AI金融的矛與盾-如何解決客服與風控痛點

1、目錄AI 金融 1 HYPERLINK l _TOC_250005 銀行業(yè)積極擁抱 AI，深耕細分場景的 SaaS 企業(yè)或將受益 4 HYPERLINK l _TOC_250004 AI 保險從投保到理賠全線場景落地，節(jié)本增效實現(xiàn)與消費者的雙贏 6 HYPERLINK l _TOC_250003 智能投顧方興未艾，有望引領下一個 AI 金融的浪潮 7 HYPERLINK l _TOC_250002 AI 金融應用及技術 9 HYPERLINK l _TOC_250001 客服為矛聊天機器人 9 HYPERLINK l _TOC_250000 風控為盾AI 風控 20風險因素 29插圖目錄圖 1

2、：AI 金融的細分場景及市場格局 2圖 2：目前深度學習領域常用的四大芯片類型，“通用性和功耗的平衡” 3圖 3：目前深度學習領域常用的四大芯片類型及主要芯片商 3圖 4：英偉達各項業(yè)務營收比較 4圖 5：英偉達游戲、數(shù)據(jù)中心、汽車三塊業(yè)務同比增速 4圖 6：銀行中臺的 AI 風控是主要落地場景 5圖 7：AI 銀行前中后臺應用場景概覽 5圖 8：AI 金融風控示意圖 6圖 9：AI 保險從投保到理賠全線場景落地 7圖 10：AI 保險前中后臺應用場景概覽 7圖 11：智能投顧管理資產(chǎn)規(guī)模近年迅速增長 8圖 12：2019 年美中占據(jù)智能投顧市場 95%份額 8圖 13：智能投顧的商業(yè)模式 8

3、圖 14：AI 技術通常率先應用在行業(yè)痛點上（%代表行業(yè)板塊中 AI 的滲透率） 9圖 15：2019 年論文中提到通過上下文語境的分析實現(xiàn)無監(jiān)督情境下的“hate”重寫 11圖 16：通過“再生成”模塊（紅色）對已經(jīng)有自然語言理解進行修訂，適用于 Siri、Alexa等大規(guī)模對話軟件 11圖 17：金融業(yè)觀點：聊天機器人被視為是金融業(yè)的機遇 12圖 18：許多金融機構已部署或計劃部署聊天機器人 12圖 19：金融機構相信聊天機器人將承擔大部分客服工作 12圖 20：現(xiàn)有銀行回復消息速度緩慢 12圖 21：聊天機器人生態(tài)鏈 13圖 22：Mastercard 聊天機器人采用 Kasisto 公

4、司技術 14圖 23：KAI 作為 API 可接入多類渠道并支持個人銀行、商業(yè)銀行及財富管理等多種業(yè)務. 14圖 24：圖靈機器人合作伙伴 15圖 25：智齒科技客戶 15圖 26：傳統(tǒng)聊天機器人（例如國內(nèi)淘寶、攜程也大多采用這類事先編程且僅支持選項和少量詞匯的聊天機器人） 16圖 27：采用 AI 技術的聊天機器人 Chatbot 流程 17圖 28：標簽化 17圖 29：標準化 18圖 30：命名實體 18圖 31：語法分析 18圖 32：從眾多答案中挑選一個最合適的，需結合上下文語境并利用統(tǒng)計學分析 19圖 33：循環(huán)神經(jīng)網(wǎng)絡可結合本次輸入信息及歷史信息進行分析，t-1 時刻的 S 與

5、x1 共同影響 t 時刻的 S1 19圖 34：綠色方框代表一個記憶單元， 代表閥門，tanh 代表激活函數(shù) 20圖 35：2017-2023 年全球反欺詐及反洗錢開支 20圖 36：銀行業(yè) AI 供應商細分領域產(chǎn)品數(shù)量及占比 20圖 37：2019 年中國 AI 金融落地場景市場規(guī)模占比 21圖 38：2015-2020 年 7 月中國 AI+金融細分賽道融資事件數(shù)量 21圖 39：點異常與集團異常 22圖 40：循環(huán)騙保案例（AB，CA，DB 三起出險案例看似不相關的，但實則由一個詐騙團伙操縱） 22圖 41：二元數(shù)據(jù)可視化（單獨從 X 或者 Y 中難以分辨異常） 23圖 42：反欺詐領域

6、象限圖（越靠近中心代表越領先） 24圖 43：全球 AI 風控領域的初創(chuàng)公司 24圖 44：國際 AI 風控領域公司 25圖 45：Feedzai 產(chǎn)品關聯(lián)性分析示例 25圖 46：第四范式 AI 風控流程 26圖 47：第四范式公司合作伙伴 27圖 48：監(jiān)督式神經(jīng)網(wǎng)絡學習方法示意圖 27圖 49：第三方數(shù)據(jù)風控流程 28圖 50：自編碼器神經(jīng)網(wǎng)絡 28圖 51：當異常值輸入后，自編碼器返回錯誤信息 29圖 52：自編碼器概率分布 29圖 53：點誤差與集體誤差 29 AI 金融金融業(yè)是目前人工智能滲透較為深入的行業(yè)之一，例如智慧網(wǎng)點、智能客服、智能理賠及 AI 風控等場景已深入人心。展望未

7、來，隨著 AI 軟硬件的快速迭代，AI+金融有望從底層改變目前金融行業(yè)數(shù)據(jù)冗雜及運營成本高企的問題，從前中后臺全面賦能，一方面通過定制化多元化的產(chǎn)品擴大用戶群體增收，另一方也可以降低冗余的人力及運營開支。金融業(yè)的三大細分行業(yè)中，目前銀行和保險業(yè) AI 應用相對成熟，落地化程度高，而資管對應的智能投顧則方興未艾，有望成為下一片藍海。我們認為在 AI 金融的產(chǎn)業(yè)里，場景為王，深耕細分場景的公司存在較大投資機會。AI 技術與金融業(yè)的屬性不謀而合。從金融業(yè)的數(shù)據(jù)屬性來看，傳統(tǒng)金融業(yè)的底層存在超萬億字節(jié)的個人信息、記賬及交易記錄等，而如果要將這些非結構化的數(shù)據(jù)進行高階分析及預測將耗費大量人力、時間及運營

