系统通过人脸比对、活体检测和OCR等多项技术实现“人证合一”的用户身份核验,能够实时保证用户身份的合法性。

同时,系统通过语音识别对用户语音进行实时文本转化,作为存档的文本证据。

此外,自助AI双录还应用了声纹识别技术以增强安全性。针对用户和客户经理同时在一个镜头前进行双录的情况,声纹识别技术能够对多人语音进行角色区分。对于同一用户,声纹识别技术能够对试音阶段的语音与双录阶段的语音进行声纹比对,以确定语音是否来自同一个人。

因此,马上消费金融的智慧双录解决方案不但极大提升了用户体验,保证了双录的私密性,还通过一系列反欺诈特性增强了安全性,同时节省了保险公司事后审核的时间。

3.1.2智能风控解决方案

如前所述,人工智能技术已经广泛应用在信贷风控,例如人脸识别、活体识别、OCR等。

但整体上,金融机构在信贷风控全流程,尤其是涉及到决策的领域中,应用人工智能技术仍然是审慎的。如信用评分、授信、贷中及贷后管理等,主流金融机构的做法是基于大数据技术和传统规则。

根据调研,金融机构目前不采用智能风控解决方案主要因为两方面:第一,针对央行征信有效覆盖的客群,人工智能的风控决策效果并不优于原有技术和模式;第二,人工智能技术“黑盒”缺乏金融可解释性。

但针对金融数据缺乏,央行征信未能有效覆盖的客群,如普惠人群、小微企业等,金融机构则乐于探索智能风控解决方案,并在服务普惠金融的实践中取得了成效。

例如,马上消费金融应用自主研发的Luma智能风控解决方案,覆盖贷前、贷中、贷后各个环节,有效支撑了每年千万笔的小额、普惠类消费金融业务。

3.2 持牌金融机构的技术输出

持牌金融机构,如商业银行、保险公司、持牌消费金融公司等,传统上是数字化技术和产品的使用者,应用人工智能等技术为主营业务创造价值。

现阶段,这一曾经稳定的“技术服务商—金融机构”产业链格局正在发生变化。技术能力突出的持牌金融机构不仅自主投入云计算、AI等技术应用研发,替换自身业务场景内的服务商,也积极布局技术能力对外输出。

对于金融机构,技术输出创造的价值体现在两方面:第一,通过技术链接场景,实现金融服务的场景化;第二,实现收入多元化,降低金融机构对风险业务的过度依赖。

3.2.1技术输出助力金融业务场景化

金融业务场景化是大势所趋。我们观察到,自2018年以来银行金融科技子公司开业速度明显加快,包括建信金科、工银科技在内的数家公司相继成立,技术输出和场景化是这些公司承担的重要任务。

其中,消费金融业务尤其离不开场景。马上消费金融始终坚持与场景结合的消费金融服务,目前已合作场景超过200个,包括商场、停车场、景区等。技术输出,则是马上与场景双赢的重要方式,基于人工智能技术的各类产品和解决方案尤为重要。

案例1:酒店刷脸入住赋能马上金融业务场景化

实现客户自助入住,是各中高端酒店建设智慧前台的重要举措,以解决客户开退房高峰期排队体验差、夜间前台人力成本高等问题。针对这一普遍性需求,马上消费金融推出了酒店自助刷脸入住机产品,已在温德姆、威斯汀旗下多家中高端酒店上线。

该系统采用了马上自研的活体人脸识别Face X技术,复杂场景下识别效率99.83%,识别时间小于1秒;同时,该系统可合规对接对接公安系统,可自动识别个人信息。

在人工智能和大数据技术的加持下,实现“最快10秒入住,3秒退房”,大大优化入住体验,降低酒店人力成本。

对于马上消费金融来讲,酒店场景则是金融业务场景化的重要部分。通过酒店自助刷脸入住机产品,马上可以在用户办理入住的同时,提供信用支付、分期等基于真实场景的消费金融产品,供客户自主选择。

3.2.2技术输出创造新商业模式

金融业务回归持牌经营,持牌金融机构进行技术输出正当时。在这一背景下,马上消费金融CEO赵国庆提出,未来技术输出要占公司收入20%,形成新的金融商业模式。

要在智慧金融生态中脱颖而出,技术服务需要具备四大成功要素:技术、数据、合规、场景理解。在智慧金融三类主流的服务商:通用技术服务商、互联网公司、持牌机构中,持牌机构在场景理解、合规和数据三方面占据优势。

