Categories
程式開發

后疫情时代,银行从数字化转型到智能化“迁徙”


数字化转型正在进入“智能化迁徙”的时代,每一个银行都在全力以赴,努力成为这场迁徙的排头兵,从而在数字化世界里占据优势地位。

全球数据智能趋势一览

后疫情时代,银行从数字化转型到智能化“迁徙” 1

笔者在搜索了众多机构发表的数据智能发展趋势报告,并做了筛选和甄别后,参考了公开发布的八份高质量行业报告,总结出以下关键结论:

数据科学家进入2.0时代

相比较起过去的数据科学家角色,在更加强大的算力、更海量的数据、更优化的算法之下,数据科学家将更加关注业务价值、强化数据能力、建立工程能力。

持续智能崛起

人工智能技术将加速在不同领域的应用规模化,所以,以ML Ops为代表的的持续智能技术将快速崛起并被众多大型企业采用。通过使用这样的智能基础架构和工具链,人工智能技术能够自动化、闭环、规模化地赋能业务。

以联合计算为代表的安全隐私人工智能技术将大行其道

随着行业对于数据安全隐私愈发重视,数据的交易和交换将越来越成为人工智能应用中训练数据构建、融合的壁垒。这种背景下,以联合计算为代表的的分布式人工智能技术,能够兼顾数据安全和模型优化,将大行其道。

疫情推动了AI-Powered Chatbots的发展

疫情的出现,让线下业务全面转为线上化智能化。越来越多企业,特别是金融企业,通过智能Chatbots来替代人工的服务和流程,在后疫情时代,智能的聊天机器人将成为重点发展方向。

后疫情时代金融数智化趋势展望

后疫情时代,银行从数字化转型到智能化“迁徙” 2

《银行4.0》一书在2019年席卷全球,这本书的副标题是“银行业务将无所不在,除了‘银行’以外”。没想到,疫情影响之下,所有线下银行网点全部关闭,真的印证了这句话。

前几天万向控股董事长的讲话中有一个观点,笔者觉得很有道理,那就是:疫情之后,企业的数字化转型,已经成为了数字化“迁徙”,所有传统业务都要全面迁徙到数字化世界。

而对于大部分银行来讲,数字化基础相对于别的行业会好一些,有两点趋势需要关注:

  1. 后疫情时代要求银行加速对于新技术的应用,同时要提升降成本的效率
  2. 云计算和AI技术的应用程度将成为很长一段时间内银行差异化竞争力的体现

众多先进的银行已经在加快应用人工智能等技术,数字化“迁徙”,正在被规模化的智能化“迁徙”所替代,人工智能技术正在全面赋能银行业务。

在参考众多银行业数据智能技术的趋势报告并对他们的实践案例进行总结后,我们发现了人工智能应用于银行的三个重点趋势:NLP、异常检测和机器学习平台。

NLP技术进一步扩大应用场景

后疫情时代,银行从数字化转型到智能化“迁徙” 3

以Chatbot为代表的自然语言处理技术,在后疫情时代充当着连接用户与银行、提供更好的用户体验的角色,未来NLP技术将进一步扩大在银行里的应用场景。

像富国银行、美国银行、汇丰、万事达、花旗银行、摩根大通、苏格兰皇家银行等众多全球头部银行,都全面构建了自己的聊天机器人,为客户提供各种线上智能服务,比如自动账户服务、预测性分析、金融投顾服务、问题跟踪等。

与此同时,NLP技术也在广泛的应用场景中获得了突飞猛进的发展,监督学习和非监督学习技术不断深度应用到NLP中,而自然语言理解、自然语言生成、语音识别等领域也成为了下一个阶段的重点发展领域。

异常检测在风控和反欺诈领域发挥更多价值

全球知名的人工智能研究和咨询公司EMERJ在2020年做了一个分析,在全美TOP7的银行,人工智能供应商服务的业务领域分布如下图所示:

后疫情时代,银行从数字化转型到智能化“迁徙” 4

在这个统计分析中,我们发现,反欺诈、风险管理、合规管理占据了46.1%的比例,这说明银行对于异常检测(Anomaly Detection)技术的需求是在不断增长的。

后疫情时代,银行从数字化转型到智能化“迁徙” 5

丹麦最大的银行,丹斯克银行,是北欧领先的金融服务机构,利用异常检测的技术,每天减少了1200次误报,将误报率降低了60%,将真实欺诈的检测率提高了50%;摩根大通利用异常检测技术检测网络钓鱼邮件,规避对银行员工的恶意欺诈,实时对交易进行检测及预警,实现反洗钱及自动终止欺诈;花旗银行也广泛地将异常检测技术应用到控制所有交易,在不减慢理赔流程的情况下,提供风险和欺诈检测服务。

在各家银行都广泛应用异常检测技术的基础上,异常检测技术也呈现了以下四个方面的发展趋势:

  • 高响应

“道高一尺,魔高一丈”,各种欺诈、攻击的形式层出不穷,需要异常检测技术有更高的响应力,从而更快、更准的应对各种新手段和方法。

  • 更实时

为了尽可能降低风险、欺诈检测给客户带来的损失,异常检测技术与流数据处理技术紧密结合,提供更实时的服务,能够在第一时间终止欺诈行为。

  • 去中心化

从原来中心化的训练、分析、建模、应用,走向去中心化的异常检测应用,从而缩短处理链,提高响应力,并提供更加个性化的服务。

  • 基于机器学习

从原来的专家系统、业务规则配置结合的方式,更多地走向以机器学习为中心的异常检测技术。

机器学习平台将成为智能规模化的必备基础架构

银行是人工智能规模化应用的前沿阵地,各种数据智能技术生长发展的沃土。如何加速各种新技术在银行的规模化应用呢?

我们发现,很多银行已经或者正在构建企业级的机器学习平台。

后疫情时代,银行从数字化转型到智能化“迁徙” 6

通过企业机器学习平台的建立,为所有的业务部门、领域提供一站式、端到端的,从业务场景识别、数据试验,到数据采集、数据训练集构建、数据模型训练、算法调优,到模型调优、模型发布的连贯自动化人工智能生产线。

比如,摩根大通建立了一个名为OminiAI的平台,能够自动识别和提取相关数据,用来自动训练AI模型,这个平台为它节约了近1.5亿美元的开支。

所以,我们能看到,企业级机器学习平台已经成为银行智能应用规模化的必备基础架构。

后记

在后疫情成为常态的情况下,麦肯锡提出四个战略领域需要所有的企业予以关注,“恢复收入、重建运营、重构组织、加快全面数字化”,而紧抓数据智能的发展趋势,将人工智能技术快速应用到银行业务场景,是实现这四个战略的加速器。数字化转型正在进入“智能化迁徙”的时代,每一个银行都需要全力以赴,争取成为这场迁徙的排头兵,才能在数字化世界里占据优势地位。

作者介绍:

史凯,ThoughtWorks数据和人工智能业务总经理,精益数据体系创始人,全球DataIQ100人数据赋能者,腾讯云最有价值专家TVP,首个数字化转型对话节目《数字化奇葩SHUO》发起人,公众号《凯哥讲故事》作者。

近二十年企业信息化、数字化经验。程序员出身,后从事企业IT战略咨询和实施工作,对云计算、大数据、企业架构有丰富的实践经验,成功主导多个大型企业的数字化转型从顶层规划到实践落地。目前专注于企业数智化转型体系建设和顶层规划,致力于利用数据智能技术打造数字化新咨询服务。