人工智能升級金融科技

1、人工智能升級金融科技技術(shù)創(chuàng)新 變革未來AI是如何賦能傳統(tǒng)行業(yè)的？AI的機(jī)遇在哪？銀行互 聯(lián) 網(wǎng)人 工智 能信息模式獲客風(fēng)控 運(yùn)營驅(qū)動力基于單個(gè) 時(shí)間節(jié)點(diǎn)有限真假難辨任何時(shí)間 任何地點(diǎn) 任何行為（不涉及隱私）海量難于造假傳統(tǒng)金融VS互聯(lián)網(wǎng)時(shí)代缺少信用數(shù)據(jù)群體龐大征信體系覆蓋嚴(yán)重偏低2015年中國消費(fèi)信貸規(guī)模達(dá)到19.0萬億，同比增長23.3%。預(yù)計(jì)，繼續(xù)保持20%以上的增長趨勢，2019年將達(dá)到41.1萬億。5億+個(gè)人5000萬+小微企業(yè)64.82.54116-core CPU2013/112014/092015/12TitanTitan Black Titan X商業(yè)變現(xiàn)場景成熟消費(fèi)信貸市場成

2、長迅速數(shù)據(jù)處理能力大增機(jī)器學(xué)習(xí)等量數(shù)據(jù)的時(shí)間商2020年：10ZB-44ZB（44萬億GB）高難可用數(shù)據(jù)爆炸式增長低 征易消信運(yùn)費(fèi) 營社交 行為 其他35%92%0%50%100%中國美國AI重構(gòu)金融業(yè)態(tài)的必要性和可行性缺乏對非結(jié)構(gòu)化數(shù)據(jù)的挖掘能力1金融服務(wù)人群下沉，缺乏數(shù)據(jù)難于理解客戶2數(shù)據(jù)異質(zhì)異構(gòu)，文本、時(shí)序等難于有效解讀數(shù)據(jù)接入、打通融合和集成困難特征工程產(chǎn)生上千維變量，難以有效整合形成協(xié)同效應(yīng)3更低的成本 更高的價(jià)值有限響應(yīng)隨時(shí)響應(yīng)網(wǎng)點(diǎn)服務(wù)隨地運(yùn)作同質(zhì)產(chǎn)品隨人匹配廣泛撒網(wǎng)隨需營銷隨時(shí)無休服務(wù)隨地線上處理隨人千人千面隨需精確滿足缺少信用數(shù) 據(jù)群體龐大5億+個(gè)人5000萬+小微企業(yè)挑戰(zhàn)目標(biāo)

3、線上運(yùn)作，對風(fēng)控判 斷和客戶洞察的實(shí)時(shí) 性要求不斷提升市場、客戶行為與 金融風(fēng)險(xiǎn)情境頻繁 演化VS金融智能化升級的目標(biāo)與挑戰(zhàn)通過AI驅(qū)動金融業(yè)務(wù)升級中國最早布局金融風(fēng)控業(yè)務(wù)的人工智能公司運(yùn)用全域知識圖譜與機(jī)器學(xué)習(xí)技術(shù)，融合率先浸入大型金融場景打磨形成的知識體系和實(shí)戰(zhàn)經(jīng)驗(yàn)，助力金融機(jī)構(gòu)業(yè)務(wù)升級并實(shí)現(xiàn)用戶價(jià)值放大、風(fēng)險(xiǎn)控制強(qiáng)化和經(jīng)營效率提升。金融機(jī)構(gòu)提升運(yùn)營效率強(qiáng)化風(fēng)控體系強(qiáng)化客戶觸達(dá)更精準(zhǔn)技術(shù)驅(qū)動用戶體驗(yàn)價(jià)值提升AI技術(shù)數(shù)據(jù)金融 變現(xiàn) 場景經(jīng)超大流量互聯(lián)網(wǎng)實(shí)踐鑄造的 機(jī)器學(xué)習(xí)技術(shù)和知識圖譜招行等標(biāo)桿客戶深度實(shí)踐數(shù)百家客戶合作項(xiàng)目全 域 金 融 大 數(shù) 據(jù)AI閱 人從智能風(fēng)控到全領(lǐng)域智能金融服務(wù)數(shù)

