機器之心Pro
人工智能在金融領域應用廣泛，下面來說說應用於保險行業的場景：
1．基於智能硬件、機器人實現客戶觸點的智能交互及智能服務
應用機器視覺、語音能力和語義能力等智能能力，改善觸點端客戶體驗：
(1)櫃面實體智能機器人服務：在櫃面提供具備智能導航、智能諮詢、智能查詢為一體的實體機器人，實現營銷宣傳、業務諮詢、分流引導、業務處理的效果。
(2)聯絡中心智能語音服務：對聯絡中心實現智能語音導航、智能諮詢和查詢、聲紋身份認證，達到提高客戶體驗、提升服務水平的效果。
(3)智能線上機器人服務：增加智能頻道導航，語音業務辦理、智能諮詢、智能查詢、智能金融投資顧問等功能，實現線上服務智能化改造。
(4)智能知識庫服務：實現智能知識挖掘、智能知識搜索、智能知識推送、智能播報、智能培訓等場景，充分發揮知識庫的價值。
2．藉助人工智能算法和模型實現商業智能及智能運營在數據豐富的特定專業領域，通過業務建模及核心算法，改變傳統決策模式:
（1）智能投資顧問：基於客戶與產品匹配情況深度分析建立投資服務模型，為客戶智能理財投資建議，輔助業務員展業。
（2）智能體驗引擎：基於客戶對於服務的反饋建立服務策略優化模型，不斷進化服務策略，實施智能流程串聯。
（3）智能運營監控：在聯絡中心、櫃面、業務處理、系統運維等環節，嵌入基於大數據模型的智能風控、智能業務調度、智能安防等技術，提高運營效能。
（4）智能產品研發/智能風控：進行客戶風險大數據建模，改變傳統生命表，開發更加精準的保險產品、加快新產品推出速度，贏得市場先機；捕捉客戶風險信號進行智能風控建模。
（5） 智能服務質檢：聯絡中心、電網銷等渠道的語音服務質檢、服務熱點分析等場景。
薛洪言
人工智能在金融領域的應用場景非常多，比如說智能客服、無人櫃檯、智能投顧、反欺詐等等，樓上已經說了很多。
包括此前全球最大的對沖基金公司之一英仕曼集團（Man Group）旗下的AHL Dimension 基金通過將機器學習算法用於自動貿易決策發現，在沒有人為干預的情況下，該AI系統竟然自己學會了抄底。這一波操作也讓整個金融界為之震驚。
下面列舉其中三個主要場景做下介紹：
1.基於算法的金融交易
可以看到，藉助機器學習，計算機已經可以完成諸如股票交易這樣複雜而繁瑣的任務。同時，在全球已經有不少對沖基金公司正在該領域不斷探索，並取得了可與人類專家的判斷相媲美的成果。
此前，舊金山的創業公司Sentient Technologies就開發了一種算法，通過獲取數以百萬計的數據點從而識別交易模式，預測趨勢，制定成功的股票交易決策。在Sentient公司的平臺上，運行著數以萬億計由大量在線公共數據創建的模擬交易程序。藉助這些程序，該算法可以識別整合成功的交易模式，制定新的交易策略。同時，通過該算法，系統還可以在幾分鐘內完成傳統方式中1800天的交易量，並在交易中不斷實現自主優化。據該公司CEO安東萬•布隆多（Antoine Blondeau）表示 ，其基金完全由人工智能操盤，整體思路就是做一些沒有其他人也沒有其他機器在做的事情。
Sentient的首席科學官巴貝克•霍加特（Babak Hodjat）表示 ，這套系統允許公司調整特定的風險設置，並且是在沒有人工干預的情況下運行的。“它會自動生成一套策略 ，並給我們下指示。它還會告訴我們要在何時退出，何時減小風險敞口，諸如此類。”霍加特說。
而在應用方面，目前，除了英仕曼之外，國外還有很多成功案例。美國的Wealthfront和Betterment、英國的MoneyonToast、德國的FinanceScout24、法國的MarieQuantier等均成功將人工智能引入投資理財，目前智能顧問已掌握大量資產；第一個以人工智能驅動的基金Rebellion曾成功預測了2008年股市崩盤，並在2009年給希臘債券F評級，而當時惠譽的評級仍然為A，通過人工智能，Rebellion比官方降級提前一個月；掌管900億美元的對沖基金Cerebellum，使用了人工智能技術，從2009年以來一直處於盈利狀態。
2.反欺詐檢測
隨著電子商務的推廣，網絡詐騙愈發猖獗。然而，打擊網絡詐騙並非易事。過度拒絕交易從而預防網絡犯罪會導致客戶體驗下降，可能造成大量客戶的流失。2015年，Javelin Strategy市場調研機構發佈的一項研究表明：網絡零售商因錯誤拒絕合法交易造成的損失金額高達1180億美元。在錯誤拒絕合法交易的案例中有三分之一的客戶會放棄交易。此外，僅在美國地區，該類案例造成的經濟損失是真正詐騙案件損失金額的13倍。
