人工智能正在催生一場金融革命

Maria Korolov

從客戶服務到風險管理，人工智能正在引領下一場金融革命——只要合規性問題能夠得到解決。

金融服務公司正在率先采用人工智能為客戶提供服務，根據 IDC的報告，預計2019年銀行將在人工智能解決方案上花費56億美元，僅次于零售業。

對于金融服務公司來說，其成果可能相當可觀： McKinsey Global Institute預測人工智能和機器學習將為銀行業創造超過2500億美元的價值。

盡管如此，由于潛在的金融、聲譽和監管影響，許多金融公司在人工智能方面仍持謹慎態度。在這里，深入了解人工智能系統如何做出決策至為關鍵。

與此同時，尋求競爭優勢的金融服務公司正在推出人工智能系統，以支持客戶服務運營，進行風險分析，并對營銷和銷售流程進行改造。下面是幾家金融服務公司讓人工智能發揮作用的典型案例。

優化客戶服務

Synchrony運營許多主要品牌的信用卡，包括Gap和Old Navy、Amazon、JC Penney、Lowe's、Sam's Club， 以及American Eagle， 為超過8000萬個活躍消費者賬戶提供服務。很多客戶可能需要信用卡方面的幫助，例如報告欺詐交易。

兩年前，該公司致力于人工智能，雇傭了170多名數據科學家，同時在伊利諾伊大學建立了一個新興技術中心。像許多金融服務公司一樣，Synchrony的人工智能和機器學習的關鍵部署是在聊天機器人上。

公司的CTO及AI領導者Greg Simpson說：“我們的智能虛擬代理Sydney服務大多數零售商網站上的商戶，包括Gap和Lowe's，如果你有關于你的信用卡的問題，你可以問Sydney，Sydney會幫助回答基本問題。”

Simpson說：該平臺目前每月可處理50萬次聊天，根據多年來對Synchrony呼叫中心的呼叫來回答。這個平臺也可以通過亞馬遜設備獲得，它幫助減少了50%以上的在線聊天量。88%使用Sydney的客戶表示他們對服務滿意。

三井住友銀行（SMBC）是一家全球金融公司和日本第二大銀行（按資產計），也在為客戶服務部署人工智能。該銀行使用IBM Watson來監控呼叫中心的對話，自動識別問題并向運營商提示答案，從而將每次呼叫的成本降低了60美分。這家銀行的一位總監岡田弘一說，每年有100多萬個電話，每年可節省10萬美元。此外，客戶滿意度提高了8.4個百分點。

岡田弘一在2015年移居到硅谷去運營SMBC的創新辦公室，負責領導銀行的幾個人工智能項目。

他說：“我們還使用IBM Watson進行面向員工的交互，例如，如果銷售人員對內部規則有疑問并詢問日本總部，則時間差異很大，答案將延遲一天。”而Watson則習慣于自動回答這些問題。

Gartner的研究員Moutusi Sau說，在過去的幾年里，所有的大銀行都在進行聊天機器人項目。他說，“這方面有很多技術，如會話聊天引擎、虛擬客戶助理等。它們是餡餅的一大部分。”

他說，銀行會繼續在這一領域進行投資，但智能代理現在也在努力提高內部運營效率。

將智能帶入銷售流程

堪薩斯州的NBKC銀行對聊天機器人的態度是繼續觀望，但它們已決定將人工智能用在其抵押貸款業務中。

這家銀行的 EVP及按揭總監Chad Cronk說：“在抵押貸款領域看到的大多數人工智能基本都是用聊天機器人為客戶提供服務，這一點我們也考慮過，但我們認為它還是不夠成熟。”

Cronk說，在NBKC，人工智能幫助將線索分發給貸款人員。大約60%的新潛在客戶是通過在線潛在客戶聚合器（如Lending Tree和Zillow）獲得的，平均每天有300到350個新潛在客戶，其余的來自推薦客戶和回頭客。以前，銷售線索通過“round robin”系統分發給公司的98名貸款專員。

但是，在分析歷史數據時，NBKC發現，一些貸款人員在處理新的銷售線索方面表現得更好，比如說，在上午或下午晚些時候，或者在特定地理區域的客戶中表現得更好。

Cronk說：“這導致了在智能級別上分配銷售線索的概念，我們認為，如果我們在適當的時間將潛在客戶與適當的高管配對，我們將能繼續提供更好的客戶體驗。”

由于其規模較小，該銀行與外部供應商ProPair合作，而不是自行開發技術。ProPair的平臺幫助NBKC提高了10%的接近率，并提高了65%的貸款人員的績效。

今天，25%的線索被隨機分配到一個控制組。其余的是則基于智能系統分配的，該系統將銷售線索分配給最適合的代理，同時考慮到各個工作負載，以確保每個人仍然收到相同的銷售線索總數。

Cronk說，“我們看到了顯著的進步，有幾個季度增長了15%。”

