“AI 技术+人才”如何成为企业增长新引擎?戳此了解>>> 了解详情
写点什么

金融行业怎么用 AI?蚂蚁金服是这么做的

  • 2019-11-26
  • 本文字数:3775 字

    阅读完需:约 12 分钟

金融行业怎么用AI?蚂蚁金服是这么做的

伴随着金融科技的不断创新,人工智能技术已成为金融行业的重要驱动力。


在 9 月 27 日于杭州云栖小镇召开的云栖大会“金融智能”专场上,蚂蚁金服集团副总裁、AI 首席科学家、达摩院金融智能负责人漆远博士做了开场演讲,向与会嘉宾分享了金融智能方面的思考与实践。议题覆盖复杂网络、共享智能、知识图谱、深度图学习等多个核心技术领域,以及这些技术在蚂蚁金服的业务落地和实践,体现了以”人工智能+金融服务+普惠可持续”来打造“有深度有温度的金融科技”的理念。


以下为演讲的文字实录。


最新调查显示,全世界仍有超过 17 亿成人没有使用过银行服务,占世界总劳动力的 50%,并且,金融服务在不同地区存在巨大服务差异,尤其是低收入、女性、少数民族和经济不发达地区。由此可见,普惠金融仍然任重道远。


AI 是普惠金融的核心驱动力之一,这里将分享蚂蚁金服在发展金融智能过程中的实践与思考。


金融与 AI 两者是相辅相成的。AI 可以赋能普惠金融提升风控能力,提高效率,改善用户体验和减少信息不对称。而金融也为 AI 提供完美的场景,因为金融行业数字化程度最高,拥有全方位多场景的应用,同时 AI 可以对金融服务提供显著的改善效果,所以金融行业也更有动力去发展和应用 AI。

金融智能的机会与挑战

那么从金融行业的角度,目前对金融智能有哪些机会和挑战?我们总结,它主要集中在复杂动态网络、对抗性、人机协作、公平性、数据安全和隐私保护,以及不确定性几个方面。


首先是复杂动态网络,网络在金融服务里无所不在,不管是人和商家、商品间的网络,还是支付交易网络,再是社交网络,各种网络产生大量复杂的结构性数据,这些网络之间带有各种强网络效应,比如合作或竞争活动等,如何对它们进行建模后分析是非常有意思的挑战。


规模本身也是一个挑战,蚂蚁金服已经服务了上千万家的商户,全球十二亿用户,超过一百万服务和小程序,这背后有海量的数据和巨大的生态,我们需要考虑如何从这些海量并有噪音的数据里提取有效信息构建好的金融服务。


比如对贷款的套现欺诈,或者保险的带病投保,如何有效地利用机器学习分析海量的网络数据来防止欺诈行为是非常关键的。蚂蚁金服在这方面已经取得了一些成果,在 AAAI 2019 上发表论文:基于 Attention 及 LSTM 的 GeniePath 学习网络关键路径的重要性,在实际防骗保应用里达到 95%的准确率。



第二,对抗性是金融里非常关键的特点。每一笔交易都有可能是人和系统的对抗。对抗性与前面的大规模网络和实时处理需求结合起来,将会变成更大的挑战。比如在支付宝一个简单的扫码结账的操作里,需要多个流程节点,而人和商家之间的结账交易构成了一个非常大的关系网络,同时要得到近乎实时的返回结果。对此,对抗性的风险决策的时间需要控制在 100ms 以下。这绝对不是个容易的任务。


第三,人机协作问题,要想服务海量用户,可扩展是很基础的能力,而要实现可扩展,需要把操作链条中的人移除,实现自动化。但另一方面,为了防止灾难性风险或者系统性错误,金融系统中人工干预是不可或缺的。在这种混合式的人机系统里,我们需要解决机器预测和决策的可解释性,自动化算法可监测、可中断等等问题。