在這樣的背景下，人工智能可以通過分析不同的數據點，利用機器學習算法檢測人類分析師察覺不到的欺詐性交易。與此同時，還可提升實時審批的準確度，減少錯誤拒絕率。
如今，已經有很多機構開始藉助人工智能預防詐騙。Mastercard（萬事達卡）不久前推出的智能決策(DI)技術是個很好的例子。據瞭解，DI可以從持卡人的消費記錄和習慣中採集模型，建立行為基準，從而對每筆新達成的交易進行比較和評估。相較於傳統的多借助通用方法評估所有交易的犯罪預防技術，該技術的應用可謂是一項重大突破。
事實上，Mastercard並非第一家運用人工智能進行反欺詐檢測的金融企業。有些公司採用的方法更為全面。例如，Sift Science從6000多傢俱備欺詐檢測功能的網站中收集了大量數據，並通過多種渠道的設備追蹤和數據分析，利用智能引擎關聯了各種不同的數據點，包括網站上的付款信息和其他行為，建立優質用戶行為模型，檢測欺詐性交易。
3.智能客服
近年來，藉助由自然語言處理（NLG）和機器學習算法驅動的智能客服為用戶提供個性化對話體驗開始變得越來越普及。
而智能客服在金融業的應用也是比較常見的，比如幫助用戶理財。舉個例子，當用戶點擊Facebook的聊天窗口時，就可以啟動Plum聊天機器人，從而進行小額分期存款的操作。在註冊時，用戶只需要將Plum與其銀行賬戶關聯。之後，Plum的人工智能系統就會分析用戶的收入水平和消費習慣，並在此基礎上預測其能接受的存款金額。然後適時分期向用戶的儲蓄賬戶中存儲小筆金額，並定期通知用戶。
此外，智能客服Cleo還可以跟蹤多個賬戶的收入與支出，像私人會計師一樣和客戶交流，回答客戶的問題，同時還可以提供理財指導，幫助用戶做未來的資金規劃和管理。今年年末，美國銀行計劃推出智能客服Erica（取銀行名字的諧音）。Erica可以在銀行手機客戶端與客戶進行語音和文字互動，從而幫助客戶快速做出更明智的決定。例如，無需打開應用界面（UI）即可命令Erica匯錢給朋友或付款。智能客服的AI引擎還可分析管理客戶的個人財務，如根據客戶收入和支出模型，提供建議，實現儲蓄目標。
來自科技行者團隊丟了四維口袋的Dora老師
科技行者
（一）秒貸
隨著人工智能應用成為各行各業的焦點，至此金融業對科技的應用跑在最前端，從智慧銀行到智能投顧，再到放貸實現“秒”貸，通過運用人工智能技術，用戶就可以實現“幾秒鐘”得到服務和貸款，在眾多金融服務機構在做大膽嘗試。
在大數據保駕護航之下，不少銀行不僅可以在線申請貸款，且部分銀行還能實現“秒”貸，使的消費信貸利用金融科技實現了升級。
（二）智能投顧
還有就是智能投顧，或稱之為機器人理財，楊劍勇表示：“自去年開始，在國內外颳起了一股以智能投顧為背景的狂風，通過過人工智能技術來完成以往需要人工來提供的理財顧問服務。”
隨著人工智能和機器人技術的成熟，金融分析師甚至也將被機器所取代，很顯然機器人已經入侵金融領域，分析師飯碗或許會受到機器衝擊，對於金融分析來說，機器利用海量數據優勢，通過計算而來，基於數據的分析能力遠遠超越人類大腦。
楊劍勇
財務與金融領域。
摩根大通開發的金融合同解析軟件COIN，只需幾秒就能完成原先律師和貸款人員每年需要36萬小時才能完成的工作。2017年3月貝萊德（Black Rock）宣佈裁掉40多個主動型基金部門的崗位，其中包括7名投資組合經理，轉而用計算機與數學模型進行投資的量化投資策略代替。2017年5月德勤財務機器人橫空出世，開始取代財務人員的大部分工作。2017年8月美國銀行（Bank of America）與Fintech創業公司High Radius達成合作，將人工智能應用於企業應收賬款處理。該應用程序專為大型、複雜的公司管理大筆支付業務。資產管理領域的人工智能應用，包括BlackRock開發的Aladdin平臺（使用自然語言處理、閱讀文件）、Kensho平臺（使用龐大的數據庫，運用機器學習算法與自然語言處理技術，從眾多龐雜數據中提取邏輯關係做出預測，並能以自然語言的方式輸出）、Alpaca（模式識別等技術，用於量化投資）等。
美國諮詢公司Opimas的數據顯示，預計到2025年為止，AI的運用將使得對資本市場，包括證券服務、交易和結算、資產管理、私人銀行和財富管理等業務在內的員工減少23萬人。