8、成本，但 AI 技術的出現(xiàn)則可以通過機器學習快速地將數(shù)據(jù)結構化并借助歷史信息進行推斷分析。此外，金融業(yè)的服務屬性決定了大部分業(yè)務是圍繞用戶展開的，AI 技術可提升服務場景效率，并為廣大用戶提供定制化多元化的服務。從環(huán)節(jié)來看，AI 可全面賦能金融業(yè)前中后臺。前臺包括智能身份識別、智能營銷、智能理賠等，AI 可擴大業(yè)務半徑獲取長尾客戶，并可以用戶畫像為核心，高效定制服務以提高客戶體驗及粘性；中臺包括 AI 風控、智能投資、智能合規(guī)管理等，AI 可提高運營效率、降低運營成本及潛在損失，例如優(yōu)化授信定價、貸前貸后管理及反欺詐反洗錢等；后臺包括智能運營管理和智能平臺建設，AI 旨在優(yōu)化流程，降低管理成本

9、。AI 技術的快速迭代和日趨成熟也是 AI 金融落地的基礎。自然語言處理、生物識別等為定制化多元化的服務提供技術支持；硬件算力的提升使得大規(guī)模的數(shù)據(jù)訓練及深度學習成為可能；知識圖譜、云計算和物聯(lián)網(wǎng)的大范圍應用則將孤立的數(shù)據(jù)聯(lián)結加速了 AI 風控的落地；此外在疫情下，金融業(yè)無接觸營銷、節(jié)本增效的需求以及用戶居家辦公尤其是年輕一代對網(wǎng)上服務的熱衷也助推了 AI 金融的加速發(fā)展。另一方面，在過去 5 年 MIT Technology Review 雜志發(fā)布的十大突破性科技中，眾多與 AI 金融相關的科技應用也相繼取得突破，包括流利對話的 AI 助手、刷臉支付、數(shù)字貨幣等已在目前金融業(yè)中普及并得到廣泛

10、運用。AI 金融的節(jié)本增效空間廣闊，投資 AI 成為金融業(yè)下一階段轉型的必需?？粗?AI 廣闊的潛在節(jié)本增效空間，金融業(yè)也正在加大對 AI 的投資。根據(jù) Mordor intelligence 統(tǒng)計，2019年，全球金融業(yè)的 AI 直接投資約為 67 億美元，到 2025 年可達 226 億美元，復合年增長率 23.4%。摩根大通、花旗等國際金融巨頭也在加大與 AI 相關的科技支出，例如摩根大通 2019 年包括 AI 在內(nèi)的科技投資超一百億美元，并在年報中屢次提及 AI 業(yè)務進展。AI金融一方面可通過定制化多元化的產(chǎn)品擴大用戶群體，另一方也可以降低冗余的人力及運營開支。參考金融業(yè)中的銀行和保

11、險部門，據(jù) Business Insider 預計，2020-2023 年間 AI或可為兩者節(jié)省 4470/3900 億美元的運營成本。從行業(yè)角度，我們認為銀行和保險場景成熟，落地化程度高，而資管行業(yè)的智能投顧則方興未艾。例如銀行和保險業(yè)對于前中臺業(yè)務例如智能營銷、智能承保、智能理賠及 AI 風控（反欺詐反洗錢等）的應用已相當成熟，并誕生了眾多初創(chuàng) SaaS 服務商及一體化 AI 保險企業(yè)，例如 Feedzai、Featurespace、Lemonade 及 Zesty.ai 等。盡管智能投顧目前尚不能對股市等復雜場景進行精準預測，但已有相關智能配置及動態(tài)調(diào)倉產(chǎn)品問世，隨著未來 AI 技術的深

12、入，也有望對加速對資管行業(yè)的變革，例如 Betterment、Wealthfront 等智能投顧先驅資產(chǎn)管理規(guī)模已超 200 億美元。AI 金融主要玩家包括傳統(tǒng)金融機構、互聯(lián)網(wǎng)巨頭、傳統(tǒng)金融 IT 公司、支付公司、投資及顧問公司及新興的初創(chuàng)金融科技公司六大類。我們認為 AI 金融領域傳統(tǒng)金融公司、互聯(lián)網(wǎng)公司受益其海量的客戶數(shù)據(jù)及強大的資金實力，發(fā)力全環(huán)節(jié)，有望占據(jù)先機，兩者代表例如摩根大通、花旗、平安集團、招行及以 FAAMG 和 BATJ 為代表的中美互聯(lián)網(wǎng)巨頭。但兩者也各自存在問題亟待解決，例如傳統(tǒng)金融公司 AI 應用“以點代面”，尚未形成前中后臺聯(lián)動的 AI 整體規(guī)劃；而相比傳統(tǒng)金融機構

13、牌照和場景覆蓋的優(yōu)勢，互聯(lián)網(wǎng)巨頭盡管在數(shù)據(jù)獲取及分析上更勝一籌，但在金融這類高杠桿、高風險及強監(jiān)管的領域開展業(yè)務或將受到監(jiān)管層的限制。支付公司作為連接銀行與客戶的中間環(huán)節(jié)，在中臺例如風險管理及交易層面也布局頗多，例如 Visa 及 Mastercard 等。此外，在例如自然語言處理、生物識別、防欺詐反洗錢等模塊化細分賽道內(nèi)，傳統(tǒng)金融 IT 公司及新興的初創(chuàng)金融科技公司也有望通過深耕產(chǎn)品取勝，例如 Salesforce、Oracle 等。最后，投資及顧問公司則著重發(fā)力定制化產(chǎn)品（ 市場營銷）及交易環(huán)節(jié)， 以期吸引更多長尾中低凈值客戶青睞， 例如 Betterment、Wealthfront 等。

14、圖 1：AI 金融的細分場景及市場格局聊天機器人Chatbots（前臺）定制化產(chǎn)品PersonalizedProducts（前臺）風險管理RiskManagement (中臺）防欺詐FraudPrevention（中臺）交易Trading（中臺）流程自動化Process對應公司Automation(后臺）金融機構（銀行、保險）互聯(lián)網(wǎng)巨頭 支付公司 投資及顧問傳統(tǒng)金融IT 初創(chuàng)公司資料來源：logo 來自各家公司官網(wǎng)，中信證券研究部AI 金融各個細分場景的加速落地和六大類玩家的爭相布局也加速了底層算力需求的爆發(fā)，英偉達是當仁不讓的首選。我們認為人工智能深度學習經(jīng)歷過從 2016 年開始的高速發(fā)展