对于城商行、农商行等技术能力相对薄弱的金融机构,采用其他持牌机构的成熟解决方案无疑将大大加快创新业务拓展速度,并提升内部运营、服务提供能力。

另一方面,技术输出业务风险更低,可以使得金融机构在资本市场享受更高的估值。

4、未来技术应用展望

随着人工智能各项细分技术的不断成熟,智慧金融生态将不断演进。在各项技术中,联邦学习与可解释的人工智能在金融领域拥有巨大的潜在应用价值。

4.1 联邦学习

近些年来,各国针对用户隐私和数据保护的监管日趋严格。继GDPR之后,2019年5月24日,中国网信办联合国家发改委等12个部门起草了《网络安全审查办法(征求意见稿)》,要求网络运营者保护国家、社会、个人在网上的信息和数据安全。

因此,人工智能技术在金融领域应用的过程中,如何在不对外泄露用户个人数据的前提下,应用来自不同机构的用户个人数据进行机器学习,成为亟待解决的问题。联邦学习框架正是为了解决这类问题而逐渐兴起。

联邦学习则能够有效帮助多个金融机构在满足用户隐私保护、数据安全和政府法规的要求下,利用双方或多方数据实现模型优化。

联邦学习的网络结构一般包含多个数据持有者,不同的数据持有者之间通过加密算法,寻找双方所拥有的共同样本(即样本对齐)或共同特征(即特征对齐),从而增加训练样本的特征维度或样本数量。一般情况下,联邦学习需要一个协作者来居间配合,以解决加密密钥分发、数据汇总和模型更新的统筹问题。

联邦学习在金融领域应用场景广阔,其中一个典型场景是小微企业信贷。由于小微企业数据匮乏,在通过机器学习算法创建小微企业的信贷风控模型时面临特征维度单一、预测精度不足等问题,难以投入实际应用。

联邦学习能够通过联合金融机构的业务数据和其他合规数据源,例如税务数据、工商数据、企业关键人数据、电力数据、交易数据和公检法数据等实现维度扩充,联合优化小微企业信贷风控模型,让人工智能技术真正服务普惠金融领域。

4.2 可解释的人工智能(XAI)

从回归算法、决策树等传统模型,到深度学习等新兴算法,人工智能的复杂性在不断增加,这使得算法决策机制越来越难以被人类所理解和描述。

有人断言,人工智能技术难以被理解的原因,也正式是使它们成为出色预测器的原因。但无论是对于模型的创建者,还是对于模型的最终使用者和监管机构,人工智能的这种复杂性趋势,已经使得其成为一个不可解释的“黑盒”。

但在强监管的金融领域中,人工智能的黑盒模型面临着信任性危机,阻碍了其进一步落地应用。

因此,近年来对XAI的研究成为人工智能技术的前沿方向。XAI的目的是向技术使用者和监管机构解释人工智能模型所做出的每一个决策背后的逻辑。

XAI相比于不可解释的黑盒算法,其优势在于增加了深度神经网络的透明性,因此有助于通过向用户提供判断依据等额外信息,以增强其对人工智能的信任感、控制感和安全感,还可为事后监管、问责和审计提供有力依据。

结语

站在当下,人工智能技术正在对金融行业产生深刻变革,智慧金融新业态不断演进,金融机构布局人工智能应用正当时。

从应用案例中我们发现,领先的金融机构们已经在人工智能应用中获取价值红利。更进一步地,将自身应用场景中打磨成熟的技术和产品对外输出,推动智慧金融不断向前发展。

展望未来,人工智能在金融领域仍有巨大的潜在价值有待发掘,不论是技术应用的广度、深度的提升,亦或是联邦学习、XAI等新技术的成熟应用,都可能为金融行业价值链带来进一步的变革。

因此,爱分析与马上消费金融联合发布这份报告,希望通过行业趋势的总结、预判,结合金融场景下的真实应用案例,指明中国智慧金融下一步发展路径,助力金融行业未来发展。

更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App

随意打赏

提交建议
微信扫一扫,分享给好友吧。