8527 人工智能AI，距离我们还有多远？.docxVIP

【人工智能】AI，距离我们还有多远？ 加米谷大数据 2018-05-27 原文 概念背景 1、电子化、信息化与数字化 自“电子化”伊始，数据认知及其实践渐渐成为银行运营和进展的关键力气；进入大数据时代，银行“数字化”变革迎来机遇与挑战。 2、人工智能的背景 概念：人工智能没有统一的定义 里程碑：三个时间点：（1956-2006-2016） 使用：吴恩达：“还没有人能完全理解人工智能，包括谷歌和百度” 3、人工智能现状 1）2017《新一代人工智能进展规划》 “人工智能加速进展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操 控等新特征。大数据驱动学问学习、跨媒体协同处理、人机协同添加智能、群体集 成智能、自主智能系统成为人工智能的进展重点。” 相关理论：大数据理论 跨媒体感知计算理论 混合添加智能理论 群体智能理论 自主系统把握与优化决策理论 高级机器学习理论 类脑智能计算理论 量子智能理论 使用领域：客户画像精准推举 AlphaGo 人脸识别、语音识别 无人机、自动驾驶 群体智能、量子智能 2）基础与行业AI 行业使用：创新平台(百度、阿里、腾讯、科大讯飞… 专项技术：Speech、NLP、Vision、SNA 算法框架：TensorFlow、Caffe、CNTK、 Sklearn、Keras、Mllib 基础设备：芯片、云 AI力气 1、驾驭AI力气 2、数据管理 数据管理是实现数据猎取最重要的举措，银行的数据管理力气可以通过战略、 规划、询问项目实施等方法进行推动实现。 数据管理的企业级组织架构支撑：董事会层面、银行高管委员会层面、数据管理 落实部门层面，科技支撑层面等。 数据管理机制：确保数据平安和必要的数据质量、数据价值转 化的管理机制以及数据文化培育。 数据管理基础IT建设：企业级数据仓库、大数据技术平台、外部数据 管理平台、数据挖掘平台等。 人才培育：企业数据架构师、数据开发工程师、数据科学 家等。 3、大数据使用阶梯力气 以客户为中心的运营理 念是数据驱动银行业务 开展的根本缘由，数据产品是链接客户与业务人员的纽带，数据采集、数据整合、数据模型 是产品化的基础。 4、AI核心力气-算力 1）算法支持 平台包括深度学习算法、图简约网络算法、自然言语处理算 法等各类工具，满足多场景下、多种数据类型的建模需求。Spark、Python、MaximAI… 2）模型孵化 5、AI核心力气-模型 模型是AI运用力气的核心：一家企业（银行）的智能化水平可以用“模型产出 量/年”来进行对比衡量。 模型产出量/年∝(数据管理水平+模型开发与算法使用水平+数据挖掘人才数量+ 模型的IT部署水平)。 6、Data Science 数据科学家 AI场景 本文以AI在银行业的使用为例来浅析AI的使用场景。 1、银行运用AI的三个目标 提高服务流程效率，降低运营成本； 添加风险把握力气， 提高风险收益促进产品创新，驱动客户价值增值； 促进产品创新，驱动客户价值增值； 2、银行AI使用规律框架 银行距离成熟使用人工智能技术的力气还很远，无论是大中型商业银行还是地方性商业银行，大多处于AI的研发起步阶段。 3、智能客服 智能客服是典型的两层AI技术叠加使用场景。 AI技术分类：基础类AI技术+使用场景类AI技术。 4、智能反欺诈 欺诈识别方法的核心是判定欺诈的规章，从专家规章到机器学习规章，最终通过深度学习建立无监督AI猜想模型，实现潜在未知欺诈风险的精准识别。 5、智能营销 银行营销正派受从传统大众营销向智能营销的转换过程，数据驱动是智能营销的核心。通常智能营销由客户画像、客户行为猜想和营销自动化组成，通过构建闭环实现营销的数字化和智能化转变。 6、智能运营 核心是运用大数据分析方法对服务进行精准量化，以此为基础实现在效率、成 本、合规等方面取得进一步改善，从而实现网点的资源配置优化、运营成本压缩、服务体验提升。 服务的精准量化即需要通过大数据的手段对柜面（网点）的服务效率、服务态度等进行量化，这是进行网点柜面效 能优化的基础！ 7、智能产品 智能投顾的模式是通过技术实现财宝管理的流程自动化，替代人类完成财宝管理或者投资建议工作。 8、智能风控 案例浅析 1、欺诈猜想模型(SNA+ML） 将客户原有的基础维度和通过简约网络构建的社交维度相结合，使用分布式平台机器学习算法建立风险猜想模型。模型孵化方法在信誉卡业务领域进行初步尝试和验证， 流程和建模方法可以在其他业务领域进行使用和推广。 2、自动式反欺诈集成模型 孵化使用于反欺诈领域的集成模型，从宏观和个体两方面区分客户的特殊买卖行为。将 孤立森林模型与聚类模型相结合，基于从原始数据中提炼出的200多个变量，涵盖买卖 数量、时间、类型、渠道、地址、周期性、波动性和欺诈规章等8大