15、后，往后新 AI 應用才是與 AI 相關芯片需求放量的關鍵，例如金融、醫(yī)藥和無人駕駛等，疊加今年疫情發(fā)生以來“云辦公&宅經(jīng)濟”的趨勢，各大企業(yè)開始加快線上化智能化布局，對底層算力的需求預計將帶動數(shù)據(jù)中心芯片類業(yè)務快速增長。在 AI 上游訓練端，以英偉達為代表的 GPU 憑借通用性及高并行計算能力是當仁不讓的首選，但以 ASIC 為底芯片的包括谷歌的 TPU、寒武紀的 MLU 等，也如雨后春筍。我們認為英偉達 GPU 在未來依舊將保持訓練端的主導地位，深度學習 ASIC 芯片將依靠特定優(yōu)化和效能優(yōu)勢，未來有望在細分市場領域發(fā)揮所長。而下游推理端更接近終端應用，需求更加細分。我們認為將逐步形成 G

16、PU 向推理端滲透的趨勢，與 ASIC 和 FPGA 共同繁榮發(fā)展的格局。訓練端推理端GPU：以英偉達為主，AMD為輔，標榜通用性，多GPU：英偉達從18年開始通過T4芯片等布局推理端。到邊緣計算。深度學習下游推理端則更重視低功耗和低延遲，對算力的要求較低，在市場蛋糕變大的同時， 逐步形成GPU 向推理端滲透， 與ASIC 和FPGA共同繁榮發(fā)展的格局。維計算及大規(guī)模并行計算架構契合深度學習的需要在深度學習上游訓練端（主要用在云計算數(shù)據(jù)中心里），GPU是當仁不讓的第一選擇。ASIC：以谷歌的TPU為代表，包括英特爾、寒武紀、ASIC：下游推理端更接近邊緣設備，需求也更加細亞馬遜、華為等公司均在

17、自行研發(fā)。針對特定框架分，英偉達的DLA，寒武紀的NPU、地平線的旭日進行深度優(yōu)化定制。但開發(fā)周期較長，通用性較低。和征程系列、華為昇騰系列等逐步面市，將依靠特比特幣挖礦目前使用ASIC專門定制化礦機。定優(yōu)化和效能優(yōu)勢，未來在深度學習領域分一杯羹FPGA：依靠可編程性及電路級別的通用性，適用CPU：通用性強，但難以適應于人工智能時代大數(shù)于開發(fā)周期較短的IoT產(chǎn)品、傳感器數(shù)據(jù)預處理工作據(jù)并行計算工作。以及小型開發(fā)試錯升級迭代階段等。但較成熟的量產(chǎn)設備多采用ASIC。圖 2：目前深度學習領域常用的四大芯片類型，“通用性和功耗的平衡”。 資料來源：Google TPU 官網(wǎng)，英偉達官網(wǎng)，Intel

18、官網(wǎng)，中信證券研究部圖 3：目前深度學習領域常用的四大芯片類型及主要芯片商類別GPUASICASIC：TPUCPUFPGA1.可多達上千個簡單核心，1. 需求確定后可進行專門優(yōu)1.與TensorFlow深度結1.通用性強1.電路級別的通用性上千個并行硬件線程化設計合，更接近DSA (Domain-2.核心復雜程度高2.可編程性2.并行運算能力、浮點運算2. 優(yōu)秀的功耗控制Specific-Architecture)3.串行運算能力強，單線程3.適用于開發(fā)周期較短的能力強大3. 性能穩(wěn)定、可靠性高2.已能同時用于高性能計算性能優(yōu)化IoT產(chǎn)品、傳感器數(shù)據(jù)預處3.最大化浮點運算數(shù)據(jù)吞吐和浮點計算4.

19、晶體管空間用于復雜并行理工作以及小型開發(fā)試錯升量3.結合谷歌云提供云計算服性指令(Complex ILP)級迭代階段特點務主要廠商英偉達、AMD、Imagination等英特爾、高通、華為、寒武紀、地平線等谷歌為代表英特爾、AMD、高通等Xilinx、Altera（已被Intel收購）、Lattice、Microsemi資料來源：微軟 Build，谷歌官網(wǎng)，中信證券研究部以英偉達為例，受 AI 新應用爆發(fā)及疫情居家令等的刺激，我們認為英偉達正在迎來第二波高成長“黃金時代”。英偉達數(shù)據(jù)中心業(yè)務在今年重拾動力。最新 Q3 財報中 NVIDIA數(shù)據(jù)中心業(yè)務表現(xiàn)亮眼，數(shù)據(jù)中心業(yè)務營收 19 億美元，同

20、比增長 162%，環(huán)比增長 8%，創(chuàng)歷史新高。2016 年以來，AI 云端訓練需求雖已達到更新迭代的周期，但新 AI 應用才是需求放量的關鍵。未來 AI 將應用于金融、醫(yī)藥和無人駕駛等新興領域，需求正在爆發(fā)增長。英偉達希望承接此前在云計算深度學習訓練端往推理端的擴展。英偉達在 AI 訓練端基本占壟斷地位，有賴于自身強勁的計算能力。而推理端則更重視低功耗和低延遲，對算力的要求雖然較低，但 GPU 的高適應性則體現(xiàn)在它的通用性和可編程性。在市場蛋糕變大的同時，逐步形成 GPU 向推理端滲透，與 ASIC 和 FPGA 共同繁榮發(fā)展的格局，英偉達也推出了 NVIDIA TensorRT 深度學習 S

21、DK 來支持 AI 應用的開發(fā)。英偉達在借助 TensorRT，客戶可以優(yōu)化在所有主要框架中訓練的神經(jīng)網(wǎng)絡模型，精確校正低精度以減少應用延遲，并最終將模型部署到超大規(guī)模數(shù)據(jù)中心、嵌入式或汽車產(chǎn)品平臺中。TensorRT 還針對多種深度學習推理應用的生產(chǎn)部署提供 INT8 和 FP16 優(yōu)化，例如視頻流式傳輸、語音識別、推薦和自然語言處理。推理精度降低后可顯著減少應用延遲，這恰巧滿足了許多實時服務、自動和嵌入式應用的要求，也獲得眾多企業(yè)的廣泛采用，包括 Aurora、Voca.ai、DarwinAI 及圖森等眾多 AI 初創(chuàng)企業(yè)以及 IBM、SAP、大眾及京東等成熟公司。另外，英偉達通過收購 M

22、ellanox 觸及數(shù)據(jù)中心通信傳輸和處理領域。近日更推出 DPU(Data Processing Unit，數(shù)據(jù)處理器)，把 Arm 處理器核、VLIW 矢量計算引擎和智能網(wǎng)卡進行集成，提升在分布式存儲、網(wǎng)絡計算和網(wǎng)絡安全領域的性能。圖 4：英偉達各項業(yè)務營收比較（百萬美元）圖 5：英偉達游戲、數(shù)據(jù)中心、汽車三塊業(yè)務同比增速5000450040003500300025002000150010005000194125141611900191 132 145180387 111661 148172143 163 155152 138144 606 701 760 7921621111752236

