0
金融機構挑選AI產品，正如大將出征前要挑兩件趁手兵器：不談實戰需求，一味求重求新，斷不是上策；必須借匠人一雙慧眼，摸清脾性，知其弱點，才能改良打磨出一件稱心之選。
近期，雷鋒網《AI金融評論》策劃了「AI能否解決金融剛需問題」系列選題，借同一個話題，對不同背景的受訪者、產品和客群各異的企業們進行了多次專訪。
本文則從四大重點賽道出發，結合場景痛點，試圖從現下常用的解決方案中，找出當前AI能力在哪些問題上「鞭長莫及」，以覓得未來技術趨勢之所在。
AI在金融的商業化、規模化落地，信貸風控是最典型也最為人熟知的場景之一。
如今的人工智能，可以根據海量數據開發和訓練信貸風控模型，利用算法在貸前評估預測用戶的還款能力和還款意愿，在貸中實時監控借款人，對可能出現的違約進行事前干預。
在這樣的技術水平下，金融科技公司已經為信貸業務提供全流程智能解決方案。機器能夠輔助金融機構決策，提高審批、監督和催收效率，甚至在特定條件下直接替代人工，實現秒批秒貸、智能催收等等。
AI風控的供需雙方，也逐漸形成共識，摸索出一套相對通用的技術指標，例如K-S值、AUC和F-score等，為智能風控模型水平畫出“水位線”。
K-S值是風控中的一大關鍵衡量標準，它用于評估模型的風險區分能力，計算好壞樣本累計分部之間的差值（計算每個評分區間累計壞賬戶占比與累計好賬戶占比差的絕對值）。好壞樣本累計差異越大，K-S指標越大，則模型的風險區分能力越強。
拆解市面上常見的解決方案之后，我們不難發現，個人信貸風控這場重頭戲，主角經常是評分卡模型。這一模型的良好可解釋性和高穩定性，使得它為廣大銀行所接受和采用。
但隨著有組織的團伙欺詐行為頻發，原有模型未見得能查出這種更隱蔽的風險，越來越多的金融機構開始接受機器學習模型，金融科技公司也將知識圖譜、特征工程等更多技術方式融入到信貸解決方案中。
多位金融科技公司高層向AI金融評論強調，AI風控效果的好壞，與樣本息息相關。
因此，在缺乏專家經驗、樣本質量參差不齊、數量有限的情況下，半監督或無監督學習的技術方法受到業內青睞，即訓練數據部分帶有標簽或全無標簽，團隊進行特征提取，訓練自身模型，進而將標簽遷移、擴散至其他沒有標簽的用戶。
隱私監管和數據孤島的雙重挑戰下，各種AI技術流派也逐漸興起并在信貸風控場景展開應用，例如聯邦學習、安全多方計算、隱私計算等。
高層們也指出，AI風控還存在如下疑問：
模型具有一定時效性，其性能會否隨著時間推移而大幅下降？
模型更新所需的時間和人力成本如何？
模型能夠實現多高的標準化程度？
解決方案與銀行核心系統在對接的過程當中是否簡易？
……
問起什么才是金融領域最為關鍵的問題，答案多半是KYC。
不止一位資深業界人士向AI金融評論強調，KYC最難的地方在于怎樣識別自己的客戶，這在金融場景獲客、反欺詐、風控和貸后環節非常關鍵。
幾乎所有金融機構都有強身份認證需求，指紋、人臉、虹膜等生物特征識別手段也順理成章進入到金融業務的多個重要環節。
眼神科技市場體系高級總監王姝琦告訴AI金融評論，生物識別在金融業的發展，可大致分為三個階段：
在傳統金融時代，生物識別初步被引入銀行，優先解決的是銀行內部風險控制問題；
隨著互聯網的發展，眼神科技率先提出了人臉聯網核查，之后被廣泛應用，幫助銀行降本增效；
在如今的移動互聯網浪潮下，生物識別進一步升級，不再停留在單純的身份認證，而是充分發揮人機交互特點，與金融客戶共同打造智能柜員、智慧網點、手機銀行、泛金融拓展等方案，優化客戶體驗，實現遠程獲客、創新營銷。
盡管生物識別方案當前普及率頗高，但仍存在著一定發展桎梏。
“不論是機器視覺，圖像識別，還是生物識別，其實都屬于模糊識別，也就是只能告訴你‘有多像’，而無法告訴你‘一定是’——每一種識別技術都會有或多或少的局限性和識別極限，或者不適合的應用場景?！蓖蹑@樣總結。
隨著AI發展和海量數據的增加，不同信息從不同方位、不同傳感器一擁而入，指紋識別、人臉識別、虹膜識別、指靜脈識別等單模態識別已經很難滿足強安全、多場景、大數據庫下的應用發展。
她表示，要實現超大底庫下的強身份認證，生物識別作為智能化趨勢下重要的AI入口，多模態融合已成AI發展的必然趨勢。
