近日，中國人民銀行發(fā)布金融行業(yè)標準《人工智能算法金融應用評價規(guī)范》，發(fā)布之日起正式實施。索信達控股有限公司（索信達控股，股票代碼：03680.HK）作為金融行業(yè)大數(shù)據(jù)與人工智能解決方案提供商，早在“規(guī)范”實施前，于2019年面向國內(nèi)金融行業(yè)率先推出應對AI算法可解釋性的“模型翻譯機-可解釋機器學習”，并已在金融機構(gòu)成功落地應用。應對AI算法精確性、性能和安全性推出“模型工廠”、“模型管理平臺”等全棧解決方案，索信達成為推動人工智能算法金融應用規(guī)范管理的先行者。
據(jù)悉，《規(guī)范》針對當前金融行業(yè)人工智能技術(shù)應用存在的算法黑箱、算法同質(zhì)化、模型缺陷等潛在風險問題，建立了人工智能金融應用算法評價框架，從安全性、可解釋性、精準性和性能等方面系統(tǒng)化地提出基本要求、評價方法和判定準則，為金融機構(gòu)加強智能算法應用風險管理提供指引。
《規(guī)范》指出，AI算法精準性和性能是計價算法應用效果及目標的主要因素，一般而言精準性和性能越高算法應用效果越好。算法可解釋性是判斷算法是否適用的重要依據(jù)，可解釋性越高，算法內(nèi)在邏輯、技術(shù)實現(xiàn)路徑、決策過程、預期目標越明晰，算法更易于被理解、匹配、應用和管理。AI算法安全性為算法在金融行業(yè)應用提供安全保障，是決定AI算法是否可用的基礎(chǔ)，只有在滿足安全性要求的前提下，才能在金融領(lǐng)域開展應用。
就人工智能算法和技術(shù)如何融入到銀行的日常應用規(guī)范管理和業(yè)務(wù)中，索信達控股首席科學家張磊博士總結(jié)為“四大能力、八類應用”，并介紹了索信達在銀行業(yè)的實際的AI應用案例。
助力銀行業(yè)發(fā)展的人工智能四大能力
人工智能這個話題很火，如何和銀行業(yè)務(wù)需求打通，把人工智能技術(shù)移駕到銀行業(yè)本身，這是很多銀行客戶都很關(guān)心的問題。以下是張磊博士基于索信達客戶最佳實踐，總結(jié)構(gòu)建自身人工智能能力的“四大能力”：
第一，業(yè)務(wù)能力：以業(yè)務(wù)能力為出發(fā)點，所有技術(shù)都要解決業(yè)績問題。索信達已梳理出金融行業(yè)可以用AI解決的業(yè)務(wù)問題，如市場營銷、風險管控、財務(wù)人事、運營績效相關(guān)的，針對問題進行歸類就可以圈出銀行業(yè)用人工智能數(shù)據(jù)分析解決問題的范圍。
第二，數(shù)據(jù)能力：以數(shù)據(jù)為基礎(chǔ)，各種數(shù)據(jù)加工能力為手段，將數(shù)據(jù)利用起來。人工智能技術(shù)和其他的技術(shù)有一些不同，它完全依賴數(shù)據(jù)，若無數(shù)據(jù)支撐所有先進算法都無作用，所以要有數(shù)據(jù)儲存、加工的能力。
第三，分析能力：以各種先進算法為工具，發(fā)現(xiàn)數(shù)據(jù)中蘊含的有價值的規(guī)律。算法的類型像可解釋機器學習、自然語言處理、圖分析、圖計算等，這些算法目前在金融領(lǐng)域用的比較多。
第四，思維能力：索信達幫助企業(yè)構(gòu)建分析思維能力，更加合理有效地發(fā)現(xiàn)和解決問題。這點要特別強調(diào)！因為總被忽視，很多人掌握了技術(shù)也知道業(yè)務(wù)能力，但是還是解決不了問題，因為缺少思維能力。如何將梳理好的數(shù)據(jù)、算法、業(yè)務(wù)問題貫通起來，這就需要分析思維能力。