23、186 176 156 251 501 254 251 281127 12814230511663 16699 209 726 968 1141240 296 140 416 239679 634293 266655 324291331203117133 15191163 207 225 409307205 2352271143189 214 1,244 1348687 7811,5611739 1,7231,8051,764165916541027 1861,954 1,0551,3131,491 1339游戲 專業(yè)視覺效果 數(shù)據(jù)中心 汽車 OEM&IP 游戲 數(shù)據(jù)中心 汽車167%162%

24、80%56%30%37%27%14%43%26%-14%-10%0% -7%-27%-23%-39%-47%240%180%120%60%0%Q3FY21Q2FY21Q1FY21Q4FY20Q3FY20Q2FY20Q1FY20Q4FY19Q3FY19Q2FY19Q1FY19Q4FY18Q3FY18Q2FY18Q1FY18Q4FY17Q3FY17Q2FY17Q1FY17Q3FY21Q2FY21Q1FY21Q4FY20Q3FY20Q2FY20Q1FY20Q4FY19Q3FY19Q2FY19Q1FY19Q4FY18Q3FY18Q2FY18Q1FY18Q4FY17Q3FY17Q2FY17Q1FY17-

25、60%資料來源：英偉達財報，中信證券研究部資料來源：英偉達財報，中信證券研究部銀行業(yè)積極擁抱 AI，深耕細分場景的 SaaS 企業(yè)或將受益我們認為傳統(tǒng)銀行業(yè)內(nèi)部面臨快速增長的產(chǎn)品線和接踵而來的成本瓶頸限制，外部面臨長期低息的環(huán)境和數(shù)字金融的競爭，亟需拓寬盈利渠道、裁減開支。AI 可通過感知、理解、機器學習和深度學習代替人力完成大量的機械的程序性的工作，賦能銀行前中后臺的智能身份識別、智能客服、AI 風控等業(yè)務，對銀行業(yè)極具吸引力。據(jù) Business Insider 預測，2020-2023 年 AI 的賦能可使全球銀行業(yè)節(jié)省 4470 億美元成本，其中中臺 AI 風控價值量最高，或將節(jié)約 2

26、170 億美元成本。從環(huán)節(jié)看，1）以智能身份識別及智能客服為代表的前臺業(yè)務是傳統(tǒng)銀行和 AI 科技融合較深的領域。人臉識別和語音識別將 AI 光學和聲學應用覆蓋到銀行智能身份識別的基礎業(yè)務中?；?AI 的智能客服現(xiàn)已成銀行標配，在降低運營成本、提升服務效率和用戶體驗上表現(xiàn)突出；2）以反洗錢、防欺詐為代表的中臺風控業(yè)務是 AI 落地的主要場景，Business Insider 預測 2020-2023 年 AI 賦能全球銀行業(yè)所帶來的近半成的成本收縮出自中臺。AI 算法基于大數(shù)據(jù)多輪追溯，偵破關鍵轉賬節(jié)點和可疑交易網(wǎng)絡，可以有效降低可疑交易誤報率。3）受制于較小/低的潛在行業(yè)規(guī)模和投資回報率，

27、以信貸審批和智能平臺運營為代表的后臺業(yè)務與 AI 技術的融合度目前相對較低。我們認為銀行業(yè)的未來趨勢是融入 AI 生態(tài)，構建多維合作。國外包括 Capital One、摩根、花旗、高盛在內(nèi)的大行一方面加速內(nèi)部的 AI 布局，另一方面在細分場景與初創(chuàng) SaaS企業(yè)合作；而國內(nèi)或將形成大行+科技巨頭的合縱連橫。國有四大行分別攜手 BATJ。農(nóng)行與百度、建行與阿里巴巴、中行與騰訊、工行與京東紛紛以簽署戰(zhàn)略合作協(xié)議或設立金融科技實驗室的方式達成戰(zhàn)略合作?？紤]到中外銀行積極向 AI 轉型的力度，我們認為深耕細分賽道并在算法及經(jīng)驗上占有先機的 SaaS 公司也有機會通過融入生態(tài)，通過深度定制合作的方式分一

28、杯羹，例如之前提到的 Feedzai、Featurespace 等，也包括國內(nèi)例如云從科技、第四范式等。圖 6：銀行中臺的 AI 風控是主要落地場景實現(xiàn)程度圓圈面積代表未來5年潛在投資回報率大小反詐騙智能身份識別反洗錢流程自動化減少誤報率智能存款投資建議共同匯報標準 (后臺)共同匯智能客服報標準客戶互動(前臺)銀行前臺銀行中臺銀行后臺銀行支持程度資料來源：Business Insider（含預測），中信證券研究部圖 7：AI 銀行前中后臺應用場景概覽環(huán)節(jié)前臺中臺后臺潛在成本縮減規(guī)模$217B$31B$198B成熟度高細分場景成熟度低智能客服反詐騙和風控 反洗錢和客戶身份驗證信貸審批語音助理生物

29、識別法務及合規(guī)智能合約資料來源：Business Insider（含預測），中信證券研究部AI 金融風控技術上可分為四步，首先是數(shù)據(jù)獲取，例如收集客戶數(shù)據(jù)、交易數(shù)據(jù)及行為數(shù)據(jù)等；第二步將數(shù)據(jù)進行初步處理，例如對各類數(shù)據(jù)進行標簽、匹配及聯(lián)結等簡單操作；第三步則是進行更深層次的場景分析，參照底層的商業(yè)規(guī)則、風控指標及異常值等利用神經(jīng)網(wǎng)絡模型進行訓練分析；最后一步則是輸出異常值警報及風險的來源路徑等。圖 8：AI 金融風控示意圖資料來源：Quantexa 官網(wǎng)AI 保險從投保到理賠全線場景落地，節(jié)本增效實現(xiàn)與消費者的雙贏我們認為產(chǎn)品同質化難以滿足客戶個性化的需求、信息不對稱導致的運營成本增加和保險欺