第四,算法的公平性。女性、少数族裔、低收入人群等弱势群体都应享有无偏见的金融服务。但标准化方法极易引发不自觉的偏见,完美的公平性和算法的准确性可能产生矛盾。随着机器智能在我们越来越多的系统里发挥着关键决策功能, 我们如何能够合理设计算法及其 Metrics 来预防和减少算法偏见,也是一个非常关键的研究方向。


第五,数据安全和隐私保护,在整个社会对数据和隐私保护越来越重视的大前提下,作为服务提供方希望能够打破数据孤岛,让更多的数据融合产生价值,同时保证数据安全隐私,这两者其实也是矛盾的,因此,我们要想办法应对这个挑战。


最后,还有金融风险的不确定性,现实中的一些黑天鹅事件会对金融造成非常大的影响。这些不确定性可能来自非线性自反馈或者隐含变量或者复杂动态网络。当前的机器学习缺乏好的工具来处理这些问题。我们看到一个好的方向是把经济学中的理论,比如博弈论和机制设计,与机器学习进行融合,推动对抗学习、基于机器学习的机制设计、多智能体系统,及因果分析等方面的进步。



当然,金融智能还有不少其他方向,这些方向既是挑战也是机会,每个方向往前走一步会推动技术发展和业界落地。

蚂蚁金服金融智能实践

蚂蚁金服致力于实现普惠金融,为全球的商户和消费者提供服务。



在过去几年里,我们构造了两个非常关键的学习能力,分别是蚂蚁图智能平台和蚂蚁共享智能平台。蚂蚁图智能平台支持百亿节点/万亿边的图数据推理和深度学习训练、毫秒级实时构图与查询能力;蚂蚁共享智能平台提供安全可信的数据共享和机器学习算法的跨机构联合建模能力,支持对百万级金融样本建模,秒级计算。


基于图智能技术,我们提升了企业风险刻画能力,帮助新增数百亿的贷款,其背后是从单点建模到网络化的升级,有效利用了海量的关系信息。另外一个关键词是共享智能,这是一种在多方参与且各数据提供方与平台方互不信任的场景下,能够聚合多方信息并保护参与方数据隐私的学习范式,详细的技术解读可以查看我们之前的技术文章《共享智能:蚂蚁金服数据孤岛解决方案》。我们已经在信贷业务里进行了实践。


另外,基于共享智能技术我们将风控能力赋能合作伙伴,联合数据建模提升模型性能,已经在外部银行落地联合放贷能力。我们希望将来能够联合更多的金融机构,使用共享智能更有效地提升双方风控能力,服务广大的客户。


这些实践应用的背后是多年的基础开发和经验积累,从 2015 年开始研发,我们有 50 多个专利在审,拿到了一系列相关奖项,并正在牵头制定国际 IEEE、国内以及行业等技术标准。我们有完整的软硬件结合的解决方案,既包括数据出域、在可信环境里共享智能,也包括数据不出域、模型在本地的共享智能,参与方可以非常灵活的选择不同模式共同提升风控能力。


前面的案例是用 AI 提升风控能力的,下面再介绍几个在提高效率,改善用户体验和减少信息不对称方面的落地案例。



首先是智能理赔,目的是通过人工智能能力来提升理赔效率。多收多保服务已经覆盖全国千万小商贩;相互宝已吸引 9 千万用户加入,去年新推出的老年版相互宝也在 9 天内突破 1000 万用户,真正让更多人享有保障。但是通过人工进行理赔由于单据多、流程复杂,相应的服务成本是非常大的挑战。如何提升服务效率,降低成本是智能理赔要解决的核心问题。在多收多保上,我们将它的核心能力总结为“212”:2 分钟报案,1 秒钟核赔,2 小时到账。



这里面的流程是,用户通过支付宝上传材料,我们基于金融级图像识别能力识别材料中的非结构化的文字、图章等信息,并结合 NLP 与健康知识图谱理解背后说什么,再抽取关键信息进行后续的校验和分析推理,从而进行智能理赔决策。