4、據(jù)價(jià)值最大化不同領(lǐng)域及維度的數(shù)據(jù)具有不同的特 點(diǎn)，使用適用的建模方法才能最大化 數(shù)據(jù)的價(jià)值，集成學(xué)習(xí)框架可以支持 不同類型模型算法作為子模型。次級模型可解釋風(fēng)控模型具有合規(guī)性的要求, 次級模 型使用可解釋的邏輯回歸模型使得預(yù) 測在申請人各維度上可解釋.預(yù)測能力強(qiáng)可以高效,準(zhǔn)確的處理稀疏超高維的數(shù) 據(jù)進(jìn)行非線性建模, 且單一模型預(yù)測 能力有限,“好而不同”的模型集成效 果卓越, 更好的預(yù)測和更穩(wěn)定的結(jié)果.容錯能力強(qiáng)“好而不同”的模型集成效果更加穩(wěn) 定, 具有更強(qiáng)的容錯和抗擾動能力。特征工程高效復(fù)雜模型對特征缺失和特征冗余等問 題容忍度高, 大大簡化了繁瑣的特征 工程, 提高了模型開發(fā)和迭代效率遷

5、移能力強(qiáng)單獨(dú)領(lǐng)域的子模型可以快速遷移應(yīng)用 到新業(yè)務(wù)領(lǐng)域，實(shí)現(xiàn)快速成型和持續(xù) 優(yōu)化頂級AI引擎與知識圖譜構(gòu)建能力舉例：BLP智能風(fēng)控系統(tǒng)XBehaviorXBehavior是一套集合用戶移動設(shè)備行為采集、深度學(xué)習(xí)特征提取框架和復(fù)雜集成 模型等技術(shù)構(gòu)建的可持續(xù)自迭代閉環(huán)自動化風(fēng)控體系。系統(tǒng)特點(diǎn)：幫助用戶進(jìn)一步挖掘自有數(shù)據(jù)價(jià)值，可有效解決消費(fèi)金融場景中市場快 速變化，客群逐漸下沉高價(jià)值數(shù)據(jù)少，可用到的數(shù)據(jù)大都低飽和、高維且稀疏等難 題。核心優(yōu)勢跨場景模型適配事件流時(shí)序模式識別復(fù)雜機(jī)器學(xué)習(xí)建模多領(lǐng)域數(shù)據(jù)標(biāo)準(zhǔn)接口標(biāo)準(zhǔn)化云部署方式私有化本地部署方式私有建模服務(wù)方式將弱金融屬性的數(shù)據(jù)與金融預(yù)測目標(biāo)掛鉤支持從

6、特征到模型跨場景泛化、數(shù)據(jù)領(lǐng)域遷移、特征遷移、模型框架遷移對不同周期和時(shí)序模式的循環(huán)神經(jīng)子網(wǎng)絡(luò) 進(jìn)行合并學(xué)習(xí)，有效捕捉時(shí)序數(shù)據(jù)的特征 隱含信息及不同時(shí)序模式下的協(xié)同影響。需要靈活的云服務(wù)氪信數(shù)據(jù)服務(wù)&產(chǎn)品特點(diǎn)大量事件數(shù)據(jù) 存儲好而不同的集 成模型穩(wěn)定性 準(zhǔn)確性 可遷移性成熟的線上云解決方案 豐富可選擇的工具型技 術(shù)AWS云架構(gòu)圖多維度的數(shù)據(jù)源弱數(shù)據(jù)強(qiáng)價(jià)值數(shù)百客戶、大型場景客戶畫像智能風(fēng)控智能營銷智能客服智能運(yùn)營Function As A Service一體化智能服務(wù)層氪信AI引擎支撐技術(shù)場景化獲客智能服務(wù)（業(yè)務(wù)體系）智能觸客后 臺智能 前化臺運(yùn)作智能投資自然語言處理社交網(wǎng)絡(luò)分析機(jī)器學(xué)習(xí)深度學(xué)習(xí)氪信行為語言處理實(shí)時(shí)的