Cronk說，推出這項新技術大約需要三到四個月的時間。來自第三方聚合器的銷售線索數據通過API傳入銀行的銷售線索管理系統Velocify，再花些功夫弄明白如何把代理推薦融入到Velocify中去，由此創造一個安全的環境，以便ProPaid能夠研究代理的歷史績效。

分析風險

金融服務公司長期以來一直使用統計模型來評估風險——貸款中的信用風險、交易中的金融風險、保險行業的精算風險以及所有類別的欺詐風險。

Bank Policy Institute的技術政策處BITS的總裁Chris Feeney說，“不同的是，這些算法的使用范圍更廣，可用數據量、數據類型和數據吞吐量正在改變這些正在解決的各種問題，如果你能收集更多關于交易的信息，你就可以更好地避免欺詐。”

Feeney預計人工智能將成為金融公司的一大優勢。他說：“你必須積極主動，但也必須選擇好的用例。”建議金融公司尋找機會使用人工智能來創造競爭優勢，同時也為消費者提供明確的價值。

他說：“這可能是貸款業務，現在有很多關于使用其他數據源向新的人群提供貸款產品的活動。”

他說，欺詐分析是另一個重要的用例。“我認為人工智能將加快發現欺詐的速度，以避免欺詐，更快地發現異常活動。”

Raghav Nyapati 同意這種說法。他最近在全球排名前10的銀行領導人工智能項目，現在正在發起成立一家金融技術初創企業。Nyapati說：“考慮承銷時，我們有成千上萬的應用程序。人工智能可以幫助篩選出可能存在欺詐或高風險的應用程序，只有篩選后的應用程序才由代理進行審查。”

Gartner最近的一項調查顯示，46%的金融服務公司使用人工智能進行欺詐檢測。

Tabb Group的金融科技與歐洲研究的總負責人Monica Summerville說，在證券行業，公司在交易前和交易后風險分析中都使用機器學習。

她說：“以傳統的方式進行風險分析需要大量的計算，而且許多機器學習技術的近似法已經足夠好了，而且速度也越來越快。”

Tabb Group最近進行的一次調查報告顯示 ，大多數證券公司計劃在未來12個月擴大人工智能的支出。她說：“這項技術被列為他們業務中最具顛覆性的技術。”

根據Gartner，人工智能還將影響更復雜的任務，如財務合同審查或交易發起。這家研究公司預測，到2020年，20%的后臺工作人員將依賴人工智能進行非常規工作。

合規性挑戰

監管者已經熟悉監管金融機構用來評估信貸風險或發現可疑行為的模型的困難。例如，模型可能非常復雜，難以分析。或者它們可能是來自第三方供應商的專有模型。

有一些方法可以解決這些問題，例如對模型進行獨立審查，并使用補償控制，如斷路器。在某些方面，人工智能驅動的系統可以像傳統的統計模型一樣被對待，但它們也帶來了額外的擔憂。

Federal Reserve董事會成員Lael Brainard在去年秋天的演講中曾說：“人工智能可能在不透明性和可解釋性方面會產生一些挑戰，認識到在使用人工智能工具時可能存在某些情況是有益的，即使它可能是無法解釋或不透明的。由此也可知，人工智能工具應受到適當的控制。”

她說：這包括對工具如何構建、在實踐中如何使用以及數據質量和適用性的控制。

可解釋性——也被稱為黑盒問題——是人工智能系統的一個特殊問題。使用傳統的統計模型，數據科學家手動選擇對特定決策或預測至關重要的因素，并決定對這些因素給予多少權重。然而，人工智能系統可以識別以前未知和難以理解的模式。這使得銀行很難遵守監管機構的規定，例如《平等信貸機會法》和《公平信貸報告法》，這兩項法律要求銀行解釋他們在做出決策時使用的因素。

Brainard 補充說：“幸運的是，人工智能本身可能在解決方案中發揮作用，人工智能社區在開發‘可解釋人工智能工具方面取得了重要進展，重點是擴大消費者獲得信貸的機會。”

隨著Synchrony開始關注人工智能和機器學習的信用決策，黑匣子問題也成為該公司面臨的一個問題。Synchrony的Simpson說：“我們希望在我們的模型中構建可解釋性，并指出做出決策的原因。這不容易做到。”

例如，他說，不能出于歧視性的原因做出決定。“你不能說，‘我不會為這個郵政編碼的人提供信用證，因為這是違法的。”

該公司還花費大量精力確保用于培訓人工智能模型的原始數據不會有偏差。Simpson說，這就是公司需要這么多數據科學家的原因之一。

公司采取的一種減少偏見的方法是從多元化的團隊開始。

他說：“如果沒有多元化的團隊，就很難確定數據中的偏差，因為你的團隊可能存在偏差，作為一家銀行，這對我們來說尤為重要。團隊的多樣性是這個領域的第一個也是最好的防御。”

Maria Korolov 在過去的20年里，一直在采訪報道新興技術和新興市場。

原文網址

https：//www.cio.com/article/3373549/how-ai-is-revolutionizing-financial-services.html