一. AI技术应用带来哪些可能？

　　什么是人工智能？它的覆盖范围都有哪些？应用场景有什么？

　　人工智能就是能够极限模拟人类智能的程序。这里我摘录了李开复先生对人工智能应用场景的表述。

　　由此可知，如今AI的应用大多在高效率、没有情感的场景。综合来看，其应用主要分为4大板块。

　　第一个应用方向与语音相关，如语音合成、识别、理解。所谓语音合成，指的是将一段文字通过语音方式合成并输出被人理解。语音识别指的是机器能够识别出一段声音讲了哪些话、用了哪些文字。较困难的是语音理解，即机器能够理解一段话代表什么含义、拥有什么情感，一般的AI很难到达语音理解的高度。

　　第二个应用方向是机器视觉，即机器能够看到眼前的东西，并且明白眼前所看到的景象代表什么。在图像识别、视频识别通过深度学习方法能得到比较好的技术层面的解决。

　　第三个应用方向是规划和推理，包括如何动态规划最优路径、通过上下文推理出结论。 目前没有通用的解决方案，所以这也是很多技术人员和科学家在努力的方向。

　　第四个应用方向是learning，即现在很火的机器学习。基于积累的大量数据能够学习到一些规律和模式。然后将其应用在场景中，如此一来便可达到真正的人工智能的高度。

　　为什么AI在去年经历了一波发展高潮呢？其导火索就是阿尔法狗战胜李世石的比赛。尤其在深度学习方面一发不可收拾。行业的发展有其必然因素，正是这样的技术因素使人工智能机器学习达到今天这样的井喷状态。

　　那么近几年推动AI发展的主要因素有哪几方面呢？相关研究表明，主要是在三个方面。

　　第一，数据指数级增长。十年前我们处理的数据是tb级别，现在是pb级别也就是一千个tb级别。待分析的数据种类很多，广度很大，为我们从大量数据中提取规律提供了原材料。

　　第二，计算环境、分布式系统架构（无论是存储还是计算）趋于成熟。这样的分布式系统使得加工处理数据拥有了技术基础，成为非常可行的方案。

　　第三，算法越加丰富。强化学习，深度学习，情感分析，自然语言处理，机器人过程自动化，这些算法使得数据的处理理解越来越精准。

　　因此，推动AI发展可以归功于数据、计算和算法，其中数据是最核心的前提条件。

　　这张图讲解了AI应该怎样被嵌入产品。金字塔底部是数字世界和物理世界，可以从中收集很多原始数据，形成了AI处理的前提条件。

　　再向上是人工智能构件。由此可以将处理完的数据得出的经验规律注入相关app或服务，即Al-infused apps & services。

　　金字塔的顶级是pure AI，即完全用AI代替人工决策，当今暂时无法做到。

　　右侧英文分别代表了AI在当下能够:交谈、预测、观察、发现、移动。

　　这张图介绍了人工智能构件（AI building block technologies），比较实用的中间三列，pragmatic1、2和3。下面我来简单介绍一下每一项的意思。

　　第一，  深度学习。它属于机器学习的分支。模仿人脑神经网络构建庞大的信息群网络，是当今很多互联网公司常用的技术，依靠此来分析用户线上行为提高曝光率。其次，还可以整合多维度数据利用深度学习预测业务结果，加强其他模型的精准度，也就是ensemble learning方法——集成学习。深度学习是一门常用且实用高效，且结果十分显著的人工智能技术。

　　第二，  知识工程。获取专业知识并建立数据模型来解答专业难题的过程。比如，可以将互联网借贷的审批人员的专业知识来录入系统中建立审批流程，提高审批效率。

　　第三，  图像分析。识别理解图像的信息、物体、人物图片和视频。目前最常见的是人脸识别。例如酒店和公安系统的人脸系统对接，可以进行身份认证。另外还有自然语言生成（NLG）,将系统中的信息数据用自然语言表达。对应的有NLP——即机器理解自然语言。

　　-名词解释来一波-

　　机器学习算法很多，从海量数据中用归纳、综合不断模仿人类学习来解决一类具体的问题。

　　语音识别将人类说话的内容转换为文本。智能应用可以根据文本信息做出回应。例如苹果的Siri，就是对语音识别的运用。

　　感官知觉其场景包括了与现实的交互，我们要感知外部环境的信息。例如通用电气公司利用感官知觉的技术记录工业设备的运营状况来对设备进行维护。

　　机器人学可以完成某项特定任务的自动机械设备，它可以对外界行为做出反馈，例如处理高频重复工作。前段时间，美国发明出自动砌墙机器人。这种机器人作用于精细化作业对提高效率和质量来说十分有效。

