0
金融机构挑选AI产品，正如大将出征前要挑两件趁手兵器：不谈实战需求，一味求重求新，断不是上策；必须借匠人一双慧眼，摸清脾性，知其弱点，才能改良打磨出一件称心之选。
近期，雷锋网《AI金融评论》策划了「AI能否解决金融刚需问题」系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行了多次专访。
本文则从四大重点赛道出发，结合场景痛点，试图从现下常用的解决方案中，找出当前AI能力在哪些问题上「鞭长莫及」，以觅得未来技术趋势之所在。
AI在金融的商业化、规模化落地，信贷风控是最典型也最为人熟知的场景之一。
如今的人工智能，可以根据海量数据开发和训练信贷风控模型，利用算法在贷前评估预测用户的还款能力和还款意愿，在贷中实时监控借款人，对可能出现的违约进行事前干预。
在这样的技术水平下，金融科技公司已经为信贷业务提供全流程智能解决方案。机器能够辅助金融机构决策，提高审批、监督和催收效率，甚至在特定条件下直接替代人工，实现秒批秒贷、智能催收等等。
AI风控的供需双方，也逐渐形成共识，摸索出一套相对通用的技术指标，例如K-S值、AUC和F-score等，为智能风控模型水平画出“水位线”。
K-S值是风控中的一大关键衡量标准，它用于评估模型的风险区分能力，计算好坏样本累计分部之间的差值（计算每个评分区间累计坏账户占比与累计好账户占比差的绝对值）。好坏样本累计差异越大，K-S指标越大，则模型的风险区分能力越强。
拆解市面上常见的解决方案之后，我们不难发现，个人信贷风控这场重头戏，主角经常是评分卡模型。这一模型的良好可解释性和高稳定性，使得它为广大银行所接受和采用。
但随着有组织的团伙欺诈行为频发，原有模型未见得能查出这种更隐蔽的风险，越来越多的金融机构开始接受机器学习模型，金融科技公司也将知识图谱、特征工程等更多技术方式融入到信贷解决方案中。
多位金融科技公司高层向AI金融评论强调，AI风控效果的好坏，与样本息息相关。
因此，在缺乏专家经验、样本质量参差不齐、数量有限的情况下，半监督或无监督学习的技术方法受到业内青睐，即训练数据部分带有标签或全无标签，团队进行特征提取，训练自身模型，进而将标签迁移、扩散至其他没有标签的用户。
隐私监管和数据孤岛的双重挑战下，各种AI技术流派也逐渐兴起并在信贷风控场景展开应用，例如联邦学习、安全多方计算、隐私计算等。
高层们也指出，AI风控还存在如下疑问：
模型具有一定时效性，其性能会否随着时间推移而大幅下降？
模型更新所需的时间和人力成本如何？
模型能够实现多高的标准化程度？
解决方案与银行核心系统在对接的过程当中是否简易？
……
问起什么才是金融领域最为关键的问题，答案多半是KYC。
不止一位资深业界人士向AI金融评论强调，KYC最难的地方在于怎样识别自己的客户，这在金融场景获客、反欺诈、风控和贷后环节非常关键。
几乎所有金融机构都有强身份认证需求，指纹、人脸、虹膜等生物特征识别手段也顺理成章进入到金融业务的多个重要环节。
眼神科技市场体系高级总监王姝琦告诉AI金融评论，生物识别在金融业的发展，可大致分为三个阶段：
在传统金融时代，生物识别初步被引入银行，优先解决的是银行内部风险控制问题；
随着互联网的发展，眼神科技率先提出了人脸联网核查，之后被广泛应用，帮助银行降本增效；
在如今的移动互联网浪潮下，生物识别进一步升级，不再停留在单纯的身份认证，而是充分发挥人机交互特点，与金融客户共同打造智能柜员、智慧网点、手机银行、泛金融拓展等方案，优化客户体验，实现远程获客、创新营销。
尽管生物识别方案当前普及率颇高，但仍存在着一定发展桎梏。
“不论是机器视觉，图像识别，还是生物识别，其实都属于模糊识别，也就是只能告诉你‘有多像’，而无法告诉你‘一定是’——每一种识别技术都会有或多或少的局限性和识别极限，或者不适合的应用场景。”王姝琦这样总结。
随着AI发展和海量数据的增加，不同信息从不同方位、不同传感器一拥而入，指纹识别、人脸识别、虹膜识别、指静脉识别等单模态识别已经很难满足强安全、多场景、大数据库下的应用发展。
她表示，要实现超大底库下的强身份认证，生物识别作为智能化趋势下重要的AI入口，多模态融合已成AI发展的必然趋势。