京東金融依託京東集團積累的客戶及場景資源、交易及信用數據，積累了大量數據。在多維、海量、動態的數據基礎上，京東金融實現了人工智能、生物識別、深度學習、圖像識別、雲計算和區塊鏈等領先技術的創新，並應用到了風險模型、量化運營、用戶洞察、企業徵信、智能投顧等各個與金融相關的領域中去。與此同時，京東金融還將數據＋人工智能能力進行對外輸出。如京東金融的反欺詐解決方案——安全魔方。安全魔方擁有千萬級每分鐘的風控指標運算能力，還具備毫秒級的風險預警及響應時效，可以提升金融機構及電商客戶的信貸申請反欺詐、賬號與交易安全、營銷反欺詐能力。
人工智能在金融領域中的應用，相較於大數據而言的核心突破在於深度學習、智能分析和最終的智能決策。大數據、雲計算、智能硬件以及後續的區塊鏈技術等都是支撐人工智能上層技術的基礎。目前，人工智能技術可以運用在金融領域的技術主要包括深度學習、知識圖譜和自然語言三種。
▲ 應用於金融領域的人工智能技術及其特徵
財資一家
人工智能作為計算機科學的一個分支，試圖瞭解智能的實質，並生產出一種新的能與人類智能相似的方式做出反應的智能機器，主要應用場景包括信息收集與識別、信息綜合分析與預測、控制與決策等方面。當前，人工智能可以至少可運用到金融的七大領域，相信未來隨著人工智能的不斷髮展，可以應用到金融領域的場景會迅速拓展：
第一，大數據營銷。不同金融用戶擁有不同的風險承擔能力和意願，對金融產品與服務的需求具有差異性，而人工智能可以通過用戶畫像和大數據模型精準找到用戶，實現精準營銷。
第二，智能投顧。又稱機器人理財，即機器人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，為用戶提供最終的投資參考，並依據市場動態對資產配置調整提供建議。
第三，智能支付。金融用戶需要驗證身份的真實性，主要技術包括人臉識別、語音識別、指紋識別和虹膜識別等。通過人工智能，可以快速高效識別，並完成智能支付。
第四，自動交易。電腦代替人腦，根據價格波動規律，將交易策略變成電腦程序，即用“電腦判斷+電腦操作”代替“主觀判斷+人工交易”。
第五，智能投研。投研需要收集大量的資料、進行數據分析、報告撰寫等，通過機器自主抓取相關信息，可以輔助決策，甚至自動生成投研報告。
第六，大數據風控。利用大數據人工智能技術，可以使用海量的多維度數據，塑造出高度精細化的風險控制模型。
第七，監管科技。全球每年都會產生大量的法律法規數據，大概3億條，這麼多的法律法規不可能存在某些人的腦子裡。通過人工智能學習、積累金融法規，並結合金融機構的實際情況提供合規建議。機器可以從海量的交易數據中學習知識和規則，發現異常行為，對欺詐與洗錢行為進行警示。
巴曙松
金融機構由於面臨激烈的競爭壓力，需要不斷對自身結構和人才資源進行迭代，以適應不斷變化的新情況。隨著微軟前首席科學家鄧力宣佈加盟對沖基金巨頭 Citadel，我們可以看到金融界已經向計算機科學（特別是機器學習）人才打開了大門。今天推薦一下 CB Insights 數據統計出的金融科技領域的人工智能公司分佈圖（上圖）。CB Insights 使用自己的大型數據庫，統計了在科技金融領域的眾多創業公司。從銀行到保險，區塊鏈、人工智能等技術正在變革金融領域，並將 AI 涉獵的範圍劃分為以下九大類：
1、信用評分/直接貸款：使用AI對用戶信用進行評分並用 AI 處理貸款申請。值得關注的公司有 Affirm 和 ZestFinance 。
2、財務助理/個人理財：依靠 AI 聊天機器人和移動應用程序監控個人財務狀況。值得關注的公司有 Digit 和 Kasisto 。
3、量化資產管理：採用 AI 算法設計交易策略或投資工具。值得關注的公司有 Sentient Technologies 和 Numerai 。
4、保險：使用AI 進行保險報價。值得關注的公司有 Lemonade 和 Cape Analytics 。
5、市場研究/情緒分析：利用 AI 進行文本分析衡量市場情緒。值得關注的公司有 Dataminr 和 Alphasense 。
6、債務回收：使用AI，通過個性化和自動化的溝通，使債權人更容易收回未償債務。值得關注的公司有 TrueAccord 和 CollectAI 。
