一．人工智能的发展历史

　　人工智能诞生于上世纪40~50年代，按照“人工智能之父”艾伦·图灵的定义：如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。1956年夏天，美国达特茅斯学院举行了历史上第一次人工智能研讨会，会上麦卡锡首次提出了“人工智能”这个概念，被认为是人工智能诞生的标志。人工智能在上世纪20世纪50～70年代迎来黄金时代，在1966年~1972年期间，美国斯坦福国际研究所研制出机器人Shakey，这是首台采用人工智能的移动机器人，1966年美国麻省理工学院（MIT）的魏泽鲍姆发布了世界上第一个聊天机器人ELIZA。ELIZA的智能之处在于她能通过脚本理解简单的自然语言，并能产生类似人类的互动。但20世纪70年代初，人工智能遭遇了瓶颈。当时的计算机有限的内存和处理速度不足以解决任何实际的人工智能问题。在1980年后，人工智能来到繁荣期，1997年5月11日，IBM公司的电脑“深蓝”战胜国际象棋世界冠军卡斯帕罗夫，成为首个在标准比赛时限内击败国际象棋世界冠军的电脑系统。2013年，深度学习算法被广泛运用在产品开发中，Facebook人工智能实验室成立，探索深度学习领域，借此为Facebook用户提供更智能化的产品体验；Google收购了语音和图像识别公司DNNResearch，推广深度学习平台；百度创立了深度学习研究院等。2016年，AlphaGo战胜围棋世界冠军李世石，人机大战第五场经过长达5个小时的搏杀，以李世石认输结束。这一次的人机对弈让人工智能正式被世人所熟知，整个人工智能市场也像是被引燃了导火线，开始了新一轮爆发。

　　二．人工智能在银行领域的应用

　　银行的运行模式决定它非常适合采用人工智能来取代人工，目前为止，银行使用人工智能的产品已经非常普遍了，例如智能客服，智能外呼，智能营销，智能风控，智能运营等。目前工商银行提出“e-I CBC 3.0智慧银行”、建设银行提出“5G智慧银行”、平安银行提出三大阶段打造“AI Bank”，由此可见人工智能对银行科技战略的深刻影响。

　　从应用上看，人工智能在银行主要应用集中在如下方面：

　　1.智能外呼催收：人工智能催收，主要融合了智能语音、智能分案引擎、催收知识图谱的全新贷后资产处置全流程管理平台，致力于为催收机构提供一站式技术与业务解决方案。依据银行催收的业务场景，结合众多银行金融机构的不良资产处置实战经验，采取事前需求沟通、事后专属优化，确保系统和业务的稳定高效对接，实现人工智能技术真正赋能不良资产处置机构业务。

　　在智能催收后台中，语音质检为合规催收保驾护航，智能话术、录音识别、行为健康等方式保证合规做作业；通过采用人工智能技术筛选标记，加速坐席开案效率；整合贷前申请数据、贷后催收数据、外部接入数据等，形成闭环的数据更新体系；智能分案引擎对案件处置整体过程提速，坐席辅助引擎实时为案件处理提供话术和合规性的作业指导，同时批量核验，底层通讯平台保证有效的语音沟通和短信触达。在疫情期间，利用人工智能催收，可以远程进行无接触的催收工作，通过智能外呼进行批量电话催收，及时将还款计划传达给欠款人，而且可依据企业M1，M2的情况，指导制定合理的解决方案，帮助企业提升催款还款效率。

　　2.智能营销与投顾：根据马科维茨的现代资产组合理论（MTP），结合个人客户的风险偏好和理财目标，利用人工智能算法和互联网技术为客户提供资产管理和在线投资建议服务，实现个人客户的批量投资顾问服务。运用人工智能，采用多层神经网络，实时采集所有重要的经济数据指标，智能营销投顾系统不断进行学习。它采用合适的资产分散投资策略，可实现大批量的不同个体定制化投顾方案，以不追求短期的涨跌汇报，而期望长期的稳健回报为目标，进一步深刻践行银行长期服务客户的理念。通过智能营销投顾解决方案，把财富管理这个服务门槛降到一个普通的家庭人群来使用。

　　3.RPA银行机器人：RPA即机器人流程自动化（RoboticProcess Automation），通过软件机器人自动处理大量重复性、基于规则的工作流程任务。通俗来讲，RPA就是通过模拟人对计算机的操作，只要是人可以在计算机上通过操作鼠标和键盘来实现的，RPA都可以实现。作为信息化程度最高的行业之一，银行内部完成了成百上千套信息系统的建设，导致了大量系统与系统，数据与数据之间是割裂的，许多‘衔接性’的工作流程需要有员工操作完成。这些高流量、重复的、容易产生风险和失误的场景是RPA的应用首选，它们分布在银行里各个业务条线的前、中后台。

