第四范式王卫:未来银行网点不会消失,而是转型做不同的事情 | 兵器谱访谈录

  • 日期:07-21
  • 点击:(1616)


金融科技正在越来越深刻地改变金融业的生态,所有组织都在数字化转型中迅速发展。为了应对这种转变,Fintech基于人工智能,大数据,云计算,区块链和其他技术,以帮助数字化,智能化和创新金融服务中的产品和服务。这些产品和服务同样有效。 “武器”。

在此基础上,Zero Financial启动了Zero Weapons Spectrum项目,对Fintech进行调查和报告,Fintech处于创新的前沿。

科学研究所遵循的理论基础和实践规范被称为“范式”。图灵奖获得者吉姆格雷将人类科学的发展阶段划分为四种范式,即经验科学范式,理论科学范式,计算科学范式和数据密集型科学范式。他认为人文科学已进入第四个范式时代。人工智能行业还有一个“第四范式”,但这是一个专注于人工智能技术和服务的提供商。

2018年12月,“第四范式”成为行业中的五大国有科技公司。目前,智能银行和开放式银行的概念正在掀起银行业的转型浪潮。什么是吸引银行业继续增加其秘密的“第四范式”?人工智能技术的独特理解和银行业发展方向的判断是什么?几天前,Zero Financial对第四范式应用创新部的咨询总监王伟进行了专访,期待通过他的解释找到上述问题的答案。

发问者|零财务

受访者|王伟(第四范式应用创新部顾问主任)

以下是对话记录:

零财务:您如何看待“人工智能”,“机器学习”和“深度学习”的概念?

王伟:人工智能是美国科学家在20世纪50年代提出的一个综合概念。它涵盖了丰富的内容,如机器人,计算机视觉,人机智能交互,知识推理和自然语言识别。例如,银行的机器人客户服务和用于通过自助服务机打开信用卡的人脸识别技术都是人工智能的技术应用。

机器学习是人工智能领域的核心技术。从历史样本数据的研究中获得的经验用于数据分析,以获得理想的识别或预测结果。获得的经验越多,分析结果就越准确。

深度学习是神经网络发展的机器学习的一个子集。简而言之,深度学习的工作机制与人脑的工作机制相同。它建立了一个层次关系网络,用于学习和探索,模仿人类大脑解释图像,声音和文本等数据的机制。与机器学习相比,深度学习需要更多的数据用于培训和学习。 AlphaGo是深度学习的一个例子。深度学习会消耗大量资源,尤其是对硬件资源的需求(需要GPU资源)。此外,深度学习模型需要更长的时间来计算。

对于图像,声音和文本识别等计算机视觉应用,深度学习有其自身的优势。机器学习更常用于传统的决策制定应用,例如银行业的反欺诈和产品营销。但这并不意味着机器学习和深度学习是严格分开的。例如,第四范式“先知”机器学习平台嵌入了深度学习的计算框架。

零金融:银行业中是否有任何不适合人工智能的业务场景?

王伟:了解人工智能应用的本质可以了解哪些场景适合应用人工智能,或哪些场景不适合。人工智能的核心目标是用机器的计算能力取代人力,实现商业价值。因此,业务需求决定了人工智能的应用场景。

人工智能有效运作的业务场景分为两类。一种是用机器的计算能力代替手动操作,以提高效率并降低成本。银行的运营部门仍然需要投入大量人力来审查文本数据。举一个简单的例子,检查手写的支票金额,银行的运营部门需要大量的人工审查和录入。我们可以用人工智能取代人力资源,用机器识别文本,节省人力资源,降低成本。

另一种是使用人工智能来获得比“专家规则”更好的结果。银行传统营销或反欺诈是通过“专家规则”建立的模型,以提高业务成果,但“专家规则”下的模型有许多约束和限制。数以千计的产品推荐,广告推送,或提高反欺诈和其他风险控制方案的效率,人工智能带来比传统“专家规则”更好的业务成果。

如果在某种类型的业务场景中样本数据的累积很小,则可能不适合基于机器学习的方法提供决策基础。

零金融:第四种范式在银行业中更具代表性的项目是什么?

王伟:第四种模式已经建立了四年多,为许多银行客户提供服务,并分享了两种典型的应用场景。一个是国有大银行的精准营销项目。这是一个以机器为中心的应用程序,它基于客户,并向客户推荐合适的产品。这也是“长尾客户”营销中机器学习的典型案例。 “长尾客户”是指资金相对较少的普通客户。目前银行业的竞争压力使得许多银行越来越重视长尾客户的营销。

通过机器学习建立模型并在业务验证后,与过去的专家规则相比,我们最终实现了575%的营销成功率提升;在相同数量的激活客户的情况下,出境营销量减少了99%;学习能力,经过三个月的自学习迭代后,前10%的客户的回复率翻了一番。因此,在这种“长尾客户”营销的情况下,银行一方面实现了成本降低和效率提高,另一方面促进了销售并提高了营销成功率。

查看风控应用程序的示例,该应用程序是一家股份制银行信用卡中心的交易中反欺诈项目。对于银行中的反欺诈交易,平台必须能够检测实时欺诈交易。最终效果是99.9%的事务在20毫秒内完成,实现了高性能的实时处理能力。

零金融:第三方技术公司在“开放式银行”下有哪些机会?