　　认知能力目前仍在研究阶段。更偏向于真正的人工智能，能够感知互动学习进化，产生认知的能力。当前述的所有模块都能完美融合的时候这种具备认知能力的AI才有可能出现。在此之前所有注入AI技术的产品都还只是功能性AI。

　　二.  AI技术应用事例展现了技术+金融的哪些可能？

　　AI技术应用在金融场景下的案例。最典型的是银行业，我们就以此为例讲解下，AI+金融的可能性有哪些，以及当下银行业中有哪些案例可以给我们启发。

　　人工智能技术中的高级分析、实时分析、预测分析、机器学习、自然语言处理和生成等等，可以帮我们完成:欺诈侦测、贷款审批、信用评分以及支付安全分析（如paypal公司）。通过资金流分析和市场上的动态资讯消息为客户进行资产管理和投资建议，比如智能投顾。生物技术应用在身份识别。图谱分析可以刻画360°用户画像，检测网络是否受到入侵。通过自然语言处理技术，智能客服、私人理财顾问帮助客户和企业进行决策；在机器人过程自动化方面，有的银行会做贷款流程审批。这是因为机器人效率高，不会犯一些人会犯的情感、政治错误。因此，AI+金融的产物——“智慧金融”，可以快速接收数据并加工、分析，为投资、借贷、风险决策提供自动化技术支持。

　　深度学习已经成为人工智能领域非常实用的工具。如何能够提升业务决策水平是机器胜过人类的方面。通过海量数据学习用户行为来判定。没有七情六欲、思维定势的机器能够克服人性的弱点。

　　三.   AI让消费信贷在未来具有了哪些可能性？

　　什么是信贷？它的生命周期又是怎样的呢？

　　信贷的生命周期大致分为贷前、贷中、贷后三个阶段。

　　贷前主要内容是信贷产品规划，涉及信用的获取，如客群定位与分析、预授信、风险评级等。审批、放款，之后就进入了贷中——维持客户阶段。客户账户维持过程当中，我们能得知用户还款表现，一旦不及时，则进入（贷后）催收阶段——管理客户。这个过程中的重点是如何以一种友好的方式触达客户，提醒他们及时还款。

　　在坏账已经形成后，无法回收的资金转呆帐。在整个生命周期当中，这其实是风险管理——风控的过程。风控的最终目标是将坏账率降到最低。

　　AI在互联网信贷领域的机遇是什么？我认为有几个方向。第一，产品运营阶段的个性化用户体验。用户在众多产品中如何被推荐最适合自己的，我们主动为他推送；第二，智能营销，通过精准化推广，以更低的获客成本为潜在客户推广信贷产品；第三，智能客服，很多公司通过此减少人工客服量，根据从前的问题库和反馈，搭建出整套智能客服体系，提高效率扩大规模。

　　贷款审批分为很多阶段。第一，身份证明，如人脸识别、活体检测、声纹识别等来识别贷款人前后身份是否一致。第二，欺诈侦测。这是反欺诈的一个重点环节。智能识别高危人群，找到欺诈行为，针对用户行为轨迹进行判断。例如，机器在文本框中输入内容可能一秒都用不到但人类操作会有延迟，诸如此类来判断是否是欺诈行为。第三，大量的知识图谱技术的运用，建立庞大关系网络，挖掘团伙作案，通过关系圈识别对方是否为高度嫌疑申请户。当然还有一些技术上的反欺诈方法，如设备指纹，观测IP地址，经纬度等常规方法。而人工智能则更多地通过算法来找寻嫌疑人。

　　如何通过AI机器学习方法做授信、信用评分卡，进而预测违约概率、风险定价呢？这些都可以用大量数据完成，不同风险价格评定也是不一样的。如今大数据为更加个性化的风险定价提供了可能。

　　我个人认为，审批阶段还是人机结合比较好。有经验的人可以形成前述的“知识工程”，同时引入机器人核验方法。通过挖掘数据抽象出一些规则，未来对于常规性的场景能做到自动审批。这些都是可以利用AI长远地解决业务效率的点。

　　客户维护阶段的预警能帮我们判断客户质量，通过还款表现判断提升信贷额度，或保障客户能够及时还款，这其中也有很大空间可以挖掘；催收阶段，可以做自动的方案规划。将案件最大限度分配给合适的业务员，最大化提高催收效率。当贷款人提供的是虚假信息时，是否可以通过关联网络进行失联修复，这也是AI技术需要努力的一个方向。

　　总体而言，AI技术在金融领域应用中，不论是全流程的服务客户，还是从审批风控到贷中的维护、贷后催收，可以用到的领域太多太多。在真实的业务场景中更可以发散思维，凡是需要人的、需要5秒以下做决策的环节，人工智能都能提供很好的解决方案。

　　人工智能最终服务的是人类。它最终的落脚点只有两个:帮助客户，提供更好的产品和客户体验；保护客户，创造更安全的业务环境。