30、詐是保險行業(yè)發(fā)展的陳年苛疾。據(jù)國際保險監(jiān)督管協(xié)會統(tǒng)計，全球每年有 20%-30%的保單涉嫌欺詐，而由于保險公司無法區(qū)分，導致信譽良好的保險人每年多承受幾百美元的保費開支。AI 技術通過深度學習、外部數(shù)據(jù)整合和流程化處理，將在分銷、承保、定價、理賠等多個細分賽道賦能保險業(yè)，市場前景廣闊。據(jù) Business Insider 預計，2020-2023年 AI 技術將為保險業(yè)減少 3900 億美元的成本，其中前臺業(yè)務價值量最高，或將實現(xiàn) 1680億美元成本的縮減。從環(huán)節(jié)看，1）前臺客戶端從定制投保到秒級理賠全線場景落地，大數(shù)據(jù)、定制化和自動化貫穿客戶的全線產(chǎn)品體驗。例如美國新興 AI 保險公司 Le

31、monade 支付和理賠可在 3秒內(nèi)完成，國內(nèi)互聯(lián)網(wǎng)保險眾安在線雙 11 期間的承保峰值可達每秒 3 萬單。2）中臺的客戶分析和欺詐甄別為保險公司上了一重保險，有效回避了因信息不對稱導致的逆向選擇和道德風險。例如同盾科技可監(jiān)測到中國 62%的網(wǎng)絡詐騙人群，賦能保險公司 AI 風控，可有效降低運營成本。3）后臺的風險評估、理賠評估和檔案管理則通過大數(shù)據(jù)對潛在的風險進行檢測和預警，通過流程自動化減少公司的運營成本。圖 9：AI 保險從投保到理賠全線場景落地保險欺詐監(jiān)測最優(yōu)要素配置定制客戶服務自動保單生成減少因保險欺詐造成的損失提高效率降低成本客戶需求預測提高服務質量優(yōu)化定價策略確定最優(yōu)價格提供差異

32、化產(chǎn)品貫徹顧客價值主張便捷的服務方式欺詐甄別實時的私人定制化服務承保人及通過社交監(jiān)測欺詐跡象10%的財產(chǎn)和傷亡索賠存在潛在欺詐30%的索賠金額可以通過反欺詐被減免80%的保費被用于支付和賠償?shù)南嚓P流程相關資源安排最佳產(chǎn)品推薦預測分析風險管理健康和其他補貼承保人及其它要素配置80%的行政流程可由AI代替6%-8%的產(chǎn)能將被釋放定制化的客戶互動53%的高風險行為被減少$200萬美元的年度成本將被節(jié)省智能化的保單生成39%的重復性行政工作可以被AI替代資料來源：dxc 官網(wǎng)，中信證券研究部圖 10：AI 保險前中后臺應用場景概覽環(huán)節(jié)前臺中臺后臺$168B$99B$125B潛在成本縮減規(guī)模價值高私人定

33、制保單反詐騙風險管理細分智能客服反洗錢和客戶身份驗證理賠管理價值低智能理賠合規(guī)檔案管理場景資料來源：Business Insider（含預測），中信證券研究部智能投顧方興未艾，有望引領下一個 AI 金融的浪潮智能投顧是指根據(jù)客戶特征和風險偏好，基于量化投資策略推薦投資組合，并追蹤宏觀經(jīng)濟波動和市場情緒，進行自動風控和授權調(diào)倉。我們認為與傳統(tǒng)投顧相比，智能投顧以低門檻、低費率、高效率的優(yōu)勢覆蓋了下沉市場和中低凈值客戶。隨著移動互聯(lián)、大數(shù)據(jù)、云計算以及 AI 技術的成熟和年輕一代消費群體對數(shù)字化產(chǎn)品的期待，智能投顧有望成為 AI 金融的下一片藍海。據(jù) SimCorp 統(tǒng)計，2019 年全球智能投顧

34、管理資產(chǎn)規(guī)模超萬億美元，同比增長 84%，該機構預計 2023 年全球智能投顧或將管理超 2.6 萬億美元的資產(chǎn)，2020-2023 年復合增長率可達 36%。我們認為人機結合的混合模式是未來智能投顧發(fā)展的主流。智能投顧主要有三種商業(yè)模式以機器為主（Betterment、Motif）、以人為主（銀行、證券、基金等傳統(tǒng)資管機構）和人機結合（Wealthfront、Vanguard）。人機結合的混合模式兼顧業(yè)務的廣度和深度，一方面基于 AI 算法可實現(xiàn)低成本下長尾用戶的高覆蓋，另一方面基于客戶分層為高凈值客戶提供差異化的人工服務。根據(jù) MyPrivateBanking 預測，到 2025 年，混合

35、模式所管理的資產(chǎn)規(guī)模將占到智能投顧的 86%。我國智能投顧始于 2015 年，由藍海智投和理財魔方的引入，以平安一賬通和國金涌富為代表的傳統(tǒng)金融機構和以百度股市通為代表的互聯(lián)網(wǎng)巨頭也隨之入局。資管賽道的 AI 變革已是箭在弦上，但監(jiān)管趨嚴或將成為“達摩克里斯之劍”。圖 11：智能投顧管理資產(chǎn)規(guī)模近年迅速增長圖 12：2019 年美中占據(jù)智能投顧市場 95%份額3.00全球智能投顧AUM（萬億美元）同比（%）107%2.652.3384%1.901.501.040.560.2744%27%23%14%120%歐洲, 3%其他, 2%2.502.00100%80%1.5060%1.0040%0.5

36、020%0.00中國, 18%美國, 77%2017201820192020E2021E2022E0%2023E資料來源：SimCorp（含預測），中信證券研究部資料來源：SimCorp，中信證券研究部圖 13：智能投顧的商業(yè)模式智能投顧機器為主以人為主人機結合社交跟投主題投資量化投資公司財報宏觀數(shù)據(jù)事件驅動傳統(tǒng)金融公司互聯(lián)網(wǎng)金融公司第三方平臺原有平臺擴展投資輔助建議大類資產(chǎn)配置被動主動策略投資國外企業(yè)國內(nèi)企業(yè)資料來源：logo 來自各公司官網(wǎng)，中信證券研究部 AI 金融應用及技術通過前面的分析，我們可以看到 AI 技術例如機器學習、自然語言處理、計算機視覺及神經(jīng)網(wǎng)絡等在金融業(yè)中后臺得到了廣泛

