您现在的位置:首页 > 理论·探讨

银行支付清算如何拥抱人工智能

发布时间:2019-04-15 22:23

作者:尹剑翀冯峰李剑锋尹光宇杜永刚王浩

  随着人工神经网络(ANN)和深度学习在算法上的突破,人工智能技术得到了蓬勃发展,各行各业都在人工智能领域进行积极尝试。本文回顾和介绍人工智能技术在银行业的使用情况、相关技术在银行支付清算领域的尝试以及未来的发展前景。
  人工智能技术概况(一)人工智能概述虽然学术界并没有就人工智能(AI)给出一个统一的定义,但就本质而言,人工智能就是研究如何制造出人造的智能机器或者智能系统来模拟人类智能活动,以延伸人类智能的科学。随着“大数据”概念的引出,基于大数据分析的自主学习成为研究的主要方向,包括语音识别、图像识别、自然语言处理等细分领域得到了长足发展。专业人士指出,人工智能的研究领域可分为4个层面。一是基础设施,涉及大数据和云计算;二是AI算法,涉及机器学习和深度学习相关算法;三是研究领域,涉及图像识别、视频识别、语音识别、语义理解、语音合成、机器翻译、情感分析等具体技术领域;四是业务场景,针对不同的业务场景如银行、安防、保险等具体应用。
  (二)人工智能在中国的发展2017年3月,人工智能首次写入《政府工作报告》,正式开启了我国人工智能的新时代。艾瑞咨询公司预计2020年中国人工智能市场规模将达91亿元,年复合增速超50%。目前,国内科技企业逐步开始掌握AI核心技术。其中,科大讯飞以自然语言处理能力独步国内;百度公司的Apollo平台领跑国内无人车领域;PaddlePaddle、DUER OS AI 也各有特色,如腾讯、阿里等科技公司纷纷试水人工智能领域,并取得了一定的进展。
  (三)银行业的人工智能应用1、国外银行AI实践国外对AI的研究和应用非常广泛。自2010年开始,花旗银行推广智能化网点;摩根大通银行利用AI语音识别来验证客户的身份,投资管理组则使用RoBo顾问为客户提供建议;摩根士丹利拥有一个AI欺诈检测团队;汇丰银行则通过使用AI来识别洗钱、欺诈等行为。以德意志银行、花旗集团、瑞穗金融集团等为代表的大型银行,更是纷纷提出在未来使用AI取代人工的设想与蓝图。
  2、国内银行拥抱人工智能技术国内各商业银行同样积极拥抱人工智能技术。例如,工行组建了大数据与人工智能创新实验室,搭建自主可控的人工智能机器学习平台,并在各个方面均有建树:精准推荐有融e购电商平台提供“猜你喜欢”服务;客户服务有专属智能客服机器人;智能风控已经在信用卡刷卡、线上快捷支付等业务中充分应用。建行则积极打造“智慧银行”,推出了包括智能互动桌面、人脸识别等多达15项创新应用。浦发银行规划“浦发大脑”建设,在推出首款智能App的基础上不断迭代突破。兴业银行把以“兴业大脑”为核心的AI平台建设,作为引领与推动业务发展的重要抓手,积极探索数字化转型。华夏银行与腾讯公司展开深入合作,运用金融科技手段服务小微企业和特殊客群成效显著。中信银行引入了人脸、声纹识别等技术,同时还开发了智能语音外呼系统。
  此外,民营银行也开始应用人工智能技术。例如,中关村银行宣布与AI公司“第四范式”开展合作,打造“AI+金融”供应链服务平台,为上万家中小微企业授信。在风控领域,微众银行以风险管理数据、模型与信息系统为支柱,打造具有互联网银行特色的全面风险管理体系。
  综上所述,国内银行业的AI应用主要集中在以下几个场景:
  精准营销。利用数据挖掘和关联分析,形成客户画像;利用客户画像,营销人员发掘潜在客户,及时开展客户营销与维护工作。
  风控与征信。风控的核心是建立风控规则、风控模型,对客户进行风控管理。
  金融安全与反欺诈。主要涉及身份识别技术与异常监控。身份识别主要包括人脸、声纹、指纹、虹膜识别等;异常监控主要包括银行卡盗刷、虚假交易、恶意套现、垃圾注册、营销作弊等。
  智能客服。主要涉及自然语言处理技术,以降低人力成本、提升客服效率和用户体验为主要目的。
  投资决策。主要应用领域有投资顾问、量化交易等。投资顾问立足于现代资产组合理论,以人工智能为指南,为投资者提供资产配置建议。量化交易以大数据为基础,以人工智能进行驱动,进行高频程序化交易。
  新技术在支付领域的尝试
  随着支付结算方式的扩展和第三方支付公司的崛起,银行面临的挑战和竞争越来越大。采用人工智能等高新技术来重塑目前的支付体系,实现金融服务的智能化、个性化、定制化已是大势所趋。而降低成本、提高效率、规避风险是实现支付升级的重要内核。
  结合目前人工智能技术在银行领域的应用现状,某商业银行选取了部分比较经典的业务场景,进行了人工智能的尝试。