王伟:从银行的角度来看,他们正在对“开放式银行”进行业务转型。过去,银行在自己的营业网点和手机银行提供服务;现在银行开始转型为智能银行和开放式银行。在开放银行的背景下,银行可以提供自己的开放服务平台,允许第三方参与服务;另一方面,银行可以将自己的业务服务嵌入到第三方应用场景中。

当银行将服务扩展到第三方方案时,它们将带来一些新的衍生机会。一方面,各种第三方平台的流量对银行业务有自己的价值;另一方面,与银行传统应用系统累积的数据相比,银行与第三方服务平台的对接将产生越来越丰富的数据。现在有来自互联网和更多业务场景的数据。基于这些数据,我们可以帮助银行在人工智能方面做更多工作,开发新的业务方案,更准确地预测和分析。

零金融:人工智能的不同类型银行的需求是否一致?

王伟:应该说,由于市场规模,IT成熟度和数据积累的差异,不同的银行,包括其他一些金融机构,在应用人工智能方面有不同的门槛。他们需要面对不同的方式。挑战。但一个共同点是银行业拥有大量数据,因此人们对银行业人工智能技术和服务应用的需求可以说是非常大的。

今天的银行面临着越来越大的市场竞争压力,他们需要建立一个更敏捷的市场反应机制,并且需要从主要提供服务转向主要客户,向长尾客户提供个性化服务。因此,银行业务转型和数字化转型发展战略对人工智能的需求普遍从试探探索转向积极拥抱。

此外,我们已经看到业务需求带来了更多的人工智能应用场景,人工智能应用本身带来的业务价值和治理需求也影响着银行业务的转型和发展。如今,不同规模和规模的银行对人工智能的需求不同,但需求方向相同。在人工智能转型过程中,银行需要一个企业级平台,帮助他们快速建立人工智能业务场景,提升业务价值,并在自我控制的前提下实现规模发展,这就是银行。人工智能应用的共性。

零金融:银行如何更好地支持人工智能应用?

王伟:支持人工智能有三个支点。第一种是高级算法,第二种是大量数据,第三种是足够的计算能力。对于银行而言,他们中的许多人现在使用标准PC服务器来构建一整套大数据平台和人工智能计算平台。整个平台系统的建立复杂,长期,缓慢,由于人工智能平台对资源的特殊需求,标准服务器提供人工智能计算能力存在一定的发展空间限制。

在银行越来越多地使用人工智能的背景下,对计算能力的需求正在增长。通常在大型系统中部署数百台服务器以支持人工智能,甚至在未来扩展到更大规模。为了帮助银行更快地部署人工智能集成框架,可以更快地实现人工智能带来的业务价值,并且可以高效且经济地实现整体运营和维护。根据手册,第四个范例推出了集成机器SageOne。智能应用程序要求专门针对硬件和软件进行设计和优化,以帮助银行客户构建自己的人工智能应用程序平台,从而降低TCO(总体拥有成本,即总体拥有成本,从产品采购到使用后和维护成本) )。

RVp1AdO6i8giZr

SageOne一体机

Zero Financial:随着人工智能和其他技术的发展,银行的线下网点最终会消失吗?

王伟:现在银行业正处于快速转型的过程中,每个人都在讨论银行的网点是否会在拥有一家手机银行后消失。这不是一个新主题。事实上,我们已经看到主要银行的网点数量并未显着减少。

过去,银行网点以人/集装箱服务的形式提供主要服务。现在他们正在转向越来越多的自助服务设备和服务,并且有更多的人工智能应用程序。例如,前端应用人脸识别技术和后端应用客户风险评估人工智能模型用于打开卡开放过程,业务在人工智能的技术支持下有效开发。因此,银行业的转型并不意味着网点将来会消失,但网点会做不同的事情,银行会做不同的事情。在银行转型过程中,人工智能将发挥越来越重要的作用。

零金融:你能在第四范式中引入“1 + N”的概念吗?

王伟:今天,银行需要做人工智能,并不是说银行业务和服务的各个方面都会立即使用人工智能。人工智能的发展是银行业务领域的一个循序渐进的过程。因此,当第四范式向银行提供人工智能服务时,我们将与客户讨论“1 + N”商业模式。我们认为这是银行转变为人工智能的必然过程。 “1”是银行对人工智能的探索和转型。它需要找到适合人工智能应用程序探索的一个或多个核心业务场景,这使银行能够看到人工智能带来的直接业务价值。围绕这些核心业务场景,人工智能平台用于通过高维,实时和闭环技术优势实现最终效果。

“N”是以尽可能多的方式扩展效率最高的应用场景,实现人工智能的规模效应。当银行从发展规划的角度探索合理的人工智能建设路径时,将推动更多业务模块转化为人工智能,从而实现“1”驱动“N”的规模化发展效果。我们认为这是银行对手动智能转型的必然过程。同时,人工智能仍有一定的门槛,这需要大量的技术和人力投入。我们如何快速实现大规模人工智能应用?在这里,一些新技术,如架构底部的自动机器学习,再加上我们刚才提到的单机电源的支持,可以帮助银行有效降低人工智能的技术门槛,完成自动化模型培训,解决人员瓶颈,快速实现“1 + N”发展战略。

扫描下面的二维码添加作者,与作者交流或加入小组:

在技术融资的潮流下,谁能从5000多家金融科技公司中脱颖而出? Zero Financial发起了对金融技术武器频谱的采访,以探索,记录和传播业内出色的商业案例。

我们欢迎相关公司推荐自己或专业推荐。我们将选择合格的公司进行面试,并有机会被选为零金融金融技术武器频谱列表。

[财务科技武器访谈记录案例集]

致电联系:啊是

电话:18917736618

电子邮件:

扫描代码添加联系人↓↓↓