銀行業(yè)務(wù)問題的分類體系與AI技術(shù)的對應關(guān)系
銀行業(yè)面臨的業(yè)務(wù)問題主要分八大類：
分類問題，將輸入樣本分類到對應類別中。判斷客戶質(zhì)量，購買意愿。
估值問題，根據(jù)輸入信息估算某個指標的數(shù)值。如，某家分行下個月存款余額會到多少？
聚類問題，根據(jù)實例的相似度進行歸類，銀行有上億客戶，想將其分成不同的客戶客群，還有網(wǎng)點、支行等的分行也是聚類問題。
優(yōu)化問題，基于目標函數(shù)和約束條件生成最優(yōu)解。如，我有預算100萬如何將其花出去達到最大效益？
異常偵測，發(fā)現(xiàn)異于常規(guī)的實例。如，一筆金融交易是否有問題，是否是欺詐交易，賬戶間互相的聯(lián)動是否是洗錢聯(lián)動。
評級問題，對實例進行排序評級，像信用評級是標準問題。
推薦系統(tǒng)，生成下一步的最佳行動建議。
數(shù)據(jù)生成，基于已有的數(shù)據(jù)分布仿真出類似數(shù)據(jù)。
通過調(diào)研可以清楚看到，八類問題的重要程度和價值回報也各有不同。
銀行業(yè)使用的重點分析技術(shù)
銀行業(yè)會用到很多分析算法，最常用的重點技術(shù)包括：隨機森林、前饋神經(jīng)網(wǎng)絡(luò)、回歸分析、分類器、聚類、統(tǒng)計推斷、循環(huán)神經(jīng)網(wǎng)絡(luò)、強化學習。圖中越深的顏色代表使用頻率較高。
分析專題和數(shù)據(jù)類型有一定的對應關(guān)系，張磊博士認為，無論是做潛客獲取或是智能客服或反欺詐、現(xiàn)金庫存優(yōu)化等都是人工智能可以大顯身手的領(lǐng)域。
在銀行業(yè)，AI應用需要重點關(guān)注回報最大的業(yè)務(wù)領(lǐng)域
對于銀行業(yè)來說，AI應用需要重點關(guān)注回報最大的業(yè)務(wù)領(lǐng)域。盲目地做人臉識別或文檔OCR等無法帶來明顯的業(yè)務(wù)價值。其中獲得回報最大的是市場營銷，其次是風險管控。
建立模型工廠，打造五庫合一的分析模型生產(chǎn)流水線
索信達打造五庫合一的分析模型生產(chǎn)流水線，通過模型工廠，幫助企業(yè)進行數(shù)據(jù)分析建模的現(xiàn)代化生產(chǎn)流水線。它融合了分析建模生產(chǎn)所需的全部裝備，做到五庫合一：模型庫、模板庫、代碼庫、知識庫、課件庫。只需裝填數(shù)據(jù)原材料，即可自動化生產(chǎn)出可用的標準模型，同時支持個性化定制。
索信達將八大類問題梳理了50多個專題，通過大量實踐發(fā)現(xiàn)它成型的套路，比如要做資產(chǎn)提升大概分為7個步驟可以分析出來，要做反欺詐可以做9個步驟分析出來，索信達希望通過構(gòu)建金融業(yè)的模型工廠，把銀行遇到的每個問題都可以標準化自動化解決。
打造模型管理平臺 全局掌控企業(yè)模型管理