7、企業財務及成本報告：利用 AI 縮短企業內部財務會計流程，值得關注的公司有 AppZen 和 Zeitgold 。
8、預測分析：使用AI進行基於自然語言分析的預測。值得關注的公司有 Opera Solutions 和Kensho Technologies 。
9、監管合規和反洗錢監測：使用AI檢測欺詐和異常的財務行為，改進合規報告的工作流程。值得關注的公司有 Trifacta 。
機器之心Pro
傳統金融如何利用數據？
所謂前事不忘後事之師，在瞭解 AI 對傳統金融行業帶來的影響之前，我們可以借鑑以往的經驗，看看傳統金融行業對現有數據的利用情況。
在過去的幾十年甚至百十年中，無數的銀行家，金融工程師，數據分析師，金融從業者為我們設計了很多非常便利方便的金融產品，比如信用卡業務，個人貸款業務，在這些產品迭代的過程中他們形成了非常嚴謹的迭代和風險控制的方案。
他們所利用數據的特點是針對這些金融產品業務區分能力強，但是覆蓋人群相對較低。
就如上圖所示的冰山，傳統金融行業對數據的利用率只有10%左右，而 Fintech 公司需要做的就是挖掘那些隱藏在冰山之下的數據，把金融產品帶給更廣泛的人群。
互聯網金融怎麼做？
隨著大數據解決方案的普及，我們可以蒐集更多維度的數據來更精細的進行用戶畫像，包括利用一些行業數據，用戶的互聯網瀏覽數據，司法執行數據，第三方信用數據，出行數據，電商平臺的交易數據，電話通訊數據和社交數據。這些數據的覆蓋人群會遠遠超過現有的金融行業所使用的數據。
而 AI 就是對這些數據進行組合，從而挖掘出有效的特徵。
如何利用好這些維度很高的數據，需要一個智能的解決方案。因為這些數據大多是非結構化的數據，可能來自郵件、視頻、文本、語音、點擊瀏覽行為、社交網絡等多種渠道。數據的量級和清洗是一個重要的環節。
而大數據的一些解決方案為我們提供了較好的基礎設施。
關於 AI
在此之上人工智能可以帶給我們大量的自動的規則學習，同時帶給我們更加強大的表達能力，而不僅僅是一些線性模型。當我們加入更多數據的時候，關於人的描述已經上升到更高維度的空間中，這時，我們就需要表達能力更強的模型，比如 GBDT 的模型，有幾千個有權重的子樹，比如深度學習網絡，多層的神經元通過加工，自動抽取最優組合。
一個傳統的貸款業務可能需要2-3天來審批，而一個基於人工智能模型的自動審批方案可能只需要幾秒鐘就可以完成。同時有些傳統風控模型的迭代週期可能要數個月甚至數年，但是人工智能的模型迭代可以非常便捷和自動。
AI 所做的就是極大簡化這個過程，提高效率，同時可以大大提高模型驗證和迭代的速度。
AI in Dianrong
在點融，我們應用於風控的人工智能解決方案主要有以下三個部分：
數據蒐集和處理
風險控制和預測模型
信用評級和風險定價
便利可擴展的數據存儲和處理方案是重要的基礎架構。
各種非結構化數據到結構化數據的靈活轉換是保證應用的重要一環。
欺詐的識別是風險控制的第一步，如果利用第三方數據高準確度地識別一些有欺詐嫌疑的用戶是這一個環節需要解決的問題。
靈活地支持人工智能的風控引擎和規則引擎是保證人工智能應用的業務的重要工具。點融的規則引擎同時可以支持簡單的條件規則、也可以支持決策樹的規則，以及更加複雜的 GBDT 和深度神經網絡模型。
通過知識圖譜我們可以將人群的關係更直接地映射到圖數據裡，通過這些關係的遠近、和異常拓撲結構的識別，我們可以發現更多更深層次的風險模式，通過識別這些模式可以有效地減少團伙欺詐。
在風險級別識別和風險定價的模塊裡。我們會結合三類打分板:專家打分板，傳統的邏輯迴歸打分板以及人工智能打分板在不同場景下針對用戶進行不同級別的人群劃分。針對不同級別的人群和不同產品的需求我們會試算出針對於該風險人群的定價。
我們點融也在積極地將人工智能模型作為主要風控手段迭代改進自己的系統中。
同時我們也在應用深度學習解決一些業務冷啟動的問題。利用 transfer learning我們可以大大加快模型在新業務數據不足的情況下收斂的速度。
總結
最後引用薛貴榮博士的博客中一段話：
“基於實例的遷移學習的基本思想是，儘管輔助訓練數據和源訓練數據或多或少會有些不同，但是輔助訓練數據中應該還是會存在一部分比較適合用來訓練一個有效的分類模型，並且適應測試數據。於是，我們的目標就是從輔助訓練數據中找出那些適合測試數據的實例，並將這些實例遷移到源訓練數據的學習中去。”