37、的應用。但相比其他行業(yè)而言，金融業(yè)廣大的客戶群體及嚴格的風控監(jiān)管要求決定了 AI 技術率先在前臺客服及中臺風控中落地，且 AI 對于傳統(tǒng)金融行業(yè)在這兩方面耗時耗力的痛點也可迎刃而解。后續(xù)我們將對前臺客服及中臺風控兩大金融業(yè)內(nèi)的痛點及 AI 帶來的改變進行深入分析，還將對自然語言處理（NLP）及自動編碼神經(jīng)網(wǎng)絡（Autoencoder Neural Network）兩項 AI 技術如何應用在聊天機器人（Chatbot）及 AI 風控（Anti-Fraud 為主）進行簡單介紹。圖 14：AI 技術通常率先應用在行業(yè)痛點上（%代表行業(yè)板塊中 AI 的滲透率）資料來源：McKinsey “AI ado

38、ption advances, but foundational barriers remain”，中信證券研究部客服為矛聊天機器人聊天機器人（Chatbot）是指能夠模擬人類，并通過圖靈測試（圖靈測試是 1950 年科 學家圖靈提出的一項測試：如果一臺機器能夠與人類展開對話而不被辨別出其機器身份，那么稱這臺機器具有智能），經(jīng)由對話或文字進行交談的計算機程序。聊天機器人可為金融業(yè)提供眾多用途服務，例如客戶服務（開戶、交易、轉賬及投資建議）、資訊獲?。ㄓ囝~、交易記錄及地址查詢）等，并可大幅提高效率及準確率并降低運營成本。根據(jù) Juniper Study 預測，2020 至 2022 年聊天機器人

39、可幫助全球銀行業(yè)節(jié)約超 80 億美元的成本，相當于節(jié)約 8.6 億個小時，對應超 50 萬年的工作量（月工作量以 150小時計）。同時，根據(jù) Gartner 預計，截至 2020 年末聊天機器人將處理超過 85%與客戶服務相關的交互工作。此外，今年疫情下的禁足令等限制措施，也使得金融業(yè)加快對聊天機器人的布局，以滿足客戶對“無接觸云辦公”這類新常態(tài)業(yè)務模式的需求。聊天機器人相比傳統(tǒng)的人工具備以下優(yōu)點：成本節(jié)約：聊天機器人相比同等工作量的客服人員而言成本更低，也較銀行旗下的獨立 APP 更容易開發(fā)及維護，并可接入 FB Messenger 及智能音箱等多渠道，其云端的屬性也節(jié)省了數(shù)據(jù)存儲費用。界面

40、便利：聊天機器人相比傳統(tǒng)的銀行 APP 操作起來更加直觀和簡潔。聊天機器人不需要下載 APP，并且還會根據(jù)客戶的使用習慣進行個性化定制。方便溝通：相比電話及面對面等傳統(tǒng)的交流方式，現(xiàn)今更多客戶喜歡采用即時通訊的方式溝通，相比之下 Email 或者在線表格等方式也顯得過于死板，不夠人性化。而聊天機器人的出現(xiàn)則可以解決傳統(tǒng)溝通方式不便的問題，并較好地結合聊天效率與生動性。投資建議：聊天機器人可以提供與客戶相關信息的查詢功能，包括追蹤消費習慣、查詢信用分數(shù)、管理賬單并準確地告訴客戶他們在何時何地消費。這也使得聊天機器人可為客戶推薦更為合適的財富管理方式。賬戶開設：當一個潛在的用戶訪問公司網(wǎng)站時，聊天

41、機器人可在第一時間以彈窗的方式歡迎客戶，并在后續(xù)的問答中解答客戶的疑問及給出相關產(chǎn)品的訪問路徑。這種沉浸式的體驗將使得客戶有興趣開立一個新的賬戶。24/7 支持：24/7 全天候的聊天功能目前受到越來越多“一直在線”的年輕客戶喜愛，這也意味著具備全天候在線的聊天機器人的機構相比競爭對手可以吸引更多年輕客戶。除去以上優(yōu)點外，目前聊天機器人也有它相對的局限性，這主要是由于 AI 技術層面的局限帶來的，包括聊天機器人回答問題范圍的局限性，對語言及口音的普適性不夠，對上下文的情境分析不夠準確及不能同時處理數(shù)個問題等。但我們認為隨著底層自然語言處理等 AI 技術的迭代，以上問題均有望得到緩解或者解決。例

42、如下圖所示，2019 年兩篇論文中分別提到如何利用上下文語境補全語句中的殘缺單詞及利用用戶反饋可及時對原有回答進行更正。圖 15：2019 年論文中提到通過上下文語境的分析實現(xiàn)無監(jiān)督情境下的“hate”重寫資料來源：arX “Feedback-Based Self-Learning in Large-Scale Conversational AI Agent”，Pragaash Ponnusamy, Alireza Roshan Ghias, Chenlei Guo, Ruhi Sarikaya圖 16：通過“再生成”模塊（紅色）對已經(jīng)有自然語言理解進行修訂，適用于 Siri、Alexa 等大

43、規(guī)模對話軟件資料來源： arX “Unsupervised Context Rewriting for Open Domain Conversation”，Kun Zhou, Kai Zhang, Yu Wu, Shujie Liu, Jingsong Yu聊天機器人應用考慮到聊天機器人優(yōu)秀的性價比及客戶體驗，國際金融巨頭除了內(nèi)部研發(fā)外，或也會與第三方初創(chuàng)企業(yè)合作部署聊天機器人。例如美國銀行的 Erica（截至 2019 年 3 月已擁有超 600 萬客戶），摩根大通的 COIN（中后臺為主，可提取關鍵詞快速處理商業(yè)信貸協(xié)議），富國銀行（利用 FB Messenger 渠道，底層算法由 Kis

44、isto 公司支持）及 Capital One 的 Eno 等；除去國際大型銀行，包括 Kasisto、Digital Genius 在內(nèi)的初創(chuàng)公司也在為例如 Mastercard、Salesforce 的聊天機器人提供技術支持。此外，英偉達在 AI 硬件 GPU 方面的領先優(yōu)勢也使得眾多 AI 初創(chuàng)企業(yè)選擇英偉達 AI 平臺幫助訓練及執(zhí)行，例如 Voca.ai 推出的 Chatbot 即采用了英偉達的語音轉文字及文字轉語音技術。圖 17：金融業(yè)觀點：聊天機器人被視為是金融業(yè)的機遇圖 18：許多金融機構已部署或計劃部署聊天機器人不是機遇也不是挑戰(zhàn), 2%更多是一個挑沒有機會, 現(xiàn)在已在運13%