另一个案例是企业知识图谱。很多金融的风险来自于各方信息不对称,我们希望通过知识图谱来减少这种信息不对称。我们把非结构化的数据结构化,相关的数据通过相关的关联面联系起来,形成企业知识图谱,用来理解当前面临的重大风险,公司的风险指数,相关的风险级别等。



它的背后是一整个处理链条,比如这一段非结构化的自然语言的法律文本,我们把它给结构化,并把主体提取以后变成有效的知识图谱,就可以辅助分析和推理。



接下来讲用户体验的提升。对金融机构而言很重要的一点是客服体验,2016 年我们的用户大概是 4.5 亿,现在已经达到 12 亿,同时过去几年我们不断推出新的产品和服务,但客服人员并没有和用户数量及产品数量一样呈线性增长,核心的原因靠的是 AI。我们在 2015 年智能客服的自助率从 60%提升到了 94%,2016 年则是 97%,2017 年机器人服务平均质量超越了人工服务, 2018 年通过支付宝可以语音买票,今年云客服能力在钉钉服务了广大的客户,并助力菜鸟服务大量的物流公司,其背后即是借助人工智能改善用户体验。


最后讲一个非常有意思的事,是我们的同事在过去几个月志愿完成的一个小项目——“智能垃圾分类”。大家知道,正确分类是垃圾可回收处理的关键步骤。今年 7 月 1 号上海出台了垃圾分类政策。垃圾分类对回收垃圾减少碳排放是件大好事,但是对居民而言面对上千类垃圾如何正确分类不是件容易的事。于是蚂蚁 AI 几个算法同学和支付宝产品与运营同学一起组成了自愿攻坚小分队,基于我们已经有的图像、搜索、智能助理和知识图谱平台,快速开发 AI 垃圾分类,在两周后,就是 7 月 15 号,发布了 AI 垃圾分类小程序 。对于图像、语音、文本的准确率均达到了 90%以上,能够覆盖 2 万多种物品的识别与分类。上线一周后就达到了 400 万 DAU,3000 万的模型调用量。除了软件的小程序之外,我们还和生态合作伙伴研发出了“智能垃圾回收箱”的 IoT 硬件。


9 月 27 号,我们的同学在纽约参加了第 74 届联合国大会,现场宣讲蚂蚁金服智能垃圾分类解决方案,用 AI 技术践行联合国可持续发展目标(Sustainable Development Goals)。下一步,我们会和阿里云以及生态合作伙伴加强合作,将智能垃圾分类的技术开放出来,赋能整个垃圾处理产业,期待在 2025 年能帮助将中国的垃圾处理环节的碳排放降低 20%,这是我们的一个长期目标。


我们希望技术不仅仅有深度,也是有温度的,希望能够用人工智能来推进普惠可持续的金融服务。


本文转载自公众号蚂蚁金服科技(ID:Ant-Techfin)。


原文链接:


https://mp.weixin.qq.com/s/ZAqysZlKJz0MRJGp_dSg3Q


公众号推荐:

2024 年 1 月,InfoQ 研究中心重磅发布《大语言模型综合能力测评报告 2024》,揭示了 10 个大模型在语义理解、文学创作、知识问答等领域的卓越表现。ChatGPT-4、文心一言等领先模型在编程、逻辑推理等方面展现出惊人的进步,预示着大模型将在 2024 年迎来更广泛的应用和创新。关注公众号「AI 前线」,回复「大模型报告」免费获取电子版研究报告。

AI 前线公众号
2019-11-26 14:581187

评论

发布
暂无评论
发现更多内容

3DCAT亮相糖酒会,为元宇宙展会提供实时云渲染支持

3DCAT实时渲染

元宇宙 实时云渲染

聚焦 AIGC,函数计算为 AI 应用插上腾飞翅膀

Serverless Devs

Serverless FC AIGC

2023上海国际嵌入式展 | 如何通过人工智能驱动的自动化测试工具提升嵌入式开发效率

龙智—DevSecOps解决方案

嵌入式 嵌入式软件 嵌入式设计 嵌入式开发

想让ChatGPT和低代码开发实现完美结合?看这篇文章就行!

