人工智能正在催生一場金融革命

Maria Korolov

從客戶服務(wù)到風(fēng)險管理，人工智能正在引領(lǐng)下一場金融革命——只要合規(guī)性問題能夠得到解決。

金融服務(wù)公司正在率先采用人工智能為客戶提供服務(wù)，根據(jù) IDC的報告，預(yù)計2019年銀行將在人工智能解決方案上花費56億美元，僅次于零售業(yè)。

對于金融服務(wù)公司來說，其成果可能相當(dāng)可觀： McKinsey Global Institute預(yù)測人工智能和機器學(xué)習(xí)將為銀行業(yè)創(chuàng)造超過2500億美元的價值。

盡管如此，由于潛在的金融、聲譽和監(jiān)管影響，許多金融公司在人工智能方面仍持謹(jǐn)慎態(tài)度。在這里，深入了解人工智能系統(tǒng)如何做出決策至為關(guān)鍵。

與此同時，尋求競爭優(yōu)勢的金融服務(wù)公司正在推出人工智能系統(tǒng)，以支持客戶服務(wù)運營，進行風(fēng)險分析，并對營銷和銷售流程進行改造。下面是幾家金融服務(wù)公司讓人工智能發(fā)揮作用的典型案例。

優(yōu)化客戶服務(wù)

Synchrony運營許多主要品牌的信用卡，包括Gap和Old Navy、Amazon、JC Penney、Lowe's、Sam's Club， 以及American Eagle， 為超過8000萬個活躍消費者賬戶提供服務(wù)。很多客戶可能需要信用卡方面的幫助，例如報告欺詐交易。

兩年前，該公司致力于人工智能，雇傭了170多名數(shù)據(jù)科學(xué)家，同時在伊利諾伊大學(xué)建立了一個新興技術(shù)中心。像許多金融服務(wù)公司一樣，Synchrony的人工智能和機器學(xué)習(xí)的關(guān)鍵部署是在聊天機器人上。

公司的CTO及AI領(lǐng)導(dǎo)者Greg Simpson說：“我們的智能虛擬代理Sydney服務(wù)大多數(shù)零售商網(wǎng)站上的商戶，包括Gap和Lowe's，如果你有關(guān)于你的信用卡的問題，你可以問Sydney，Sydney會幫助回答基本問題。”

Simpson說：該平臺目前每月可處理50萬次聊天，根據(jù)多年來對Synchrony呼叫中心的呼叫來回答。這個平臺也可以通過亞馬遜設(shè)備獲得，它幫助減少了50%以上的在線聊天量。88%使用Sydney的客戶表示他們對服務(wù)滿意。

三井住友銀行（SMBC）是一家全球金融公司和日本第二大銀行（按資產(chǎn)計），也在為客戶服務(wù)部署人工智能。該銀行使用IBM Watson來監(jiān)控呼叫中心的對話，自動識別問題并向運營商提示答案，從而將每次呼叫的成本降低了60美分。這家銀行的一位總監(jiān)岡田弘一說，每年有100多萬個電話，每年可節(jié)省10萬美元。此外，客戶滿意度提高了8.4個百分點。

岡田弘一在2015年移居到硅谷去運營SMBC的創(chuàng)新辦公室，負(fù)責(zé)領(lǐng)導(dǎo)銀行的幾個人工智能項目。

他說：“我們還使用IBM Watson進行面向員工的交互，例如，如果銷售人員對內(nèi)部規(guī)則有疑問并詢問日本總部，則時間差異很大，答案將延遲一天。”而Watson則習(xí)慣于自動回答這些問題。

Gartner的研究員Moutusi Sau說，在過去的幾年里，所有的大銀行都在進行聊天機器人項目。他說，“這方面有很多技術(shù)，如會話聊天引擎、虛擬客戶助理等。它們是餡餅的一大部分?！?/p>

他說，銀行會繼續(xù)在這一領(lǐng)域進行投資，但智能代理現(xiàn)在也在努力提高內(nèi)部運營效率。

將智能帶入銷售流程

堪薩斯州的NBKC銀行對聊天機器人的態(tài)度是繼續(xù)觀望，但它們已決定將人工智能用在其抵押貸款業(yè)務(wù)中。

這家銀行的 EVP及按揭總監(jiān)Chad Cronk說：“在抵押貸款領(lǐng)域看到的大多數(shù)人工智能基本都是用聊天機器人為客戶提供服務(wù)，這一點我們也考慮過，但我們認(rèn)為它還是不夠成熟。”