只有通過多模態生物識別的統一融合，才有可能覆蓋盡量多的應用場景和應用人群，進而創建完整的場景生態，讓單一的行業技術，向大數據的智能化服務發展成為可能。生物識別在金融領域的落地，也逐漸由單模態識別和技術應用，過渡到多模態融合。
把握住“多模態融合”技術趨勢的生物識別企業，才有希望“百尺竿頭更進一步”。以眼神科技的解決方案為例，新階段的金融生物識別產品體系需要多種自主知識產權核心算法及多模態融合算法（如人臉和虹膜識別融合、指紋和指靜脈識別融合等），統一平臺，面向各個場景的場景云和應用軟件，適用于不同場景的智能硬件終端，以及面向公眾的AI能力平臺。
除此以外，如何兼顧安全和便捷，滿足識別安全性的高度、覆蓋人群和場景的廣度以及使用體驗的優化度，也是技術廠商們長期以來思考的問題，多模態融合發展或將成為解決之道。
AI金融，不止與主要金融產品和業務環節相關，營銷和客戶運營的數字化、智能化也日漸受到重視，技術也從用戶生命周期切入，正滲透到金融業務全鏈條當中。
縱觀行業應用方案，不少銀行基本形成基于AI和大數據的智能化營銷和運營策略，即建立和研發個人客戶畫像體系，不斷豐富客戶立體維度標簽，加強對客戶需求的挖掘和分析，從而實現精準營銷和定制化服務。個別智能營銷方案更強調了對線上線下、存量增量等全維度營銷場景與渠道的覆蓋。
但也有金融科技公司的CEO認為，在金融產品智能營銷領域，即使推薦模型效果再好，還是很難通過少量的產品滿足消費級用戶的全部需要。
營銷的另一大主要痛點，其實來自于風控。
風控與獲客通常以“相愛相殺”的關系出現，如果一味降低風險水平，容易造成營銷端的流量浪費，轉化率低下。
因此，一些大型互金公司選擇將風控前置到營銷端，即借助AI算法、大數據關系圖譜等技術，在營銷廣告投放之前，系統就預判出潛在客戶的信用品質，再進行千人千面的廣告投放，從而平衡了營銷獲客與風險控制的關系，以達到公司利潤最優化。
同時，金融機構還面臨著技術能力有限和標簽信息不足的問題，擔心在營銷過程中泄露用戶信息。
例如機構試圖激活存量客戶，但客戶處在睡眠狀態時他們很難得到更豐富的信息去判斷；用外部標簽判斷客戶，相當于把自己的客戶信息泄露出去；沒有聯合建模的情況下，營銷匹配度也有限。
一位隱私計算技術服務商向AI金融評論表示，這類情況目前已經可以通過縱向聯邦學習模型解決；存量客戶對外進行畫像匹配時，也可通過安全方式查詢。在此過程中，存量客戶也并不會有更多信息被外部獲取。
智能投顧，被認為是AI落地的重要方向之一，入局的金融機構和創業公司眾多，卻在近兩年進入到調整沉淀期。
在理財魔方CEO袁雨來看來，這是智能投顧領域必經的去偽存真時期：
“很多公司和項目，不理解智能投顧，不知道智能投顧屬于財富管理，當成資產管理來做，他們最終都停滯了或者關停了。不能解決客戶過去在標準化資產的投資理財上盈利比例太低這一核心痛點的公司和項目也都失敗了?！?/p>
市面上的智能投顧產品，基本是根據個人投資者提供的風險承受水平、收益目標以及風格偏好等要求，運用一系列智能算法及投資組合優化等理論模型，幫助用戶實現主、被動投資策略相結合的定制化投顧服務。
但有業界觀點認為，AI的優勢在于解決信息過載和長尾信息問題，但智能投顧是先通過問卷調查進行畫像，然后在有限且有序的資產配置產品中推薦合適的投資組合，這一業務架構下的物理變量都較為清晰，AI的發展余地似乎并不大。
對此，袁雨來告訴AI金融評論，在投資領域，標準化資產的財富管理是對于未來的不確定性交付，人類無法在越來越多樣化的世界里，在體現無數商業活動的金融市場價格數據中，把握住其中規律的部分和不確定的部分的——在數據信息越來越多的情況下，這正是機器最主要優勢。
他告訴AI金融評論，機器能提升對全市場數據和決策的準確性，更好地量化客戶風險承受能力和投資情緒波動。
針對這一特點，智能投顧產品也逐漸完善，以理財魔方為例，其解決方案采用AI+主動全天候策略+三級風控體系，為每位用戶定制匹配其風險的理財投資組合；并且能夠一鍵實現全球配置，系統24小時監控全球金融市場的各類資產，動態調倉，盡量減少對用戶注意力的占用。
同時，智能投顧公司們也正試圖向金融機構打包輸出自己的技術能力，提供公募基金智能組合策略、基金投顧客戶基礎服務等，為機構打造個性化基金推薦、客戶風險特征畫像等產品體系。
雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
