後疫情時代,銀行從數字化轉型到智能化“遷徙”

數字化轉型正在進入“智能化遷徙”的時代,每一個銀行都在全力以赴,努力成爲這場遷徙的排頭兵,從而在數字化世界裏佔據優勢地位。

全球數據智能趨勢一覽

筆者在搜索了衆多機構發表的數據智能發展趨勢報告,並做了篩選和甄別後,參考了公開發布的八份高質量行業報告,總結出以下關鍵結論:

數據科學家進入2.0時代

相比較起過去的數據科學家角色,在更加強大的算力、更海量的數據、更優化的算法之下,數據科學家將更加關注業務價值、強化數據能力、建立工程能力。

持續智能崛起

人工智能技術將加速在不同領域的應用規模化,所以,以ML Ops爲代表的的持續智能技術將快速崛起並被衆多大型企業採用。通過使用這樣的智能基礎架構和工具鏈,人工智能技術能夠自動化、閉環、規模化地賦能業務。

以聯合計算爲代表的安全隱私人工智能技術將大行其道

隨着行業對於數據安全隱私愈發重視,數據的交易和交換將越來越成爲人工智能應用中訓練數據構建、融合的壁壘。這種背景下,以聯合計算爲代表的的分佈式人工智能技術,能夠兼顧數據安全和模型優化,將大行其道。

疫情推動了AI-Powered Chatbots的發展

疫情的出現,讓線下業務全面轉爲線上化智能化。越來越多企業,特別是金融企業,通過智能Chatbots來替代人工的服務和流程,在後疫情時代,智能的聊天機器人將成爲重點發展方向。

後疫情時代金融數智化趨勢展望

《銀行4.0》一書在2019年席捲全球,這本書的副標題是“銀行業務將無所不在,除了‘銀行’以外”。沒想到,疫情影響之下,所有線下銀行網點全部關閉,真的印證了這句話。

前幾天萬向控股董事長的講話中有一個觀點,筆者覺得很有道理,那就是:疫情之後,企業的數字化轉型,已經成爲了數字化“遷徙”,所有傳統業務都要全面遷徙到數字化世界。

而對於大部分銀行來講,數字化基礎相對於別的行業會好一些,有兩點趨勢需要關注:

  1. 後疫情時代要求銀行加速對於新技術的應用,同時要提升降成本的效率
  2. 雲計算和AI技術的應用程度將成爲很長一段時間內銀行差異化競爭力的體現

衆多先進的銀行已經在加快應用人工智能等技術,數字化“遷徙”,正在被規模化的智能化“遷徙”所替代,人工智能技術正在全面賦能銀行業務。

在參考衆多銀行業數據智能技術的趨勢報告並對他們的實踐案例進行總結後,我們發現了人工智能應用於銀行的三個重點趨勢:NLP、異常檢測和機器學習平臺。

NLP技術進一步擴大應用場景

以Chatbot爲代表的自然語言處理技術,在後疫情時代充當着連接用戶與銀行、提供更好的用戶體驗的角色,未來NLP技術將進一步擴大在銀行裏的應用場景。

像富國銀行、美國銀行、匯豐、萬事達、花旗銀行、摩根大通、蘇格蘭皇家銀行等衆多全球頭部銀行,都全面構建了自己的聊天機器人,爲客戶提供各種線上智能服務,比如自動賬戶服務、預測性分析、金融投顧服務、問題跟蹤等。

與此同時,NLP技術也在廣泛的應用場景中獲得了突飛猛進的發展,監督學習和非監督學習技術不斷深度應用到NLP中,而自然語言理解、自然語言生成、語音識別等領域也成爲了下一個階段的重點發展領域。

異常檢測在風控和反欺詐領域發揮更多價值

全球知名的人工智能研究和諮詢公司EMERJ在2020年做了一個分析,在全美TOP7的銀行,人工智能供應商服務的業務領域分佈如下圖所示:

在這個統計分析中,我們發現,反欺詐、風險管理、合規管理佔據了46.1%的比例,這說明銀行對於異常檢測(Anomaly Detection)技術的需求是在不斷增長的。

丹麥最大的銀行,丹斯克銀行,是北歐領先的金融服務機構,利用異常檢測的技術,每天減少了1200次誤報,將誤報率降低了60%,將真實欺詐的檢測率提高了50%;摩根大通利用異常檢測技術檢測網絡釣魚郵件,規避對銀行員工的惡意欺詐,實時對交易進行檢測及預警,實現反洗錢及自動終止欺詐;花旗銀行也廣泛地將異常檢測技術應用到控制所有交易,在不減慢理賠流程的情況下,提供風險和欺詐檢測服務。

在各家銀行都廣泛應用異常檢測技術的基礎上,異常檢測技術也呈現了以下四個方面的發展趨勢:

  • 高響應

“道高一尺,魔高一丈”,各種欺詐、攻擊的形式層出不窮,需要異常檢測技術有更高的響應力,從而更快、更準的應對各種新手段和方法。

  • 更實時

爲了儘可能降低風險、欺詐檢測給客戶帶來的損失,異常檢測技術與流數據處理技術緊密結合,提供更實時的服務,能夠在第一時間終止欺詐行爲。

  • 去中心化

從原來中心化的訓練、分析、建模、應用,走向去中心化的異常檢測應用,從而縮短處理鏈,提高響應力,並提供更加個性化的服務。

  • 基於機器學習

從原來的專家系統、業務規則配置結合的方式,更多地走向以機器學習爲中心的異常檢測技術。

機器學習平臺將成爲智能規模化的必備基礎架構

銀行是人工智能規模化應用的前沿陣地,各種數據智能技術生長髮展的沃土。如何加速各種新技術在銀行的規模化應用呢?

我們發現,很多銀行已經或者正在構建企業級的機器學習平臺。

通過企業機器學習平臺的建立,爲所有的業務部門、領域提供一站式、端到端的,從業務場景識別、數據試驗,到數據採集、數據訓練集構建、數據模型訓練、算法調優,到模型調優、模型發佈的連貫自動化人工智能生產線。

比如,摩根大通建立了一個名爲OminiAI的平臺,能夠自動識別和提取相關數據,用來自動訓練AI模型,這個平臺爲它節約了近1.5億美元的開支。

所以,我們能看到,企業級機器學習平臺已經成爲銀行智能應用規模化的必備基礎架構。

後記

在後疫情成爲常態的情況下,麥肯錫提出四個戰略領域需要所有的企業予以關注,“恢復收入、重建運營、重構組織、加快全面數字化”,而緊抓數據智能的發展趨勢,將人工智能技術快速應用到銀行業務場景,是實現這四個戰略的加速器。數字化轉型正在進入“智能化遷徙”的時代,每一個銀行都需要全力以赴,爭取成爲這場遷徙的排頭兵,才能在數字化世界裏佔據優勢地位。

作者介紹:

史凱,ThoughtWorks數據和人工智能業務總經理,精益數據體系創始人,全球DataIQ100人數據賦能者,騰訊雲最有價值專家TVP,首個數字化轉型對話節目《數字化奇葩SHUO》發起人,公衆號《凱哥講故事》作者。

近二十年企業信息化、數字化經驗。程序員出身,後從事企業IT戰略諮詢和實施工作,對雲計算、大數據、企業架構有豐富的實踐經驗,成功主導多個大型企業的數字化轉型從頂層規劃到實踐落地。目前專注於企業數智化轉型體系建設和頂層規劃,致力於利用數據智能技術打造數字化新諮詢服務。

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章