加入高科技仿生人

低代码 数字化 ChatGPT

软件测试/测试开发丨Allure2报告中添加附件-图片

测试人

程序员 软件测试 测试开发 Allure

几个小技巧,提高你的代码质量

SoFlu软件机器人

代码质量 程序员、 软件开发、

通俗易懂描述AIGC

这我可不懂

人工智能 低代码 AIGC JNPF

打卡有礼!快来 2023 开放原子全球开源峰会找龙蜥玩~

OpenAnolis小助手

开源 操作系统 龙蜥社区 开放原子全球开源峰会 龙蜥实验室

做开发5年,这8个高效开发好习惯我悟了🔥

引迈信息

程序员 前端 低代码 JNPF

运维人员福音!自定义插件为运维提供更多可能

嘉为蓝鲸

#运维 Python运维 Linux 运维

如何保障医疗机器人的功能与安全?这几条编码标准你一定要了解

龙智—DevSecOps解决方案

医疗机器人 编码标准

国外云主机:为你的业务提供全球级托管!

一只扑棱蛾子

云主机

直播倒计时1天 | 一体化智能可观测平台如何保障电商节大促

博睿数据

电商 智能运维 博睿数据 直播预告

PAG动效框架源码笔记 (五)渲染流程

olinone

ios android 动效 渲染

迈向新时代的英特尔代工服务:走差异化路径,坚持客户至上

最新动态

10个刚需的Blender小技巧

Finovy Cloud

blender C4D

【羊城晚报】WeOps智慧护航,传媒“领头羊”业务迈向新高度

嘉为蓝鲸

IT运维 传媒 传媒公司

揭秘新一代云数仓技术架构与最佳实践

字节跳动数据平台

大数据 数据仓库 云原生 OLAP 数据仓库服务

Vue.js 最佳实践:提高性能和减少耦合的方法

xfgg

JavaScript Vue 前端 6 月 优质更文活动

有哪些内外网都能传输文件的工具-镭速

镭速

提升效率:P4VFS让虚拟文件同步更迅速、更简单

龙智—DevSecOps解决方案

文件同步 虚拟文件同步 Virtual File Sync

软件测试丨Allure2报告中添加用例支持tags标签、失败重试功能

测试人

程序员 软件测试 测试开发 测试用例 Allure

TDengine 合作伙伴 +1,这次是「DaoCloud道客」

爱倒腾的程序员

涛思数据 时序数据库 ​TDengine

中企出海成大热趋势,海外用户如何高效触达

MobTech袤博科技

备战金九银十:大厂面试官必问MySQL连环炮全梳理,你扛得住嘛?

程序员小毕

Java MySQL 数据库 程序员 面试

下载量破 15000!龙蜥社区登陆阿里云 ACR 制品中心 TOP5 榜单

OpenAnolis小助手

阿里云 操作系统 容器镜像 龙蜥社区 Dragonwell

一篇关于代码质量的实用攻略!

SoFlu软件机器人

代码质量 软件开发、

牛客网论坛最具争议的Linux内核成神笔记,GitHub已下载量已过百万

简说Linux内核

Linux内核 嵌入式开发 设备驱动 内存调优 内核组件

怎样区分试验与仿真的关系?

思茂信息

仿真软件 仿真技术

NFT全链游戏dapp系统开发合约定制

开发v-hkkf5566

嘉为蓝鲸研运一体化解决方案入选“鑫智奖”

嘉为蓝鲸

智能硬件 蓝鲸 金融数据

金融行业怎么用AI?蚂蚁金服是这么做的_文化 & 方法_漆远_InfoQ精选文章