从三个层面,剖析人工智能在金融行业的技术应

 行业动态     |      2022-12-24 13:25

  将应用在金融领域的人工智能技术划分为三个层级:第一基础层,第二通用层,第三应用层。

  基础层为算法提供了基础的计算能力、工具和系统。一方面,除了中央处理器和图形处理器,还具备不同的计算芯片和服务器以来满足不同的运用场景;

  另外一方面,基础层还是人工智能系统软件和开发框架作的底层支持性工具,可以极大地提高开发效率,简化开发流程和有效降低开发成本。

  1.生物特征识别

  生物特征识别技术包括语言、脸、指纹、个人习惯等行为相应进行识别的技术。通过摄像头捕捉,特征提取,再对特征进行分类,完成匹配。

  随着现代金融业务的在线化发展,越来越多的业务场景需要对客户进行远程的身份核实和认证,生物识别技术也因此在金融领域遍地开花。

  特别是在移动端,生物特征识别技术因为其便捷的人机交互体验和保密安全的特点已经成为移动智能终端的标准配置。目前,在金融领域的生物识别技术多用于多用于客户身份验证、远程开户、刷脸支付等场合。

  2.计算机视觉

  计算机视觉技术是指运用设备捕捉观测对象产生的图像或者是视频中产生的信息,通过以计算机能够理解的方式进行分析和处理,从而使得计算机能够识别目标的过程。

  计算机视觉包含很多技术,如图像分析、视频分析,以及衍生的人体姿态识别、目标跟踪、SLAM(同步定位和地图构建)、OCR(光学字符识别)等子技术。

  目前已有计算机视觉技术达到商业化的水平。在金融领域的标准化使用场景中,人脸识别、票据识别、场景识别等技术的应用取代了原有的重复人工作业,并升级出更高效、便捷的客户交互方式。

  3.知识图谱

  知识图谱一般是用来描述信息资源和资源载体之间的关系的技术,两者的关系一般包括挖掘、分析、构建和显示等。在金融应用场景中,高度关联的有知识图谱技术、NLP 和大数据分析。

  通过知识图谱技术构建的产业链图谱是赋能金融机构智能投研的重要工具,产业链图谱可以有效提高金融机构获取行业信息和企业信息的便利性,提高研究分析的效率。

  例如,数库科技建立的 SAM 产业链囊括了与其他行业分类体系的映射逻辑,形成覆盖 A 股、港股、美股、债券、新三板等 20000 多家上市公司业务明细的动态产业链生态网络体系。

  针对券商、银行等金融机构原有的使用习惯,数库科技可以有效整合金融机构内外部信息,一方面可以实现金融机构数据的有序积累与知识沉淀,

  另一方面可以通过全景图谱打破信息孤岛,串联孤立数据提升数据分析价值,不断延展产业链数据的兼容性和关联性。

  目前,SAM 产业链包括 100 多万个细分产业节点、1万多个可连接数据的标准化产品节点、10 多万组上下游产业关系,帮助金融机构建立智能产业数据的跟踪能力,并进一步帮助金融机构实现智能投资和研究、智能风控和智能营销等场景。

  4.自然语言处理

  自然语言处理技术是指运用计算机处理、分析人类的自然语言,能将各种形式的信息,比如文本信息,通过自然语言处理和知识图谱,大大提高了数据获取能力,数据清洗能力,数据深度加工能力。

  自然语言处理技术目前广泛应用于金融行业的各个细分领域,例如文本合规检查、数据检索等,且越来越成为更多业务场景中不可或缺的一部分。

  自然语言处理技术往往与语音技术相结合,创造出更加智能的客户交互模式,一方面减少了人工座席数量,优化了运营成本;另一方面,基于对信息的挖掘较人工操作的强大优势,可以对资讯进行高效处理。

  5.智能语音

  智能语音技术实现了人机语言通信,创造了更智能的客户互动模式,包括语音识别技术(ASR)和语音合成科技(TTS)。

  智能语音技术目前已经成为中大型金融机构在人工智能技术应用的标配之一,在身份识别、智能客服、智能理赔等多个场景已实现技术落地。

  整体来看,智能语音技术最具价值的应用在于与客户交互、服务相关的环节中,起到降本增效的目的。

  6.其他

  随着人工智能技术的不断更新和迭代,培训前模型和虚拟数字人等新兴前沿技术正在逐渐使金融业成为可能。

  预训练模型是通过对大量训练数据进行预先学习,完成参数与算法结构定义的模型统称,通过微调的方式,将预训练成果嫁接到新问题的解决过程中,大大减少新模型的学习时间,节约开发成本。