Cronk說，在NBKC，人工智能幫助將線索分發(fā)給貸款人員。大約60%的新潛在客戶是通過在線潛在客戶聚合器（如Lending Tree和Zillow）獲得的，平均每天有300到350個新潛在客戶，其余的來自推薦客戶和回頭客。以前，銷售線索通過“round robin”系統(tǒng)分發(fā)給公司的98名貸款專員。

但是，在分析歷史數(shù)據(jù)時，NBKC發(fā)現(xiàn)，一些貸款人員在處理新的銷售線索方面表現(xiàn)得更好，比如說，在上午或下午晚些時候，或者在特定地理區(qū)域的客戶中表現(xiàn)得更好。

Cronk說：“這導(dǎo)致了在智能級別上分配銷售線索的概念，我們認(rèn)為，如果我們在適當(dāng)?shù)臅r間將潛在客戶與適當(dāng)?shù)母吖芘鋵Γ覀儗⒛芾^續(xù)提供更好的客戶體驗。”

由于其規(guī)模較小，該銀行與外部供應(yīng)商ProPair合作，而不是自行開發(fā)技術(shù)。ProPair的平臺幫助NBKC提高了10%的接近率，并提高了65%的貸款人員的績效。

今天，25%的線索被隨機分配到一個控制組。其余的是則基于智能系統(tǒng)分配的，該系統(tǒng)將銷售線索分配給最適合的代理，同時考慮到各個工作負(fù)載，以確保每個人仍然收到相同的銷售線索總數(shù)。

Cronk說，“我們看到了顯著的進步，有幾個季度增長了15%?！?/p>

Cronk說，推出這項新技術(shù)大約需要三到四個月的時間。來自第三方聚合器的銷售線索數(shù)據(jù)通過API傳入銀行的銷售線索管理系統(tǒng)Velocify，再花些功夫弄明白如何把代理推薦融入到Velocify中去，由此創(chuàng)造一個安全的環(huán)境，以便ProPaid能夠研究代理的歷史績效。

分析風(fēng)險

金融服務(wù)公司長期以來一直使用統(tǒng)計模型來評估風(fēng)險——貸款中的信用風(fēng)險、交易中的金融風(fēng)險、保險行業(yè)的精算風(fēng)險以及所有類別的欺詐風(fēng)險。

Bank Policy Institute的技術(shù)政策處BITS的總裁Chris Feeney說，“不同的是，這些算法的使用范圍更廣，可用數(shù)據(jù)量、數(shù)據(jù)類型和數(shù)據(jù)吞吐量正在改變這些正在解決的各種問題，如果你能收集更多關(guān)于交易的信息，你就可以更好地避免欺詐?！?/p>

Feeney預(yù)計人工智能將成為金融公司的一大優(yōu)勢。他說：“你必須積極主動，但也必須選擇好的用例。”建議金融公司尋找機會使用人工智能來創(chuàng)造競爭優(yōu)勢，同時也為消費者提供明確的價值。

他說：“這可能是貸款業(yè)務(wù)，現(xiàn)在有很多關(guān)于使用其他數(shù)據(jù)源向新的人群提供貸款產(chǎn)品的活動?！?/p>

他說，欺詐分析是另一個重要的用例?！拔艺J(rèn)為人工智能將加快發(fā)現(xiàn)欺詐的速度，以避免欺詐，更快地發(fā)現(xiàn)異常活動?！?/p>

Raghav Nyapati 同意這種說法。他最近在全球排名前10的銀行領(lǐng)導(dǎo)人工智能項目，現(xiàn)在正在發(fā)起成立一家金融技術(shù)初創(chuàng)企業(yè)。Nyapati說：“考慮承銷時，我們有成千上萬的應(yīng)用程序。人工智能可以幫助篩選出可能存在欺詐或高風(fēng)險的應(yīng)用程序，只有篩選后的應(yīng)用程序才由代理進行審查?！?/p>

Gartner最近的一項調(diào)查顯示，46%的金融服務(wù)公司使用人工智能進行欺詐檢測。

Tabb Group的金融科技與歐洲研究的總負(fù)責(zé)人Monica Summerville說，在證券行業(yè)，公司在交易前和交易后風(fēng)險分析中都使用機器學(xué)習(xí)。

