浙江新闻网

受制算法与规则,AI赋能金融砥砺前行

在刚刚结束的2019年世界人工智能会议上,展馆拥有由金属行业制造商量身定制的最新全套解决方案。在会场,人们穿着得体,改变金融业,轻松说话;在会场,公众享受随着互联网方面的小规模贷款产品的便利,同时抱怨银行窗口越来越少,越来越多的财务销售电话。

人工智能无处不在,人工智能+财务是否朝着我们最初的良好期望迈进?

赋权与碰撞:数据分析师的崛起

与其他行业相比,财务数据的质量一直比较高,这要归功于早期监管层制定了一些数据标准规范,从数据质量层面解决了潜在的数据问题。这就是为什么金融行业一直被视为能够尽快实现AI应用的行业。

“我们的AI很好,数据分析很好,底层是数据。如果质量不好,最后的结果是完全无用的。现在在金融行业,应该有很多大数据分析,因为应该很多,因为从质量的角度来看,这部分数据应该被认为是比较好的。“文思海辉金融业务分析部副总裁杜晓轩告诉第一财务部,这也提供了一个机会。整个行业的转型。

“过去两年的转型点是两点。一是进一步提高产品化程度,二是应用程序。”杜小正说。

根据IDC中国的统计数据,文思海辉是银行业的头号IT服务和解决方案提供商,年收入达10亿美元。在过去,文思海辉被定位为系统分销商。与银行客户打交道的方法是做项目,但项目意味着再现性会稍差一些。近年来,主要集成商在产品化方面加大了研发力度。该产品更符合服务模型,例如使用知识图来查看客户的潜在风险比率因素。

在应用方面,每个家庭都专注于在线营销和反欺诈。天元潮和和合信息等前人工智能公司正在崛起,而后者则是英美烟草公司大型制造商中最重要的“潜力”。然而,两者之间的供需仍然存在不匹配:金融客户对英美烟草的需求是开放互联网营销部分的经验和数据,英美烟草希望金融行业客户能够获得所有系统产品和平台。

杜小正告诉CBN,显而易见的趋势是银行,系统集成商和产品开发人员对数据分析人才和系统构建者感兴趣。产品制造商正在逐步建立系统团队,而集成商正在建立产品团队。 “我们认为,最终,它与您在市场和产品中的地位非常相关。”

此外,杜小正指出,目前的系统互操作性仍有可能继续深化,因为没有看到进一步的数据交换。 “交叉分析和数据交换是一种趋势,但相关的政府部门需要率先清理规则。即使在集中了一些数据之后,政府界面也用于对接分析。如果只是生意,风险太大了。现在关于AI立法有很多讨论。“

期望规范:算法和规则约束

数据的收集和分析使人们的日常工作和生活日益透明。财务数据是每个人最敏感的数据。系统的转型也会在短期内带来成本的增加,这使得金融业对人工智能的态度有些微妙。

根据埃森哲的一项研究,中国移动拥有超过5亿活跃用户,消费者对在线平台非常热衷。然而,亚太地区约三分之二(68%)的中小企业不打算增加销售,营销,客户服务或电子商务的数字投资,其中约六分之一的受访者表示他们会减少这些领域的数字支出。近一半(45%)的受访者表示,对隐私和安全问题的担忧是阻碍数字平台推广的重要因素。研究表明,中小企业的其他问题包括:缺乏对营销工具的用户支持(44%),数据分析的不确定性(38%)以及支付工具的过度支付服务费(37%)。

eBay全球支付和风险管理副总裁Dan Fain最近致力于利用人工智能的底层架构和技术开发eBay的自我管理支付流程,直接处理支付结账流程,这意味着买家可以无需离开易趣即可完成购物。它可以节省手续费并降低总体销售成本。卖方的账单将所有销售费用和付款整合在同一张发票上,享受集中的客户服务。

他说人工智能的应用程序会遇到一些问题,比如“维度的魅力” - 在深度学习中,设置的参数太多,可以使用多层神经网络来处理复杂的数据。另外,存在能效问题,需要在硬件领域进一步解决。 “我们希望确保这些数据高度集中并可供数据科学家使用。另一种是为他们创建一些软件工具,并提供一些硬件资源。”

普华永道美国咨询业务服务公司的合伙人Anand Rao在接受第一财经新闻采访时表示,人工智能的发展仍处于初期阶段,客户正在探索人工智能与业务战略的结合。根据普华永道的研究,只有38%的公司认为人工智能和企业价值是一致的,25%的公司不认为人工智能是其战略的一部分。 “你可以认为这个比例不高,但未来会继续增长。”

在Rao看来,AI转型行业有两个不同的方向,一个是增强数字化和生成更多数据,另一个是提高人们解决分析实际问题的能力,依靠AI做出更多分析决策并增强用户经验。对于后者,人工智能的公平性是一个需要面对的问题。

“算法是在完整数据集上完成的吗?如果数据集存在偏差怎么办?我们如何调整它?这将是下一步,我们称之为AI的可解释性。而这种解释实际上是基于不同的人这样做,因为没有标准可以为每个人提供完美的解释。“

他认为标准的制定可能来自人们预先培训机器时的设置,这需要高级商业决策者来做。另一方面,就像人类容忍的错误一样,我们不应该对机器过于苛刻。 “最重要的是我们需要清楚地思考如何评估AI的表现。”

(编辑:DF515)

http://www.sugys.com/bdst0A