商业银行推进人工智能应用的建议

◎张德茂

人工智能指采用计算机对人的行为进行智能模拟的统称，包含训练计算机实现自主学习、判断和决策等一系列与人的思维与行为相关的内容。现阶段，人工智能技术包含了智能机器人、语音识别和自然语言处理、深度学习以及计算机视觉五大类。对商业银行而言，人工智能不仅是一场技术革命，更是业务模式和经营理念的革新，能够改善银行业的管理效率与成本，提升整体管理水平，重建商业银行核心竞争优势。

人工智能对商业银行的影响

1.支撑大数据、区块链等新兴技术应用，助力打造智能银行

在智能银行的构建过程中，人工智能支撑着大数据、区块链等新兴技术的落地应用。一是与大数据、云计算实现融合应用。云计算和大数据是促进人工智能迅猛发展的关键驱动力。而人工智能的迅猛发展也会使大数据越来越丰富，为云计算的发展带来机会和挑战。未来，云计算会变得越来越智能化，并进入一个崭新的智能时代。二是与区块链基于双方各自优势实现互补。人工智能包含数据、运算能力与算法三个核心要素。在“数据”方面，二者可以各自发挥作用，人工智能承担业务自动处理与智能化决策任务，区块链可以提供可靠的数据；在算法方面，二者可以彼此渗透。事实上，区块链的智能合约就是一种算法的代码，所以可以将人工智能植入区块链中，使合约变得更为智能。三是支持5G业务创新。5G网络需要智能化运营。目前，人工智能在通信网络中的典型应用场景就是5G智能化的网络切片[1]，采用人工智能技术，基于顾客的各种需求来选择最恰当的切片部署一个模型；同时利用预测功能，根据业务需求实时调整资源。

2.变革商业银行的业务模式和经营理念

一是提升业务办理效率。如招商银行“闪电贷”就是以银行内部数据以及个人征信、POS流水记录和税务等第三方机构数据为基础，充分运用大数据信用评分模型和人工智能决策系统，在革新客户体验的同时提升银行贷款审批效率[2]。二是优化成本控制。从银行角度来说，人工智能在规范化、远程与高频度金融业务中更加适用，在智能化的客服、投资咨询、账户服务与量化交易等领域有着巨大的应用潜力。此外，机器人与智能客服等一些智能技术的运用将辅助或全面代替人工，降低人力成本；利用智能机器办理业务，凭借自动化与电子化，无需要耗费纸质资源，能在很大程度上减少材料损耗、纸张和库房等一些硬性成本支出，从而实现对运营成本的有效控制。

3.拓展商业银行的应用场景

人工智能在商业银行的应用主要体现在前、中、后台，前台主攻业务发展，中台主攻风险控制，后台主攻安全基础建设。由此拓展了商业银行的相关应用场景，即智能客服、机器人小I、智能投股、分析预测、风险控制与智能监控（见表）。在不同应用场景所需要的人工智能技术类型中，语音识别和自然语言处理主要运用于智能客服和智能投顾场景中，不仅能为客户提供细粒度知识管理技术，还为银行与海量用户之间建立有效的沟通；机器人视觉被运用于智能监控和分析预测中，这是因为运用视觉技术能够有效跟踪和识别目标，对身份进行鉴别，能够在银行各种监控场景加以应用；而深度学习则被广泛应用于智能银行中的所有场景中。

表 人工智能在商业银行的应用场景与相关技术

商业银行应用人工智能的SWOT分析

1.优势（strengths）

作为与信息技术融合最深的行业之一，商业银行在推动人工智能应用落地方面也具有一定的优势。

（1）长期以来，商业银行十分重视科技投入，具有较好的技术基础。近年来，国内商业银行陆续通过战略部署金融科技发展，全力推动银行的数字化、智慧化转型，完成了从被迫改革到主动拥抱金融科技发展的转变。《中小银行金融科技发展研究报告（2020）》显示，2019年，国有大型银行和股份制银行金融科技/信息科技资金投入合计1008亿元，占营收比重总体上超过了2%。其中，中国建设银行、中国工商银行、中国农业银行和中国银行4家大型银行投入超过百亿元，其中，中国建设银行以176.33亿元位居首位。

（2）商业银行的资金相对充足，能够承担试错成本。近年来国内商业银行纷纷从技术层面发力，将人工智能作为转型升级的核心战略，加快智慧网点、智能风控、智能客服以及智能投顾等应用场景落地。如浦发银行创新推出i-Counter智能柜台，通过对人工智能、生物识别和语音识别等新技术的运用，促进了柜面业务迁移和人员释放[3]；招商银行在手机银行5.0的版本上推出“摩羯智投”，融入招行十多年基金研究及财富管理实践，运用机器学习算法构建以公募基金为基础、全球资产配置的“智能基金组合配置服务”等。

