本文是由读秒科学决策副总裁、数据科学家任然最先发布于知乎问题《人工智能在金融科技领域有哪些应用?》下的回答。 「人工智能」并不是新鲜玩意,它从上个世纪 50 年代提出后,一直在计算机科学中不断探索进步。近年,随着支持向量机、决策树、神经网络、遗传算法等算法的成熟,更重要的是 AI 在商业上的成功落地,人工智能的热潮再次来临。 为什么是这几年?一是数据的爆炸式增长。二是计算能力的提高。 随着互联网的发展,数据量上百倍、上千倍的翻,模型用到的变量也翻十倍、百倍,计算复杂度更是差乘地增长,但是现在,只要在十秒之内就能完成以前传统银行几周几十人完成的事。 一项报告显示,到 2020 年,全球每年产生并采集的数据量预计将是 2010 年的 50 倍。以读秒的部分数据源为例,其中很重要一部分数据来自于运营商数据、电商数据等。而这些数据很多是近几年才出现、或者才能合法有效使用的。三年前,以前没有听说过互联网公司利用通话记录来做数据源,即便用户授权你去查他的运营商通话记录,也很难纯粹用技术去完成操作——基本上每个运营商、每个省市,页面都大相径庭,技术很难去像人一样去识别并查询和录入。而每个人通话记录,所包含的数据量和有用信息都非常大。 如何同时做到模型能够快速运行,保证用户体验和信息安全,却又疏而不漏,成功筛选出黑名单用户、可能存在通话地点频繁更换等重要信息。这些记录数据都要识别、归纳和分析,依靠人是不可能的,只能靠模型更聪明、去找更重要的变量,而只有当数据成本越来越低的时候,才可能大规模实现。
数据量大增,利用数据的能力更是极速的提升。阿波罗登月用的计算机运算能力不如现在的手机,甚至不如现在的单片机。我查了一个数据说法,阿波罗上面用的导航计算机主频 2.048MHz,2048 字的 RAM,36864 字的 ROM, 现在 Casio 计算器的主频都有 30MHz。航天飞机上的飞控计算机处理速度只有 0.4MIPS, 不到 Xbox 处理速度的百分之一 。 AI 在数据、计算能力大增的情况下也四处开花,其核心能力,是将原本人工的、手动操作的业务,进行自动的、科学化的替代。
(AI在智能信贷中的应用技术) 以零售信贷业务为例。 传统零售信贷的审批流程大约需要 1 周时间,走完银行零售业务中的一系列流程:客户先申请,跑很多机构递交一些证明性纸质材料,j2直播,比如住址证明、银行流水等;再做录入;运营部门再做复核;再做审批处理;再做尽职调查和最终审批。百年来都难以提高效率,因为每个步骤都需要去一步一步通过,所以不论怎么优化,也难以再提高速度。 但 AI 与大数据结合后,能够很好地提升这一阶段的效率,读秒将这个时间缩短到了 10 秒,未来更快的速度也会被行业其他公司以及读秒自身不断突破。在信贷授信过程中,AI 运用在全流程,包括风险定价、反欺诈、客户行为预测、贷后管理等,而定价与反欺诈流程的 AI 渗透性最强。风险水平决定信贷定价——如果给低风险的人定价过高,那么低风险者不会有借贷意愿;如果给较高风险者定价过低,逾期可能不足以平衡损失和收益。AI 能够帮助预测最佳的用户分层方式。 AI 在反欺诈中也会有很强的应用。 这里我们以判定伪报用户的 AI 手段为例。在审批授信过程中,AI 会通过人脸识别与设备指纹来判定用户是否伪报。人脸识别是部分场景的入门一级,当用户进行人脸识别和活体测验时,我们会设置一个通过度,比如只有相似度超过 60% 才可通过基本测试,不通过者 AI 会写上相应标签作为风险指标。 验证设备指纹从反欺诈角度也是非常有用的以前用户在 PC 上或者说在填写纸质的申请表上是没有所谓的「设备指纹」的,也会错过很多欺诈风险的识别方式。在 fintech 的智能信贷中,90% 以上的客户来自于移动端,每个手机都有自己独一无二的标识、编号等,我们将这些称为设备指纹。由此,AI 可以监测到同一个设备发出的指令。同一设备有没有当天来申请多笔?或者不同的申请人使用同一个设备申请?这些设备指纹信息可以作为额外的反欺诈标签被捕捉。
(数据在近年来急速增长,主要的数据维度可以被继续分为无数分支) (责任编辑:本港台直播) |