隨著大數(shù)據(jù)和分析算法的蓬勃發(fā)展，金融機構(gòu)在營銷管理、風險管理和決策支持的過程中，研發(fā)了大量模型來支持企業(yè)的運營與管理。但由于模型數(shù)量眾多，模型管理的問題隨之而來。索信達控股基于多年來在金融行業(yè)大數(shù)據(jù)領(lǐng)域的技術(shù)沉淀及經(jīng)驗，率先業(yè)界發(fā)布了模型管理系統(tǒng)。對企業(yè)級投產(chǎn)上線的模型進行評有效的評估、測試、監(jiān)控以及版本和權(quán)限管理。助力金融機構(gòu)搭建完善的模型管理系統(tǒng)，大幅提升企業(yè)統(tǒng)籌管理及運行模型的效率。
模型管理系統(tǒng)以自動化的方式計算各種評估指標，根據(jù)模型衰退和數(shù)據(jù)變化自動預警。通過監(jiān)控模型的定時驗證數(shù)據(jù)，可在系統(tǒng)每執(zhí)行一次模型的定時任務(wù)后，在模型詳情頁中查看驗證后的指標值數(shù)據(jù)和對應的圖表數(shù)據(jù)。如果驗證失敗，則本系統(tǒng)不會生成模型的指標值，且在首頁的“事件消息”模塊中會顯示該模型定時任務(wù)運行失敗的消息。
索信達模型管理系統(tǒng)有效地解決金融機構(gòu)等企業(yè)模型管理的痛點，大幅度降低模型失控、模型資產(chǎn)管理混亂和依靠人工操作所帶來的風險。打造出企業(yè)級自動化模型工廠，全方位、自動化、標準化地掌控企業(yè)模型管理。
模型翻譯機 可解釋機器學習
索信達控股率先業(yè)界發(fā)布推出的可解釋機器學習，是金融行業(yè)企業(yè)級數(shù)據(jù)挖掘方案。該方案通過融合多種模型和算法，致力于解決銀行金融機構(gòu)現(xiàn)有機器學習模型“黑箱”的問題，幫助銀行提升模型透明度，滿足監(jiān)管需要，同時增強模型精度和決策的可靠程度。保證模型高精度條件下，針對客戶不同應用場景均能做出深度解釋，幫助客戶降低模型風險合規(guī)風險
據(jù)張磊博士介紹，⽬前已在產(chǎn)品精準推薦、客戶挖掘、流失預警等多個⾦融類營銷場景中開展應⽤和落地，并取得了優(yōu)秀的成果，使得⼈⼯智能算法和技術(shù)能夠更好的融入到銀行的日常應用規(guī)范管理和業(yè)務(wù)中。
12步搭建客戶微細分模型，客戶名單命中率最高可提升75%！
索信達通過將結(jié)構(gòu)化數(shù)據(jù)進行合理的圖像化，并創(chuàng)新地運用深度學習算法，挖掘反映客戶資產(chǎn)偏好的深層特征，從而有效提升銀行現(xiàn)有各個模型的準確性，并通過客戶在不同圖像狀態(tài)之間的轉(zhuǎn)移概率，預判出客戶資產(chǎn)配置的發(fā)展趨勢，為一線客戶經(jīng)理提供覆蓋全客戶的營銷方向。
通過引入索信達客戶微細分產(chǎn)生的新圖像特征，將上線模型(大額存單、結(jié)構(gòu)性存款)前10%名單的命中率提高20%~40%；無論采用何種預測算法，模型均有明顯提升，前5%名單的命中率最高提升3/4；直接產(chǎn)生的營銷效益高達數(shù)百萬至上千萬。
基于深度學習的客戶微細分分析建模流程
客戶微細分，是運用算法把客戶數(shù)據(jù)變成圖像，以更加細致、更加創(chuàng)新的模型為客戶精準畫像，給銀行業(yè)務(wù)的開展帶來更有價值的決策依據(jù)。索信達客戶微細分的全部流程分為12個步驟，這是個思考、模擬、反復驗證的過程，很是有趣。
第一，以數(shù)據(jù)圖像化為橋梁