45、行, 15%2-3年內(nèi)計劃實施, 15%正在積極實施,31%12月內(nèi)計劃實際, 26%戰(zhàn), 2%機會與挑戰(zhàn)并存, 16%更多是一個機遇, 80%資料來源：thefinancialbrand 網(wǎng)站問卷調(diào)查，中信證券研究部資料來源：thefinancialbrand 網(wǎng)站問卷調(diào)查，中信證券研究部圖 19：金融機構相信聊天機器人將承擔大部分客服工作圖 20：現(xiàn)有銀行回復消息速度緩慢35%30%25%20%15%10%5%聊天機器人替代人工客服的比例50%20%15%15%60%50%40%30%20%10%32%25%24%11%7%1%0%0-10%11-25%26-50%51-75%76-90%

46、90-100%0%少于15分鐘15-30分鐘30-60分鐘超過60分鐘資料來源：thefinancialbrand 網(wǎng)站問卷調(diào)查，中信證券研究部資料來源：thefinancialbrand 網(wǎng)站問卷調(diào)查，中信證券研究部圖 21：聊天機器人生態(tài)鏈部署渠道第三方聊天機器人技術支持語音助手國內(nèi)聊天機器人初創(chuàng)企業(yè)資料來源：BI Intelligence 官網(wǎng)，國內(nèi)各公司官網(wǎng)，中信證券研究部Kasisto 作為目前全球領先專門從事金融業(yè)聊天機器人的初創(chuàng)公司，當前估值約 1-5億美元。旗下主要產(chǎn)品銀行服務類聊天機器人 KAI 已擁有超過 1800 萬用戶，服務的大型客戶包括 Mastercard、DBS、

47、德勤，摩根大通及渣打等眾多國際金融巨頭。今年 2 月 Kasisto剛完成其 B 輪 2200 萬美元的融資。根據(jù) Kasisto 公司的說法，采用公司的聊天機器人軟件，90%的話可由 AI 自動完成，無需人工干預，目前 KAI 已支持 16 個國家 4 種語言。圖 22：Mastercard 聊天機器人采用 Kasisto 公司技術資料來源：Mastercard APP圖 23：KAI 作為 API 可接入多類渠道并支持個人銀行、商業(yè)銀行及財富管理等多種業(yè)務資料來源：Kasisto 官網(wǎng)國內(nèi)聊天機器人領域也有眾多參與者，相對知名的包括云從科技等明星 AI 獨角獸，還包括專注于聊天機器人領域的

48、小 i 機器人、智齒科技及圖靈機器人等。圖靈機器人成立于 2010 年，是一家以語義和對話技術為核心的人工智能公司。通過圖靈機器人，開發(fā)者和廠商能夠以高效的方式創(chuàng)建專屬的聊天機器人、客服機器人、領域對話問答機器人、兒童/服務機器人等。截至目前公司已為客戶創(chuàng)建聊天機器人超 230 萬例，開放域聊天準確率 81.64%，垂域技能準確率 96.34%，并擁有開放域聊天與垂域技能超過 5 輪的上下文對話能力。圖靈機器人累計完成 4 次融資，其中包括 A 股上市公司江南化工及奧飛娛樂，兩者分別在 2015 及 2016 年投資 5000 萬人民幣，奧飛投后公司估值達 10 億。2018 年 6 月圖靈機

49、器人宣布完成 B+輪融資，本輪總融資金額達 3.5 億，投資方包括中一資本、前海梧桐母基金等多家專業(yè)投資機構。圖 24：圖靈機器人合作伙伴資料來源：圖靈機器人官網(wǎng)智齒科技成立于 2012 年，是一家全渠道 SaaS 智能客服系統(tǒng)提供商。公司產(chǎn)品包括包括呼叫中心、機器人在線+呼入+呼出、 人工在線客服及工單系統(tǒng)等。公司在線客服聊天機器人可實現(xiàn)準確率 97%，節(jié)省 85%人力成本。截至 2020 年 4 月，公司合作應用企業(yè)超過 20 萬+家，包括陽光保險、友邦保險、中國電信、長城汽車、滴滴出行、鏈家、每日優(yōu)鮮、九牧、新東方、學而思、惠普、華為、海信、美的、EMS、融創(chuàng)、廣州市政府等在內(nèi)的知名政企

50、已經(jīng)成為智齒科技的合作企業(yè)客戶，覆蓋金融、零售、教育、企業(yè)服務、生活消費、游戲、運營商、政府及公共事業(yè)機構等多元領域。智齒科技累計完成 5 次融資。2020 年 5 月，智齒科技獲得用友戰(zhàn)投、云啟資本跟投的 2.1 億元人民幣 C 輪融資。在此之前，智齒科技還曾獲得真格、華創(chuàng)、IDG、拓爾思、界石等頂級投資公司的青睞。圖 25：智齒科技客戶資料來源：智齒科技官網(wǎng)，中信證券研究部聊天機器人技術從技術層面，早期聊天機器人與現(xiàn)在的聊天機器人存在本質不同。早期聊天機器人只能提取用戶輸入的關鍵字，再從預先設定的語料庫中配對尋找對應的應答句，較為機械且只能按照設定的路線回答。近年來，隨著機器學習和其他基礎

51、技術例如自然語言處理的巨大進步，如今的聊天機器人更加智能，響應速度更快，并且與傳統(tǒng)模式最大的不同在于其可以自行迭代學習。圖 26：傳統(tǒng)聊天機器人（例如國內(nèi)淘寶、攜程也大多采用這類事先編程且僅支持選項和少量詞匯的聊天機器人資料來源：Domino APP采用自然語言處理技術的聊天機器人學習語言的方式與小孩類似。在利用大量的案例訓練過后，聊天機器人可將客戶的問題與之前的訓練聯(lián)系起來，理解沒有被準確編程過的問題并利用概率學給出一個相對合理的答案。目前，聊天機器人是虛擬助理（如 Google Assitant、Apple Siri 和 Microsoft Cortana）的一部分，并可以與許多組織的應用

52、程序、網(wǎng)站以及即時消息平臺(Facebook Messenger)連接。沒有 NLP 技術，我們無法想象 Amazon 的智能音箱 Alexa 如何恰當?shù)幕貞愕恼Z音 信息。想象當你發(fā)送一條“Hello”的信息時，NLP 技術讓聊天機器人理解你的問候是希 望發(fā)生一段對話，然后 NLP 技術會讓聊天機器人生成一段合適的回應來開啟你們間的對話。這是傳統(tǒng)以語料庫為基礎提前編程的聊天機器人所不具備的功能。圖 27：采用 AI 技術的聊天機器人Chatbot 流程用戶通訊平臺機器學習AI大腦自然語言處理數(shù)據(jù)管理平臺合作伙伴API人工干預執(zhí)行通訊平臺資料來源：Wizeline 官網(wǎng)，中信證券研究部接下來我