2.劣势（weaknesses）

现阶段，商业银行在开发及应用人工智能技术方面还存在着一些瓶颈：

（1）底层技术开发程度不够。目前，互联网公司采用技术叠加金融场景，尤其以底层技术的应用最为擅长。商业银行主要是金融场景上叠加技术，更注重通过技术手段搭建平台。相对于科技公司，商业银行在底层技术研发能力方面仍处于劣势。

（2）数据治理不到位。银行业开展人工智能探索需要以大数据技术为基础，引入新数据后往往会面临非常多的特征维度，少则几千，多则上万，且非常稀疏、低饱和，远超出传统风控评分卡体系的建模能力。目前银行已有的数据准确性较高，但是宽度和广度不足，无法全面刻画客户360度视图，较难结合应用场景做出综合判断，影响人工智能的应用效果。

（3）场景渗透度不深入。人工智能在商业银行的应用必须要和特定的业务场景深度结合，否则技术只能停留在概念阶段。商业银行长期以来的经营模式为“以产品为中心”，而忽视了市场需求的快速变化。尽管目前商业银行业在第三方支付、直销银行和消费金融方面开始发力，但场景深入度仍达不到百度、阿里、腾讯和京东等科技公司的水平，限制了线上客户流量增长。

（4）相关复合型人才稀缺。《2018年中国金融科技调查报告》显示，一半以上的传统金融机构认为金融科技人才的流动性比常规部门员工的流动性更高，不少传统金融机构表示会出现团队流失的情况。此外，在高度不确定性的业务环境中，团队协作、工作分配和机制磨合等也带来了内部管理压力，增大了员工的流失风险。

3.机遇（opportunities）

（1）我国互联网用户体量很大，沉淀的数据也颇具规模。中国互联网信息中心（CNIC）第46次《中国互联网络发展状况统计报告》显示，截至2018年底，我国网民数量达到8.3亿人，全年新增网民5663万，互联网普及率达59.6%，较2017年底提升3.8个百分点，超过全球平均水平（57%）2.6个百分点。庞大的用户数量沉淀了大量的数据资源。

（2）政策促进人工智能在商业银行的应用。2018年7月，国务院发布的《新一代人工智能发展规划》中提出，鼓励金融行业应用智能客服、监控等技术和装备，建立金融风险智能预警与防控系统。2019年9月6日，中国人民银行正式发布《金融科技（FinTech）发展规划（2019-2021年）》，提出要充分考虑到新一代人工智能发展特征，稳步推进人工智能技术深入应用于金融行业，实现与金融业务的深入融合。银行业应用人工智能、大数据的时代大幕正在开启。

（3）大量科技公司的涌现为商业银行应用人工智能提供有力的技术支撑。从全球看，我国的人工智能应用水平处于领先地位，这主要得益于大量科技公司涌现，对人工智能底层技术，如深度学习技术、神经网络技术等进行了深入研发，能够为商业银行开展创新应用提供有益的价值输入。近年来，商业银行致力于打造合作、共建、共赢的“科技+金融”生态圈。

4.挑战（threats）

（1）应用标准尚未统一。现阶段我国对人工智能产品尚未建立统一标准，使得机器学习成本较高，导致人工智能技术和用户界面各自为政，不利于后期落地应用。此外，我国信息披露也尚未制定统一的标准，难以保证信息的机密性和用户的知情权。

（2）监管机制滞后。长久以来，我国金融监管基本依靠事后监管。在金融科技快速发展时代，人工智能技术正在重塑银行前台营销、风险控制和后台客服等重要环节，突发金融风险的波及程度将会超过传统业务，可能导致金融市场混乱，造成投资者损失，目前缺乏现成的法规去厘清责任，处罚不当行为。

（3）存在技术安全风险。由于商业银行应用人工智能技术尚处于探索期，存在算法缺陷、响应不及时以及人脸识别安全性弱等技术问题。通过机器深度学习得出的投资建议有可能与市场特征不匹配，造成投资者损失。

对策建议

1.完善应用规划顶层设计

（1）提高对银行业网络化、智能化发展趋势的认识。从战略视角，加大对大数据、人工智能以及互联网等新兴技术在商业银行的应用研究，构筑适应数字经济的新金融体系[4]。从业务视角看，应结合金融科技战略定位及技术应用需求，制定智慧网点、智能客服、智慧风控场景的应用规划，为客户提供智能化、泛在的金融服务。从管理视角看，应建立更加扁平化的管理架构，实现跨部门、跨条线的高效管理。