人工智能近年來比較火的是深度學習，但深度學習算法主要是做圖像識別，適合處理圖像，而銀行基本上都是結(jié)構(gòu)化數(shù)據(jù)，例如賬戶數(shù)據(jù)、交易數(shù)據(jù)等，結(jié)構(gòu)化數(shù)據(jù)無法直接被深度學習算法所用，需要借助數(shù)據(jù)圖像化，把結(jié)構(gòu)化數(shù)據(jù)變成合理的圖像就可以用到這個技術(shù)了。
第二，客戶的產(chǎn)品資產(chǎn)結(jié)構(gòu)化數(shù)據(jù)
先來看銀行最典型的數(shù)據(jù)，比如我們拿到了500萬富裕零售客戶過去12個月的數(shù)據(jù)，AUM月日均超過5萬以上，數(shù)據(jù)量是每月500萬客戶，包含的字段信息有AUM、活存余額、定存余額、基金余額、理財余額等。
第三，數(shù)據(jù)標準化與離散分箱
下圖列出5條客戶數(shù)據(jù)，每位客戶給出了各項產(chǎn)品的余額。比如第一個客戶活存11.8萬，定存只有1767元，這是銀行常見的數(shù)據(jù)，數(shù)據(jù)拿來后會先做標準化，因為一個客戶活存余額有10萬并不一定代表這個客戶喜歡活存，如果他的資產(chǎn)有1000萬，把900多萬放在定存10萬放在活存，顯然不能說明他喜歡活存。
第四，相關(guān)分析
接下來我們希望將這個數(shù)據(jù)變成一幅圖，才能使用圖像識別技術(shù)。這個數(shù)據(jù)可以變成瓦片圖，按照比例高低，最高的放在最左邊，但是瓦片圖最大的問題是沒有考慮產(chǎn)品之間的關(guān)系，只是簡單按照數(shù)字大小排。如何把產(chǎn)品之間的關(guān)系引用進來呢？比如說理財和基金是不是有互斥的關(guān)系。通過相關(guān)分析，就可以看出變量之間的相關(guān)性是正相關(guān)、負相關(guān)，哪些相關(guān)系數(shù)強或弱。
第五，太陽系與萬有引力定律
算出相關(guān)系數(shù)之后，再來看如何改造前面得到的“瓦片圖”。張磊博士聯(lián)想到太陽系九大行星，地球、金星、火星圍繞太陽轉(zhuǎn)，這之間的軌道不是很快形成的而是慢慢形成的，是星球間的萬有引力才使其形成的，所以運用這種“引力”定位行星的運行軌道。我們只需將活存、定存、國債、基金、理財這些產(chǎn)品視作星球，將彼此間的相關(guān)系數(shù)視作引力，就可以通過迭代來構(gòu)造出產(chǎn)品的星系圖。
第六，網(wǎng)絡(luò)布局算法與斥力模型
運用斥力算法，把一堆產(chǎn)品想象成一堆球丟在桌上，相互之間會有引力斥力，當斥力達到平衡時得到最終結(jié)果。活存和理財離的比較近代表比較相關(guān)，貴金屬離的比較遠，則相當于很遙遠的冥王星�，F(xiàn)在可以發(fā)現(xiàn)我們已經(jīng)將剛才的數(shù)據(jù)變成更有意義的圖像了，但這個時候還不適合做深度學習。如果現(xiàn)在是把100張這樣的圖擺在你面前，你一定會看的眼花繚亂，但是如果把瓶子或椅子放在這里，離100米就能看出大概什么區(qū)別，是因為從其輪廓上很自然就能識別出來。目前的圖像還沒有鮮明的輪廓，所以需要對這些圖進行改造。
第七，等高線投影與顏色映射
可以把這些小球想象成一個個山頭，可以看到這些山頭高高低低的，高高低低的山峰如果想畫到二維上通常會用等高線，于是把一堆球變成一堆山峰，再變成一些二維等高線，就得到最開始我展示的那張圖。中間最紅最亮的就是客戶最關(guān)心的產(chǎn)品如活存、理財、定存。
