如何用人工智能武装银行？
佘磊
讲述：初明明大小：4.76M时长：05:13
你好，欢迎收听极客视点。
长期以来，中国的银行业在宏观经济支撑下得到了良好的发展机遇。尤其在 2010 年左右，伴随着我国几家大型商业银行均已完成股份制改革，这代表着我国银行业实现了由国有独资银行向股权结构多元化的公众持股上市银行的历史转变。
但这一转变，带来的不只是股权结构上的变化，更有因全面拥抱市场、接纳更多不同体量的用户、接收到更多不同种类需求而引发的对于银行自身的变革。
而这种变革，正是促使了银行业需要找到一个能力来武装自己，确保自己不受到损伤的同时还能做到“出手还击”。这个能力就是人工智能，而银行要实现“AI 武装”，需要具备三个要素。
要素一：可解释机器学习，让人工智能模型知其然更知其所以然
不放心将业务交给机器，这是人工智能技术深化金融领域的重要阻碍。
首先是技术层面，由于人是具备思考能力的个体，如果要机器取代人类开展较为复杂的工作，就会对数据的完备性、模型的多样性以及算法的复杂性都有很高的要求。尤其是在银行这种关乎国计民生的行业，一旦产生了错误，可能会产生很严重的后果。
这的确是实际存在的问题，随着银行业的分析模型越来越多，所用到的算法也越来越复杂。为了追求更高的模型精度，各种集成模型 (如随机森林、XGBoost) 和深层网络模型 (如 CNN、RNN、LSTM) 成为热点算法，但由于模型过于复杂，这些算法已经成为无法理解的黑箱，业务上难以应用。这就需要通过一定的技术将“黑箱”变为具备可解释能力的方法，这就是可解释机器学习（Interpretable Machine Learning，缩写为 IML）。
目前，通过在可解释机器学习领域进行的深入研究，不仅能够实现准确的模型预测，还能给出模型为什么会得到这样的预测结果，提升模型的可解释性；为了实现可解释机器学习，可以通过改良模型架构来增强模型的灵活表征能力以及预测精度，以满足内在可解释的需求；也可以通过事后的归因解析以及可视化方法，在保证复杂模型精度的同时，获得模型的部分可解释性。
知其然更要知其所以然。可解释机器学习的核心思想在于选择模型时同时考虑模型的预测精度和可解释性，并尽量找到二者之间的最佳平衡。通过上述的方式，模型可以展示数据中特征的量化影响，有助于业务人员快速理解模型特征，并进行个性化营销。
要素二：个性化服务，基于可解释推荐算法的精准推送
要说人工智能技术对营销领域的最大落地实践贡献，精准推荐能力可以说是对全领域影响最大的一个能力。
推荐技术在银行的移动端业务中也同样适用。随着手机银行业务的不断增长，合理利用手机银行中的推荐板块以达到推广理财产品的需求越发急迫。
但是传统的推荐算法往往为了追求推荐的效果而使用复杂模型（deepFM，FM），但由于复杂模型内部结构不可知，当数据质量不高时 (例如点击数据存在大量无偏好误触)，推荐算法的实际效果往往不佳。然而因为内部结构的不可知，导致问题难以发觉，进而影响到业务。
作为可解释机器学习下针对推荐领域的一类技术，可解释推荐系统与传统推荐系统相比，除了拥有较高的推荐精度外，在模型内部更是有着极强的可解释性，这也就解决了上文所提到的因内部结构不可知而导致的一系列问题。
从而能够帮助银行在多产品理财、个性化推荐理财、产品点击预测以及预测未来用户方向等多方面进行科学决策，帮助业务人员理解模型结果、改善模型精度以及提高用户对于推荐的信任度。
要素三：降低落地门槛，为机器学习落地打造充分有利的环境
当下数据处理与建模过程都比较复杂，需要银行内部的科技部门花费大量时间去进行建模和训练。但是业务不等人，尤其当前全球化程度不断加深，24 小时中每分每秒都有业务在产生。对于银行业来说，模型训练结果晚一天出来，就等同于额外增加了一天的成本。
但现实是残酷的，机器学习相对其它技术而言，其准入门槛较高，并且一些资历丰富、有潜力的开发者都被互联网头部企业所集中起来，在业务与人才双双不等人的情况下，更是凸显了当下银行业对于机器学习能力的迫切需求。
因此，自动化机器学习能力就成为了解决银行业这一痛点的方案之一。其高度自动化的能力，可以极大提升数据科学家的效率，帮助银行内部宝贵的人才资源从繁琐的流程中解放出来，把更多精力投入在核心问题的解决上。从而能够起到降低企业时间成本、提升生产效率的目的。
以上就是今天的内容，希望对你有所帮助。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论