（2）制定明确的商业目标。目前尚未出现普适性的人工智能“终极算法”，因此，短期内商业银行不应求全求大，需明确阶段性目标-可采用的技术框架、效果评价体系等。开发人员和业务人员应加强沟通合作，明确待解决的问题、解决思路以及所需条件等情况。

（3）进一步增加科技创新投入。建议商业银行加大对人工智能产品、技术改造的资源投入力度，大力支持移动金融、智慧网点和智能风控等重点项目。可从每年税后利润或营业收入中拿出固定比例投入到IT建设中，为系统优化、渠道转型、生态圈构建和对外合作提供资金支持。

2.建立金融数据生态圈

海量数据是应用人工智能技术、加速创新和吸引技术人才的关键。为使内外部数据来源彼此融合，商业银行应该搭建管理高效、数据规范、技术高超和统一化的大数据服务平台。

（1）积极探索数据跨界融合和挖掘技术，持续推进语音识别、语义处理及机器学习技术在银行客户画像、精准营销和智能投顾等领域的应用，使金融产品和服务更具针对性和智能性，提升银行创新与渠道开发能力。

（2）整合银行内部存储数据，规范管理和使用。相对于其它行业公司，银行储存数据在价值、交易密度与绩效稳定性等方面更具优势。商业银行合理规划、使用大数据，提供更多的信息渠道来支持人工智能的信息获取，为深度学习筑下坚实的基础。

（3）整合银行内外部数据来源，支撑人工智能发展。全面整合各种渠道的有价值数据，通过与电商和社交平台进行深入融合，全面采集、整理、分析和应用数据，运用大数据技术实现系统与精细化算法应用，建立高效精准的数据分析平台。

3.拓展应用场景

（1）持续推进分布式架构转型建设。按照统一规划、分步实施、持续改进的原则，逐步完成手机银行、公司与零售场景、支付、大数据等核心平台的分布式改造，以及网银等其他渠道体系、场景应用体系建设。通过积累线下网点、移动互联网以及传统信息的数据，拓宽重要数据信息渠道，打造标准化的信息数据平台，实现银行智能与数字化经营。

（2）建立敏捷型IT运营模式。在新兴领域，针对客户管理开发模块及前端渠道组成独立的开发团队，通过IT团队与传统业务部门合作开展跨职能开发，完成以客户需求为中心的敏捷作业；在传统领域，如核心交易系统及后台模块，需通过模块化和测试导向的开发提高效率，打造直通式处理模式，实现规模效应。

（3）充分发挥金融科技子公司研发能力。以商业银行成立的金融科技子公司为依托，做好创新孵化工作，储备科技创新能力，实现科技能力输出，在服务好本行科技转型的前提下，在研发过程中将系统逐步产品化，进行同业输出，切入具体的资管、风险管理和客服等金融场景。

4.变革组织文化理念

（1）构建允许“试错”的企业文化。作为一种持续改进的探索性技术，人工智能的应用开发受模型选取、数据规模以及部门协作、监管要求等多重影响，易出现模型构建时间过长、实际应用效果不显著等问题，开发人员很难一次就成功，而是需要进行不停地测试和验证。基于此，商业银行需建立允许试错的企业文化，采取差异化的业绩考核机制，支持探索创新。

（2）建立开放、赋能的共享文化。面对新金融生态，商业银行在加强内部自身技术研发的同时，也要通过与科技公司进一步开展深入全面战略合作，加强人工智能在零售银行、消费金融、企业信贷、校园生态、资产管理和个人联名账户等领域的应用。同时，改变以往银行“一厢情愿”单一输出思维，主动和第三方合作者一起，利用自己的技术优势和服务优势赋能合作者，共同打造更为优质的服务，提高客户的整体服务体验。

（3）打造高效敏捷的团队，加强部门间沟通协作。人工智能技术成功应用的关键是将模型和算法潜入到银行业务中[5]，降低金融机构运营成本，这需要商业银行树立以客户为中心的理念，打破过去传统的条线管理限制，开展多部门之间的通力协作，构建企业家视角的人工智能系统，实现业务流程再造，从而提高业务办理效率、提升客户体验和银行综合竞争力。

5.完善风险安全防范机制

（1）分阶段发展相关技术。根据实际情况和人工智能技术的应用成熟度，本着谨慎原则，优先发展人工智能识别技术，逐步开展基于神经网络技术和机器深度学习的场景应用。

（2）在系统设计方面，开展更多白盒与特殊值的黑盒测试，在上线之前必须做好应急预案工作。

（3）进一步完善风险管理体系。在新技术落地应用前，需仔细查验深度学习框架和软件可能存在的漏洞，并在试用中得到逐步完善。