投诉电话：15001380073 人工智能（AI）技术从诞生到今天，早已从实验室的黑科技阶段进入到了对产业赋能的阶段，而在此赋能过程中，当前的技术落地与最初的设计愿景是存在着区别的。
关于人工智能能否超越人类智慧这一话题一直存在争论，但这并没有阻止技术落地的步伐。我们已经看到不少落地成果，尤其是在某些特定场景下人工智能的效果已经超过人类智慧，不过全面超越人类智慧还有着很多变数。
因此，我们认为在技术上现今仍处在弱AI时代，但在产业赋能上已经逐渐地在发挥人工智能的作用。
AI在金融领域潜在市场巨大
国内传统金融行业存在发展不平衡的现状，因此，就一家金融企业来说，对于AI的认知以及应用的场景都会存在差异。
目前，相对易落地的是传统金融企业的内部场景，即与内部运营有关的场景，AI的应用可以提升运营效率。比如，OCR（图像识别技术）在银行内部流程中发挥着作用，提升了票据识别、身份证件自动识别、图像转文字的效率。
然而，在对外场景中，AI落地会面临更多的挑战，需处理复杂多样的风控问题，还会受到诸多外部因素的影响，比如人们的消费习惯的变化、黑产攻击模式的变化、行业产品迭代变化以及监管政策的影响等。
因此，AI技术的应用仍然面临很多差异化的挑战。AI应用的未来趋势，会有更多细分。由于国内市场非常大，不少金融企业对AI的应用还处在实验阶段，在生产上落地的不多，这意味着有更多的机会。
AI技术落地挑战重重
AI在推动传统金融数字化转型过程中面临诸多挑战，其中，的挑战是AI技术如何跟业务场景的需求紧密结合。
AI的落地过程不可能是一蹴而就的，按照怎样的步骤和计划推进，对于传统金融机构来说是必须要面对的问题。金融客户了解自己的业务，技术供应商有着自己的技术，但这两者之间如何建立无障碍的沟通桥梁，快速了解对方并找到最契合的场景进行落地，这需要一个过程。
AI在传统金融数字化应用的挑战还有国内传统金融区域间发展不平衡的挑战。经济发达地区的创新意愿更强烈，内部环境更好，对外态度更开放，接受能力也更强。对于发展程度相对较弱的地区，AI还处于实验室阶段，企业对新技术的应用也更为谨慎，在推进过程中需要有着更多沟通和了解。
2019中国人工智能商业落地初创百强企业地域分布 *图片来源：亿欧智库
在实际业务的对接中，我们还发现统一客户认知具有一定挑战。如何在帮助客户解决问题时，提供可视化、可解释、易操作的科技产品，是科技公司需要考虑的重要问题。
搭建全流程AI风控体系
面对AI技术落地的挑战与困难，DataVisor维择科技在AI领域不断深耕与成长。根据长期的观测与分析总结，DataVisor搭建了一个AI赋能的全流程风控体系。那么，全流程是什么？
数据层：进行数据整合，打破数据孤岛
从底层数据层看，需要对金融机构内部进行数据整合，打破数据孤岛。
由于传统金融机构的历史数据系统庞大，数据仓库繁杂，数据之间的连通问题不易解决，不同产品间的数据难以共享。面对当前的金融风控需实现快速实时的服务需求，这就需要把内部数据打通整合，不然将影响处理时效，甚至无法实现实时风控。因此，通过提供此类数据整合服务，从而帮助企业实现业务的实时风控需求。
业务层：运用AI技术实现降本增效
在业务层面，基于不同机构的不同需求以及基于传统规则的风控系统，研发一系列的产品套件，这类产品在理解和使用上都较为容易，落地使用也较为广泛；也有运用无监督机器学习算法的AI产品，这类产品通常提供给对AI技术有一定认知的企业使用；此外还有终端风控产品，帮助金融机构解决客户交互过程中存在的风险问题。
此产品体系是完全契合于金融机构的业务全流程的，也是基于现有的痛点去做匹配设计的。在实际的落地中，这些产品既可以单独提供服务，也可以成体系化的提供，同时我们会配以咨询服务，帮助客户对其现有系统进行需求评估，比如客户如何选择产品、如何落地新产品、如何契合其业务。另外，我们也会结合多家客户的服务经验，形成更好的行业实践。
AI赋能金融客户实时打击薅羊毛欺诈
传统金融客户的AI技术应用需求是不同的，客户中许多是已经在AI落地上有一定经验的机构，他们对AI更深、更广的应用需求是相对强烈的。这类传统金融机构在选择解决方案或科技产品时会考虑的因素也比较全面，比如：风控运营效率、人力投入成本、检测效果等；除此以外，还会考虑一些自身因素，比如新产品能否与其原有系统良好匹配、产品跟金融风控流程中的上下游场景的契合度、产品后期的维护和升级是否复杂等。
举个具体案例，DataVisor维择科技在服务某知名财险机构时，客户希望打通底层多个产品的数据，达到毫秒级的薅羊毛欺诈检测，对虚假保险理赔进行实时拦截。但客户在自研发时，受限于底层数据没有打通，导致整个计算风险评估的时间过长，无法实现实时拦截。DataVisor维择科技的产品Feature Platform（实时变量计算平台）帮助客户在短时间内实现这一毫秒级的实时风控需求，实时从不同底层数据库抽取需要的风控数据，并生成特征变量支持风控系统实时判断这些虚假理赔的情况，成功解决了这一问题。
AI供应商与客户的关系是双向促进的。比如，在服务客户时发现该机构内部的对接人员多、体量大、内部分工细。在底层数据产品的落地过程中，不仅对接了数据部门的各团队，还对接了业务部门的各团队，这给AI供应商提出了很大挑战，因此，AI供应商不仅需要擅长数据分析领域，也需要解决业务部门的一些业务逻辑问题。由于各风控部门的技术认知和风控手段实现方式的想法是不同的，在沟通中也碰撞出诸多创新的匹配业务的风控模式，也让AI供应商的产品发掘出许多跟最初设想不同的落地场景需求，这是非常有意义的过程，这增强了对AI供应商自身技术开发的信心。
结语
在当下的弱AI时代，传统金融客户的数字化转型挑战巨大、情况复杂、变化较快，逐渐完善金融全流程AI风控体系，将会是传统金融向数字化金融逐步过渡过程中，有效应对内外部欺诈风险的良方。
作者简介：
DataVisor，咨询官 孙睿
资深金融风控专家，曾服务于中国建设银行、交通银行、汇丰银行。在银行风控领域有着丰富经验，专注于信贷业务的风控全流程体系建设。近年来，参与和主导了多个风控系统开发和升级项目，助力银行数字化转型。