她說：“以傳統(tǒng)的方式進行風(fēng)險分析需要大量的計算，而且許多機器學(xué)習(xí)技術(shù)的近似法已經(jīng)足夠好了，而且速度也越來越快。”

Tabb Group最近進行的一次調(diào)查報告顯示 ，大多數(shù)證券公司計劃在未來12個月擴大人工智能的支出。她說：“這項技術(shù)被列為他們業(yè)務(wù)中最具顛覆性的技術(shù)?！?/p>

根據(jù)Gartner，人工智能還將影響更復(fù)雜的任務(wù)，如財務(wù)合同審查或交易發(fā)起。這家研究公司預(yù)測，到2020年，20%的后臺工作人員將依賴人工智能進行非常規(guī)工作。

合規(guī)性挑戰(zhàn)

監(jiān)管者已經(jīng)熟悉監(jiān)管金融機構(gòu)用來評估信貸風(fēng)險或發(fā)現(xiàn)可疑行為的模型的困難。例如，模型可能非常復(fù)雜，難以分析?；蛘咚鼈兛赡苁莵碜缘谌焦?yīng)商的專有模型。

有一些方法可以解決這些問題，例如對模型進行獨立審查，并使用補償控制，如斷路器。在某些方面，人工智能驅(qū)動的系統(tǒng)可以像傳統(tǒng)的統(tǒng)計模型一樣被對待，但它們也帶來了額外的擔(dān)憂。

Federal Reserve董事會成員Lael Brainard在去年秋天的演講中曾說：“人工智能可能在不透明性和可解釋性方面會產(chǎn)生一些挑戰(zhàn)，認(rèn)識到在使用人工智能工具時可能存在某些情況是有益的，即使它可能是無法解釋或不透明的。由此也可知，人工智能工具應(yīng)受到適當(dāng)?shù)目刂?。?/p>

她說：這包括對工具如何構(gòu)建、在實踐中如何使用以及數(shù)據(jù)質(zhì)量和適用性的控制。

可解釋性——也被稱為黑盒問題——是人工智能系統(tǒng)的一個特殊問題。使用傳統(tǒng)的統(tǒng)計模型，數(shù)據(jù)科學(xué)家手動選擇對特定決策或預(yù)測至關(guān)重要的因素，并決定對這些因素給予多少權(quán)重。然而，人工智能系統(tǒng)可以識別以前未知和難以理解的模式。這使得銀行很難遵守監(jiān)管機構(gòu)的規(guī)定，例如《平等信貸機會法》和《公平信貸報告法》，這兩項法律要求銀行解釋他們在做出決策時使用的因素。

Brainard 補充說：“幸運的是，人工智能本身可能在解決方案中發(fā)揮作用，人工智能社區(qū)在開發(fā)‘可解釋人工智能工具方面取得了重要進展，重點是擴大消費者獲得信貸的機會?！?/p>

隨著Synchrony開始關(guān)注人工智能和機器學(xué)習(xí)的信用決策，黑匣子問題也成為該公司面臨的一個問題。Synchrony的Simpson說：“我們希望在我們的模型中構(gòu)建可解釋性，并指出做出決策的原因。這不容易做到?！?/p>

例如，他說，不能出于歧視性的原因做出決定。“你不能說，‘我不會為這個郵政編碼的人提供信用證，因為這是違法的?！?/p>

該公司還花費大量精力確保用于培訓(xùn)人工智能模型的原始數(shù)據(jù)不會有偏差。Simpson說，這就是公司需要這么多數(shù)據(jù)科學(xué)家的原因之一。

公司采取的一種減少偏見的方法是從多元化的團隊開始。

他說：“如果沒有多元化的團隊，就很難確定數(shù)據(jù)中的偏差，因為你的團隊可能存在偏差，作為一家銀行，這對我們來說尤為重要。團隊的多樣性是這個領(lǐng)域的第一個也是最好的防御?！?/p>

Maria Korolov 在過去的20年里，一直在采訪報道新興技術(shù)和新興市場。

原文網(wǎng)址

https：//www.cio.com/article/3373549/how-ai-is-revolutionizing-financial-services.html