  (一)人工录入信息智能识别接收行机构信息(支付行号、支付行名)是人民币跨行转账过程中的关键要素,该行企业网银客户可提交非标准的收款行名称,由网银落地系统中人工补录后进行后续的转账工作。人工干预环节业务的处理流程较长,部分重要客户(如托管账户)的大额资金无法及时转发,导致银行或客户产生不必要的资金损失。特别是在季末、月末等特殊时期,网银落地业务量剧增,业务积压情况将更加严重。此外,由于支付系统支付行名数量高达十几万,补录人员的业务能力在很大程度上影响正确率,如果补录错误,业务交易将被收款银行退汇,间接影响客户资金到账的时效性。该行依托自然语言处理和大数据分析等技术进行了创新研发,在二代支付系统中开发了人工录入信息智能识别应用,自动识别客户输入的支付机构名称来替代人工操作,识别准确率在97%以上,有效提升了业务处理效率,改善了客户体验,降低了人力运营成本。
  (二)智慧化人民币流动性管理人民币流动性管理是商业银行经营管理的重要内容,有效的资金头寸管理对于减少经营风险、提高经济效益有较大的作用。目前国内主要商业银行的头寸管理模式仍为“事前人工控制、事中系统告警、事后简单分析”的传统方式,效率低下,管控乏力。如何管理头寸,在总量一定的情况下合理调度资金,既不因过高形成浪费,也不因过低影响备付,尽可能将资金调往利率较高的领域以取得更高的收益,无疑已成为商业银行资金头寸管理的核心内容。
  该行二代支付系统上线多年,积累了大量交易数据,而相关数据为二代支付系统备付金账户的头寸管理奠定了良好基础。以相关数据为基础,该行二代支付项目组利用LSTM等神经网络算法,对备付金数据进行分析,尝试对每日资金流入流出情况进行预测,为业务人员提供指南;后续还将结合客户画像、舆情分析等相关技术来增强头寸的预测准确性。
  (三)客户画像和衍生应用该行支付系统、信贷业务、个人金融业务等交易业务与日俱增,每天都会产生大量交易信息。该行使用PPR-Risk 模型进行评估,选取执行动作、业务行为及风险分类作为业务特征,搭建CNN卷积神经网络。另外,利用已有业务数据进行训练,通过机器学习拟合后,得到客户风险评估模型,构建了客户画像,并以画像为基础,开发了大量的衍生应用,用于各种不同类型的业务场景。目前部分功能已经上线,供相关业务人员使用。思考与展望该行在尝试应用以人工智能为代表的新技术时虽然走了一些弯路,但在实践中积累了不少经验。在拥抱人工智能技术的过程中,对以下几个方面进行了一些思考:
  (一)整合已有数据的策略银行在开展业务过程中,积累了大量宝贵的客户数据,与科技公司等其他行业机构相比,客户优势非常明显。然而,目前银行对自身海量数据的认知管理仍远远不够。随着银行系统的发展,其数量越来越多,不同业务系统的数据能否高效利用、合理整合,历史数据能否有效抽取和清洗,将在很大程度上影响到后续的机器学习效果。
  (二)数据和算法的使用从实际操作层面看,以分类与回归算法为代表的监督学习,最大的问题在于训练数据标注成本极高。而以聚类算法为代表的无监督学习,由于没有训练的过程,直接使用大数据进行建模分析,在解决实际问题时往往存在复杂性,现有的不同聚类算法均存在一定的限制条件,特别是对于高维数据或者数据质量较差时,相关算法可能达不到预期效果。
  总体而言,人工智能等新技术对能力提出了更高的要求,需要相关人员对数据和相关算法有比较深入的理解。已有数据和对问题了解程度决定了使用怎样的算法,而算法的选择反过来又对海量样本数据提出了更高的要求。
  (三)如何正确使用新技术人工智能作为一项新兴技术,人们在使用中往往存在一定的误区。一方面,人们对人工智能缺乏了解,不知道如何应用相关技术;另一方面,对人工智能技术期望过高,导致结果不如预期。以支付业务为例,对业务准确性有着极高的要求,然而,在很多情况下,应用人工智能技术时,错误率较高或者在一段时间内错误率居高不下的可能性非常高,这对某些场景来说是无法接受的。
  而以人工神经网络为代表的人工智能模型的不可解释性,更为业务开展带来很大的困扰。例如,模型计算得到某客户的风险水平较高,拒绝办理相关业务,但是又不能提供一个具体的原因,很可能会引发客户的投诉,如果这个客户属于误判,就更麻烦。从这个意义上说,短期内对人工智能技术的使用,角色定位建议以辅助人类工作为主,同时保留一定的人工流程以规避风险。相对而言,在客户营销等领域,对覆盖度的追求远超过对精确度的场景下,人们对人工智能的使用更容易放开手脚。总之,以人工智能为代表的新兴技术,在支付领域的发展和大范围应用已是大势所趋。
  (作者单位:交通银行软件开发中心)