第八，一人一圖像百花齊放
下面羅列了20張圖，有一些圖比較類似，比如說倒數(shù)第二列第一行第二行，像兩塊石頭堆在一起。有的客戶很不一樣，有的客戶很類似。例如，左上角這個客戶只有一塊亮就是定期存款，右下角這個客戶是重財惜命型，他的資產(chǎn)主要放在人身險和財產(chǎn)險；還有的客戶是惜命愛基型，財產(chǎn)放在人身險和基金；再是貸款型以貸款為主，少量活存，大量資產(chǎn)放在貸款，另外有一定的活期存款用來還款；還有白領(lǐng)型，活存和薪金煲為主，其次是人身險，該客戶是標準的代發(fā)工資客戶，工資發(fā)下來后會買薪金煲，同時還會買基金，收入應該不會太低，還會買人身險。什么樣的代發(fā)工資客戶在這家工資用信用工資做理財還買人身險，通常來說收入水平會達到一定水平。
第九，圖像的自動特征編碼
很多圖做出來發(fā)現(xiàn)比較類似，所以很自然會想到把類似的圖像聚類在一起。圖像聚類通常會采用自動編碼器，算法的輸入是這張圖像，輸出還是這張圖像，中間做壓縮編碼和解碼，用幾個數(shù)字來表示這張圖像的主要特征。
第十，密度聚類為客戶微狀態(tài)
把圖像變成數(shù)字特征后就可以采用聚類算法進行聚類，把類似的圖像聚到一起，最開始索信達采用的是AP算法，但是效果太慢，后來又換成了密度聚類算法，原來跑的AP算法大概跑40多分鐘，但是換了DBSCAN算法只需要6秒，把類似的圖放在一起，就聚成了1616個個類。
第十一，狀態(tài)隨時間的轉(zhuǎn)移概率
索信達發(fā)現(xiàn)聚類效果還不錯，類中心的代表性比較強，由此就得到了1616個微細分群。如果把每一個微細分群看成一個狀態(tài)，可以發(fā)現(xiàn)每個月客戶的狀態(tài)在不斷地變，大部分時候變的很慢，從一張圖變成另一張圖有業(yè)務(wù)的含義，先是日常消費，然后嘗試買理財，然后申購基金辦理理財卡。
第十二，狀態(tài)轉(zhuǎn)移全景圖
索信達將狀態(tài)演變做成動畫，看起來很炫，但是實際有沒有用，是否有業(yè)務(wù)價值呢？張磊博士進行了驗證，如果這個圖畫的比較有意義，用來進行營銷應該能帶來幫助。銀行以前做了結(jié)構(gòu)化存款的響應預測模型，用常規(guī)數(shù)據(jù)丟進去跑一個模型，現(xiàn)在我們用客戶微細分之后得到更多的圖像特征，如果有提升就代表有價值，最后驗證結(jié)果是前5%的名單命中率提高25%，前10%名單命中率提高14%，驗證了產(chǎn)生的這些圖像特征可以給業(yè)務(wù)明顯幫助。
索信達控股首席科學家張磊博士認為，人工智能是銀行業(yè)把握科技變革對商業(yè)社會重塑的奇點性機遇，重新認知和構(gòu)建銀行的生態(tài)和企業(yè)價值鏈，重塑銀行與社會和客戶的鏈接�！兑�(guī)范》的發(fā)布有助于引導金融機構(gòu)充分發(fā)揮人工智能“頭雁效應”，加快金融數(shù)字化轉(zhuǎn)型步伐，持續(xù)推動金融服務(wù)更為貼心、更加智慧、更有溫度，打造數(shù)字經(jīng)濟時代金融創(chuàng)新發(fā)展新引擎，助力健全具有高度適應性、競爭力、普惠性的現(xiàn)代金融體系。索信達將會攜手銀行金融機構(gòu)共同把握未來銀行的機遇，賦能金融生態(tài)，共享金融AI未來。
免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據(jù)。