  在金融行业对高频业务场景中,目前主要通过结合NLP技术对文本或音频的关键词提取并进行高精准度情感分析。

  虚拟数字人是指基于真人视频影像,利用计算机视觉和语音合成等技术,对真人图像、声音和动作进行模型训练,并生成具有任意编辑内容的真人解说视频。

  在金融领域,虚拟数字人可在虚拟接待,引导业务办理,解答业务问等业务场景发挥作用。

  除此之外,知识计算、脑机接口、多模态分析等很多人工智能新的研究领域,随着技术研发和应用能力的不断完善和突破,将在金融的智能化场景应用中不断释放新的价值。

  1.智能营销

  智能营销是指利用人工智能、物联网、计算机和互联网通信等现代科学技术,通过建立客户画像、进行图谱构建,从智能化获客到精准施策达成交易的智能营销新模式。

  利用知识图谱和 NLP 等人工智能技术金融机构可以将自身储存的大量客户信息,不仅可以通过深度数据分析转化为营销资源,还可以根据用户画像实现精准的营销定位并且在此基础上深挖客户潜在需求,大大提高了市场营销的转化率。

  与此同时,RPA 帮助企业完成营销自动化,解放企业人力资源,助力营销降本增效。

  2.智能身份识别

  生物特征识别技术利用其便捷性、广泛性和相对稳定性的特点,助力金融机构在智能身份识别业务场景落地应用,其在减少金融欺诈和扩张传统业务方面发挥作用。

  通过引入智能身份识别技术,商业银行在基本阻断了冒名开户和冒名支取的经营风险的同时还大幅简化了支付流程,推动了电子化支付的广泛应用。

  除此之外,金融行业的传统个人业务也在诸如人脸识别等认证技术的帮助下实现了远程化,线上化和简便化。声纹识别技术的应用,有效弥补了缺乏人脸识别使用条件的语音交互场景。

  声扬科技通过声纹识别技术,帮助金融机构进一步降低骗贷骗保的风险。这不仅扩大了金融机构的业务覆盖面,也有效地促进了普惠金融的进一步深化。

  随着生物识别技术与金融业的进一步融合,已经落地应用的认证技术也在迭代更新,例如部分城商行希望用指静脉识别取代现有的指纹识别技术。

  与其他生物识别技术相比,指静脉识别技术由于不可复制、不受外部环境的影响,因此具有更高的安全性。

  3.智能客服智能

  客服是利用RPA、NLP、知识图谱、智能语音、机器学习等技术,是一种基于大规模知识处理的技术引擎。它可以提供基于语义的智能应答服务,帮助企业完成面向客户的知识管理。智能客服已经成为现代金融机构与客户间沟通交流最高效的模式。

  4.智能投顾

  智能投资顾问是指通过云计算、大数据、人工智能等多种技术手段,以资产组合理论等论为基础,

  构建以数据为基础的模型和算法,然后根据投资者的风险偏好、财务状况和收入目标,输入相应变量创造的模型,从而自动的为客户形成投资建议,并可以持续跟踪和动态调整投资组合。

  智能投顾与人工服务相比,更加自动化、个性化同时还低费率。在人工智能技术的加持下,智能投顾建立起了融合投资分析算法和投后自动化管理为一体的模型,

  只要获取客户的投资偏好就可以帮助客户获得一套定制化的兼顾主、被动投资策略的投资组合,从而实现有效的自动化投资管理。

  总的来说,基础层,是指可以提供底层基础软硬件和计算能力的层级。人工智能算法框架、智能硬件、系统软件主要为支撑人工智能算法训练、推理和应用。

  利用基础层提供的资源,针对金融场景中应用层的需求开发系列通用技术,为解决金融实际场景中的问题提供了完备的技术手段,它们从感知、认知和过程自动化方面提供全面的技术能力。

  应用层,融合技术与业务需求而产生的行业场景。应用层,通常来说,主要针对业务场景提供不同的智能解决方案,这是多种通用层技术的集合。

  人工智能通过三个层级的技术赋能,对金融业产生深刻的影响。

  (文章不作商业用途,无意侵犯任何人的权益,如有信息纰漏请私信作者修正。本文系原创作品,谢绝转载,抄袭、洗稿必究。)

  举报/反馈