53、們對自然語言處理這項技術及其背后的循環(huán)神經(jīng)網(wǎng)絡和長短記憶網(wǎng)絡進行簡單的解釋。自然語言處理（Natural Language Processing，縮寫作 NLP）是人工智能和語言學領域的分支學科，該領域主要目的是通過大量人類自然語言的數(shù)據(jù)訓練，幫助計算機理解及運用人類的自然語言，提高人機間的交互能力。自然語言處理包括多個方面和步驟，大體可以分為認知和理解、生成兩大部分，即自然語言理解（Natural Language Understanding，縮寫 NLU）及自然語言生產(chǎn)（Natural Language Generation，縮寫 NLG）。自然語言認知和理解是讓電腦把輸入的語言變成具備意

54、義的符號和關系，然后根據(jù)目的再處理。自然語言生成系統(tǒng)則與之相反，把計算機數(shù)據(jù)轉化為人類自然語言。具備可分為以下五步：1、 符號化：聊天機器人首先將文本分段成單詞，并去除標點；圖 28：標簽化資料來源：towardsdatascience “How to Build a Chatbot A Lesson in NLP”，作者 Rishi Sidhu，中信證券研究部2、 標準化：聊天機器人會將拼寫錯誤、俚語及筆誤等轉化成標準化的單詞；圖 29：標準化資料來源：towardsdatascience”How to Build a Chatbot A Lesson in NLP”，作者 Rishi Si

55、dhu，中信證券研究部3、 命名實體：當單詞都標準化后，聊天機器人會試圖確定這些單詞所對應的意思，是一個物體、一個國家還是一串地址。例如當 North America 出現(xiàn)時，其有 67%的概率事作為一個地址；Google 出現(xiàn)時，其大概率被認為是一家公司；圖 30：命名實體資料來源：towardsdatascience “How to Build a Chatbot A Lesson in NLP”，作者 Rishi Sidhu，中信證券研究部4、 語法分析：聊天機器人將句子利用語法拆分為名字、動詞、賓語、標點及標準短語等，幫助機器理解用戶想要傳達的意思。拆分語句時存在多種搭配的排列組合，需

56、要 AI 結合上下文及訓練的案例進行概率判斷；圖 31：語法分析資料來源：towardsdatascience “How to Build a Chatbot A Lesson in NLP”，作者 Rishi Sidhu，中信證券研究部5、 生成：最后聊天機器人會通過以上步驟所獲得信息生成一系列的回應，并從中選擇一個最恰當、概率上最正確的回答進行答復。圖 32：從眾多答案中挑選一個最合適的，需結合上下文語境并利用統(tǒng)計學分析資料來源：towardsdatascience “How to Build a Chatbot A Lesson in NLP”，作者 Rishi Sidhu，中信證券研究

57、部在進行以上五個步驟的過程中，每個步驟內(nèi)都需要神經(jīng)網(wǎng)絡模型的輔助。在通過大量的數(shù)據(jù)訓練后，神經(jīng)網(wǎng)絡可將輸入值 x 導入經(jīng)訓練的隱藏層函數(shù)中，并得出對應的輸出值 y。但簡單的神經(jīng)網(wǎng)絡僅可單獨處理單一的輸入值，前一個輸入和后一個輸入是完全獨立的。而例如自然語言處理中存在大量的關聯(lián)序列即上下文語境，因此需要能夠更好處理序列信息的模型，循環(huán)神經(jīng)網(wǎng)絡（RNN）及長短期記憶網(wǎng)絡（LSTM）正是為解決這一問題而誕生的。（下文中反欺詐領域對關聯(lián)信息的較高要求也使得 RNN 及 LSTM 在該領域有較深的應用）尤其是對應到自然語言處理第 3、4、5 三個步驟時，AI 若簡單根據(jù)單個詞組的輸入信息無法得出準確的判

58、斷。因為自然語言處理中最主要的問題就是存在語言歧義，對于一個單詞存在動詞名字等多種形式，同時對于一句常見的 20-30 字的句子，甚至可能包含上萬種語義關聯(lián)結構，因此結合上下文語境對自然語言處理十分重要，例如圖 22 所示，AI 通過上下文語境僅需要短短幾個詞語即可準確地判斷客戶的意圖，而不是讓客戶再次提供重新的信息。圖 33：循環(huán)神經(jīng)網(wǎng)絡可結合本次輸入信息及歷史信息進行分析，t-1 時刻的 S 與 x1 共同影響 t 時刻的 S1資料來源：blog.csdn基礎篇 一文搞懂 RNN，作者憶臻，中信證券研究部長短期記憶網(wǎng)絡（LSTM）相比循環(huán)神經(jīng)網(wǎng)絡（RNN）則更近一步，不僅可保留短時的前次歷

59、史信息，更可以保存長時的過往多次歷史信息。LSTM 相比 RNN 增加了三個閥門（輸入門、遺忘門、輸出門），可控制輸入信息的數(shù)量，攜帶歷史信息的數(shù)量及輸出歷史信息的數(shù)量，可做到類似于人類的記憶一般選擇性記憶、選擇性遺忘及選擇性回想。圖 34：綠色方框代表一個記憶單元，代表閥門，tanh 代表激活函數(shù)資料來源： “Understanding LSTM Networks”，作者 Christopher Olah，中信證券研究部風控為盾AI 風控金融信貸及承保類業(yè)務的核心是做好信用評估和風險定價，都依賴大量用戶數(shù)據(jù)的增信驗證。因此風控水平作為金融業(yè)核心中的核心一直是業(yè)內(nèi)及監(jiān)管重點關注的指標。據(jù) Em

60、erj 統(tǒng)計，銀行業(yè)大約有 46%的 AI 產(chǎn)品來自大風控領域(欺詐及網(wǎng)絡安全、風險管理及合規(guī))，遠超當下熱門的聊天機器人（14%）及智能投顧（13%）。同時，在中國 AI 風控也占據(jù)了近半 AI 金融落地場景的市場規(guī)模及近 1/3 的 AI 金融投融資事件。Aite Group 預計至 2023 年全球投入反欺詐軟件的開支將達到 50 億美元，2020-2023 年 CAGR 達 38%。圖 35：2017-2023 年全球反欺詐及反洗錢開支（億美元）圖 36：銀行業(yè) AI 供應商細分領域產(chǎn)品數(shù)量及占比47.24029.8189.43.71.55045403530資產(chǎn)管理, 8, 7%25商