只有通过多模态生物识别的统一融合，才有可能覆盖尽量多的应用场景和应用人群，进而创建完整的场景生态，让单一的行业技术，向大数据的智能化服务发展成为可能。生物识别在金融领域的落地，也逐渐由单模态识别和技术应用，过渡到多模态融合。
把握住“多模态融合”技术趋势的生物识别企业，才有希望“百尺竿头更进一步”。以眼神科技的解决方案为例，新阶段的金融生物识别产品体系需要多种自主知识产权核心算法及多模态融合算法（如人脸和虹膜识别融合、指纹和指静脉识别融合等），统一平台，面向各个场景的场景云和应用软件，适用于不同场景的智能硬件终端，以及面向公众的AI能力平台。
除此以外，如何兼顾安全和便捷，满足识别安全性的高度、覆盖人群和场景的广度以及使用体验的优化度，也是技术厂商们长期以来思考的问题，多模态融合发展或将成为解决之道。
AI金融，不止与主要金融产品和业务环节相关，营销和客户运营的数字化、智能化也日渐受到重视，技术也从用户生命周期切入，正渗透到金融业务全链条当中。
纵观行业应用方案，不少银行基本形成基于AI和大数据的智能化营销和运营策略，即建立和研发个人客户画像体系，不断丰富客户立体维度标签，加强对客户需求的挖掘和分析，从而实现精准营销和定制化服务。个别智能营销方案更强调了对线上线下、存量增量等全维度营销场景与渠道的覆盖。
但也有金融科技公司的CEO认为，在金融产品智能营销领域，即使推荐模型效果再好，还是很难通过少量的产品满足消费级用户的全部需要。
营销的另一大主要痛点，其实来自于风控。
风控与获客通常以“相爱相杀”的关系出现，如果一味降低风险水平，容易造成营销端的流量浪费，转化率低下。
因此，一些大型互金公司选择将风控前置到营销端，即借助AI算法、大数据关系图谱等技术，在营销广告投放之前，系统就预判出潜在客户的信用品质，再进行千人千面的广告投放，从而平衡了营销获客与风险控制的关系，以达到公司利润最优化。
同时，金融机构还面临着技术能力有限和标签信息不足的问题，担心在营销过程中泄露用户信息。
例如机构试图激活存量客户，但客户处在睡眠状态时他们很难得到更丰富的信息去判断；用外部标签判断客户，相当于把自己的客户信息泄露出去；没有联合建模的情况下，营销匹配度也有限。
一位隐私计算技术服务商向AI金融评论表示，这类情况目前已经可以通过纵向联邦学习模型解决；存量客户对外进行画像匹配时，也可通过安全方式查询。在此过程中，存量客户也并不会有更多信息被外部获取。
智能投顾，被认为是AI落地的重要方向之一，入局的金融机构和创业公司众多，却在近两年进入到调整沉淀期。
在理财魔方CEO袁雨来看来，这是智能投顾领域必经的去伪存真时期：
“很多公司和项目，不理解智能投顾，不知道智能投顾属于财富管理，当成资产管理来做，他们最终都停滞了或者关停了。不能解决客户过去在标准化资产的投资理财上盈利比例太低这一核心痛点的公司和项目也都失败了。”
市面上的智能投顾产品，基本是根据个人投资者提供的风险承受水平、收益目标以及风格偏好等要求，运用一系列智能算法及投资组合优化等理论模型，帮助用户实现主、被动投资策略相结合的定制化投顾服务。
但有业界观点认为，AI的优势在于解决信息过载和长尾信息问题，但智能投顾是先通过问卷调查进行画像，然后在有限且有序的资产配置产品中推荐合适的投资组合，这一业务架构下的物理变量都较为清晰，AI的发展余地似乎并不大。
对此，袁雨来告诉AI金融评论，在投资领域，标准化资产的财富管理是对于未来的不确定性交付，人类无法在越来越多样化的世界里，在体现无数商业活动的金融市场价格数据中，把握住其中规律的部分和不确定的部分的——在数据信息越来越多的情况下，这正是机器最主要优势。
他告诉AI金融评论，机器能提升对全市场数据和决策的准确性，更好地量化客户风险承受能力和投资情绪波动。
针对这一特点，智能投顾产品也逐渐完善，以理财魔方为例，其解决方案采用AI+主动全天候策略+三级风控体系，为每位用户定制匹配其风险的理财投资组合；并且能够一键实现全球配置，系统24小时监控全球金融市场的各类资产，动态调仓，尽量减少对用户注意力的占用。
同时，智能投顾公司们也正试图向金融机构打包输出自己的技术能力，提供公募基金智能组合策略、基金投顾客户基础服务等，为机构打造个性化基金推荐、客户风险特征画像等产品体系。
雷锋网雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
