您现在的位置是:主页 > 评测室 > 人工智能成为金融领域的“老司机”要过几道坎?

人工智能成为金融领域的“老司机”要过几道坎?

时间:2017-03-05 15:15  来源:网络整理  阅读次数: 复制分享 我要评论

  摘要: 人工智能的求学之路,初期靠自家数据,武功日益千里,后期要多方化缘,殊难精进。

人工智能成为金融领域的“老司机”要过几道坎?

  2017年1月开始,日本寿险巨头富国生命保险开始利用价值170万美元的人工智能系统IBM Watson Explorer,取代34名人类保险索赔职员,约占理赔部员工的30%,每年维护费用则为12.8万美元。而可节省的人类员工薪资支出则达110万美元/年。仅此一项,不到2年,成本即可收回。

  2016年底,一直秉承人工智能威胁论的霍金在《卫报》的专栏中发文称:“工厂自动化已经让众多传统制造业工人失业,人工智能的兴起很有可能会让失业潮波及到中产阶级,最后只给人类留下护理、创造和监督工作。”不过几十天功夫,“失业”预言即在大金融领域成真。

  人工智能真的要骑在人类的头上,并在下完棋后把第一刀砍向人的钱袋子吗?

  人工智能是学徒,简单劳动下替代白领

  在复盘2016年初AlphaGo对战李世石、2017年化名Master连斩中日韩三国棋手的诸多文章里,常会引用一个数据“深度学习了3000万个围棋对弈”。

  其实这恰恰是人工智能的精华所在,即所谓3千万个对弈,就是围棋世界里的大数据,一个可以被收集、整理和捕捉的数据图谱。每一个AI能够惊世骇俗,根基也在于此。

  富国生命保险重金购买的人工智能其实就扮演了这么一个角色,通过扫描医院记录和其他文件,根据保理伤害、病人医疗史以及程序管理等信息,确定是否进行理赔。

  这一切都建立在一定的数据信息能够有效接入和掌握的基础之上,而拥有了不算真正完整的大数据流后,AI的工作则可以看做是——洗地。

  一个学徒的角色,帮助师傅打打下手,按照规定的流程、既定的标准,用已经明确量化好的审批程序来完成既定工作。一切都在老师傅的计划之下。只是比起人类学徒来说,更快速、更不容易出错。

  在同一篇报道中,另外3家日本保险公司也正在测试或安装人工智能,以便实现更多自动化任务,比如帮助客户寻找理想保险计划等。这其实依然是标准化作业流程下的循规蹈矩。

  这种标准化流程的最大好处就是解放了老师傅的双手,也节约了用户时间。以国内运用了人工智能的某手机贷为例,据称通过人工智能进行信审和风控的比例已经提升至90%以上,而另一个手机贷则宣称实现了单月放款笔数超100万。

  在这个过程中,无一不是按照标准化流程来比对各种数据。只是,人工比对,效率慢、用户等待时间长罢了。

  做帮工的AI和被其替代的那些人类员工,最大的共通之处就在于都是流水线上的工人,看似白领的业务,实际上都是简单劳动。如果用一个比方来对比当下的人工智能替代人类的水准,不妨用O2O来想象。

  以往的线下门店,除了广告和口碑来招揽生意外,还需要人类雇员到街头去散发各种优惠劵,比如肯德基,但O2O通过网上聚合的方式,将这个散发优惠劵和期间耗费的人工、时间以及投放人群的精准度都进行了简化,有需求的人根据优惠的不同、距离的远近,直接通过O2O平台进行选择,而线下门店仅需要根据电子优惠劵乃至先期抵达的电子菜单、座位预定做好后期准备即可。

  客人和门店的距离,缩短到了极致,效率得到空前提高,但对于最核心的服务来说,并无根本性改变。而人工智能目前在当前金融领域亦是如此,一个让客户无需等待的学徒模式。

  根据蚂蚁金服公布数据,网商银行的花呗与微贷业务上,使用机器学习把虚假交易率降低了近10倍,为支付宝的证件审核系统开发的基于深度学习的OCR系统,使证件校核时间从1天缩小到1秒,同时提升了30%的通过率。

  以智能客服为例,2015年“双11”期间,蚂蚁金服95%的远程客户服务就已经实现大数据智能机器人,同时实现了100%的自动语音识别。

  在这个基础上,再去理解李开复口中:“人工智能最好的应用领域之一是金融领域,因为金融领域是唯一纯数字领域。”其中真实的意味也就在于此了。

  也因此,智能顾投之所以成为人工智能+金融的第一站,除了受益于国内互联网理财的高渗透率、传统理财市场服务的空白、居民强大的理财需求等传统因素外,这方面的个人金融数据最为单纯,基本上只要掌握用户投资风险程度,即可作出数据筛选和产品推荐,而不似保险那样需要更多非金融领域的数据来源。

  获客和实现客源转换的难度与成本双低,也使得只是传统人工顾问投资效率加强版的智能顾投成了突破尖兵。

  可如果仅此而已,人工智能也就是一个快速工具罢了。这样的学徒是永远无法晋级老师傅的,尤其是在没有数据的前提下。而金融,也不仅仅是一个顾问投资而已。

  进阶帮工,人工智能先要迈过大数据的坎

  从学徒到帮工,必须有更多的数据。

  AlphaGo的成功就在于它掌握了围棋领域近乎全部的数据,也即大数据强调的全量样本。尽管面对人类的智慧来说,万一出现一个不懂围棋的虚竹用自绝死路的非正常方式打破僵局,依然可以在进入常态竞技的后半段,用标准化的下法,逼死绝顶高手。

  可如果没数据呢?李开复的解答看似很圆满:

  一是在金融界里相对隔离得非常清晰。金融领域是不跟其他定领域混在一起的,股票就是股票、保险就是保险、银行就是银行、账单就是账单,这些东西是能够用来计算的,且属于狭窄的领域。

  二是利用手中拥有的大数据量,可以获取更多的数据。

  三是金融是最无摩擦的领域,钱进钱出,这里没有生产、仓库和物流。

  但其实,尽管数据流非常充足,但依然不是全量数据。仅以征信数据为例,基于传统金融机构的服务能力限制,使得传统金融无法服务的领域非常大,加之国内传统征信体系不完善,在收录的8亿自然人里,有征信记录的仅有3亿人,另外5亿人在系统中只有基本信息,传统征信覆盖的人数仅为35%。

  也即是说,即使接入,也不过是增加了一定的基础数据,距离真正能够反映一个人各种金融体征的全量数据还差距极大。

  目前人工智能+金融所能做到,也就是风险系数较小、流程简单规范、数据量需求较少易掌握的保险和小额贷等业务之上。唯一纯数字领域的金融尚且如此,又何况其他领域。没有大数据加持,再好的人工智能也只是一个高档玩具。

  大数据,其实也就与人类的经验认知和理性分析相似了,成为了人工智能能否长大的基础“饲料”。