機器學習和人工智能可以提供一個更好的方案，通過模式識別和語音識別以及語義感知等技術，它可以使客戶感覺更像和一個人在交談。
機器學習和人工智能可以提供一個更好的方案，通過模式識別和語音識別以及語義感知等技術，它可以使客戶感覺更像和一個人在交談。
系列一：應用與趨勢
“如果傳統銀行不改變的話，就會成為21世紀一群將要滅亡的恐龍”
——比爾蓋茨
“市場的邊界不超過信息能夠及時到達的范圍”
——金融格言
歷史上每一次通信技術的變革，都會帶來金融的變革。
近日來，“FinTech”可能是最熱的技術名詞之一。諸如區塊鏈技術、機器學習還有大數據相關技術也已經在傳統銀行業落地生根。本文主要介紹FinTech中最重要的組成部分：機器學習在金融行業的應用與趨勢。
金融解決社會資源再分配和流動性問題。
機器學習和大數據技術解決從海量數據中提取有價值信息，從而高效進行信息規整、分析和預測問題。
傳統金融業已受到諸如互聯網金融等高新技術的挑戰，他們擁抱新技術而尋找降低成本、提高效率的有效方法的背景已經形成。
產品化
人工智能和機器學習技術將出現在傳統銀行業的一些關鍵領域，例如高頻交易、欺詐檢測和信用評分等。2017年銀行將會把測試模型產品化以提升其業務指標。
平臺化
各大銀行將會開始采用私有云和其他數據科學相關開源技術，但由于國內金融行業缺乏相關技術積累，筆者認為最可能的方式是和大數據服務企業或金融科技企業展開合作。可以同時提供專業化平臺產品、工具產品且可提供專業化服務的企業將會勝出。
規范化
銀行和金融科技公司將會規范化行業規范和技術規范，移除灰色地帶以加快變革。由于銀行業對風險的敏感性和業務的高嚴謹性的要求，一些高級技術例如偏差防護，可審計和可解釋的機器學習模型將成為人工智能項目的產品化是必要條件。
合作化
傳統金融業將會加速與數據服務提供商和金融科技企業的深度合作，在這方面做的好的銀行將會獲得競爭優勢。因為前期的投入使任何一個迭代過程將會匯聚成流，使未來的項目更有效率。
欺詐檢測
金融服務提供者的最大責任就是保護其客戶的財產，在美國，金融詐騙每年金額約500億美元。傳統解決方案已不能很好的解決這個問題，而機器學習技術可以提供很有效的幫助，例如異常檢測算法和基于神經網絡的識別系統等。
在大數據的支持下，機器學習算法可以根據賬戶歷史紀錄來得到欺詐的似然性，而且能夠提供實時偵測和報警。這里，實時性的保證需要快速訪問和挖掘大量數據的能力，很顯然平臺層的支持度至關重要。
風險管理
傳統軟件在預測信用度等指標時是基于靜態數據的，例如貸款申請和金融報告。相比之下，機器學習技術可以同時分析諸如當前市場趨勢和新聞等所有相關聯的動態信息。
通過對大量數據進行實時預測分析，機器學習技術可以檢測出某虛假投資者同時跨多個賬戶操作，一般來說對于正常投資者是不太可能的。
高效性是機器學習的另外一個優勢，我們很難想象人可以像機器那樣監視大量的賬戶，機器學習把勞動力從中解脫出來以聚焦在其他工作上。
投資預測
計算機輔助交易系統很早就已經出現了，它確實可以簡化交易過程并提供一些自動市場趨勢分析的服務，但仍然很有局限性。
近年來，對沖基金加速了其采用機器學習算法來預測基金趨勢來代替傳統方案的步伐。憑借這種技術，基金經理希望可以更早的感知市場變化。
國際上的一些主要投資機構已經察覺到了機器學習的潛在力量將可能使投資銀行業重新洗牌。JP摩根，美國銀行和摩根斯坦利已經在開發以機器學習算法為主導的智能投資顧問。
自招商銀行推出摩羯智投后，國內銀行和金融平臺陸陸續續推出了智能投顧或類似產品，例如興業銀行、宜信等。這標志著我國金融機構也已經緊跟技術改革和創新的大趨勢。下一個系列中，筆者將會深入探討智能投顧產品。
客戶服務
一個在各行業都非常普遍的現象是，客戶經常會抱怨服務不好。最早的時候，是因為服務響應很慢。但自從自動應答系統普及后，好像服務響應速度不再是一個問題，不過，隨之而來的是客戶會因為不能和服務人員通話而不滿。對于希望投入機器學習來為金融服務帶來變革的機構而言，這應該是一個機會。
自動應答系統的優勢在于可以為客戶提供導航到解決其問題的合適的部門，通過提供選項來幫助客戶，所有的這些不需要服務人員的介入。對于企業來說節省了人員成本；對于客戶來說，理論上其問題的解決完全靠計算機的規則系統。
不過事與愿違，如果客戶的問題不尋常不能由一個數字選擇所代替，那么這一切只會讓客戶反感而已。
機器學習和人工智能可以提供一個更好的方案，通過模式識別和語音識別以及語義感知等技術，它可以使客戶感覺更像和一個人在交談。
總的來說，機器學習可以使企業更好的理解每一個人，從而提供更加個性化的服務和幫助。
平臺化的一點思考
討論平臺化的時候，我們談到可以勝出的數據服務企業或金融科技企業是可以提供平臺、工具和專業服務的企業。那么需要什么樣的平臺產品？什么樣的工具產品？什么樣的服務呢？
筆者的淺見如下：
1） 平臺產品一定是結合開放系統或開源平臺。
機器學習在金融行業是一定可以發揮其威力的，但具體的形式和模型算法還是存在很大的變數的，所以一個可以快速融入新技術和算法的平臺才可以滿足這種不確定性。傳統平臺一般更新速度比較慢，也很難融入新的算法。相比之下，一個二次包裝的開源平臺或開放系統更能滿足這個需求。
2） 工具產品應是流程簡化的。
我們知道，工具型產品是為了提高工作效率。機器學習應用不但是一個工程，而且也是高度專業化的。在這方面，為了簡化工作流程，工具產品應該對機器學習算法和數據驅動型應用高度封裝，并可以將其情景化和泛化，當然還要保持靈活性和可擴展性。
3） 服務是業務緊密的。
金融行業會使用數據科學技術的原始動機是為了優化其業務或者擴展新的業務。金融業務是非常復雜的，以業務數據和業務邏輯為核心；同時數據科學方法也并不是簡單的，以數據和算法為主干。
如何有效的結合這兩點呢？一般的數據驅動型應用由四大部分組成：數據收集，數據處理，數據計算，應用和展現。在這里，我們加入數據理解的概念。為了積累和表達業務知識和數據科學知識，需要有一個比較泛化的數據模型來描述業務數據和相關數據，記錄數據探索過程，并有效的將數據知識和數據科學方法結合起來，以供不斷優化。
在這方面比較成功的案例是Palantir和C3 IoT，他們都有一個類似統一數據模型（Common Data Model）的組件來完成此任務。
下個系列，我們將深入剖析智能投顧產品，探討其產品形態和相關技術。