　　（1）企业征信查询机器人：在企业或个人授信审批过程中，客户经理需要登录法院、工商、税务、裁判文书等20多个企业/个人征信相关系统网站，汇总查询结果信息。同时，客户经理还要按照合规要求截图保存。企业征信查询系统实现企业相关信息的一键查询。机器人自动登录外部征信系统或者网站，获取、汇总并截图保存查询结果信息。不仅提升了工作效率，还保障了征信数据的完整性。

　　（2）财务报表机器人：分支机构客户经理需要将大量的财务报表上的数百项信息手动录入至相应的企业金融系统，并将财务信息填写至相应的企业金融系统，并将财务信息填写至尽职调查报告。同时，这些财务报表的会计科目数值大，再加上报表的会计科目也不规范，例如有些企业资产负债表中提供的科目是“实收资本”，有些企业是“实收股本”，这类同义词也需要由专业财务资质经验的业务老师做后续判断。财务报表数量多，会计科目数值大，报表不规范，导致财务报表采集过程费事费力，且容易出错。

　　在这种场景下，采用RPA+OCR+自然语言处理的解决方案，首先通过OCR技术将财务报表扫描件转化成电子文件，再使用自然语言处理技术识别同义词，最后再用RPA实现信息的自动化采集和尽职2调查报告财务分析的自动生成。在机器人的帮助下，财务报表采集和分析的时间从几个小时降低到10分钟以内，效率显著提升。

　　（3）智慧贷后审判机器人：当授信申请通过审批后，银行就会出具审批意见书。授信部门贷后管理人员需要从长篇幅的审批意见书中提取出需要执行与关注的内容，并下发给支行及支行的客户经理执行。客户经理需要关注企业贷款的资金流向、经营情况，如果是外贸项目还要关注汇率的变动情况等。审批意见书篇幅比较长，不同人员在阅读理解时对要点理解上可能不一致，这会让后面的执行和落地存在一定的挑战和困难。

　　针对这一痛点，提供了智慧贷后审批机器人解决方案。首先用自然语言处理技术实现审批意见书的关键要素的提取，同时将提取的要素按照高级、中级、低级进行分类，然后再下发给客户经理执行，最后贷后管理人员做执行情况的跟进。在智能RPA的帮助下，大幅度提升了经营机构的贷后管理水平，更好地满足了监管机构的合规要求。

　　4.智能客服：客服系统是为客户服务的窗口，智能客户整合全部对外的客服服务通道，提供多模式融合（包括电视、网页在线、微信、短信及APP等）的在线智能客服；对内实现语音分析，客服助理等商业智能运用。为坐席提供一种辅助手段，帮助坐席快速解决客户问题。客服助理通过实时语音识别，实时语义理解，掌握客户需求，自动推送客户特征，知识库等内容，借助微信公众号等平台，推出语音问答系统，打造个人金融助理形象。

　　通过电话客服渠道、网上客服、APP、短信、微信以及智能机器人终端与客服进行语音或文本的互动交流，理解客服业务需求，语音回复客户提出的业务咨询，并能根据客服语音导航至指定业务模块。对传统按键式菜单进行改造，用户使用自然语音与系统交互，实现菜单扁平化，提升用户满意度，减轻人工服务压力，降低运营成本。电话客户不再受限于菜单，可开展全业务的语音导航播报服务。

　　5.智能风控：智能风控是一个基于人工智能技术的综合性系统工程，充分利用各种数据，借助如机器学习、深度学习和大数据技术，与风控业务逻辑、流程的有机结合，结合银行信贷业务中的交易欺诈、网贷申请欺诈、信贷全生命周期风险管理、客户价值分析、预期客户管理等场景的痛点及问题，最终形成一套完整的风控系统。

　　传统银行的业务一般是基于线下模式来开展的，缺少线上业务运营的经验，相应的风险控制经验和能力不足。而各类金融科技企业通过新兴技术—如人工智能、大数据、云计算—对多维度客户数据的处理，理解和预测不同客户的行为和需求，为他们提供个性化的服务。对于银行业而言，金融科技企业在产品与服务创新、运营效率与客户体验方面的优势明显，银行与金融科技企业的合作成为发展趋势。近年来，智能风控逐渐成为金融领域，尤其是银行业的应用热点，它提供一种贯穿事前预警与反欺诈、事中监控和事后分析全业务流程的风控手段。

　　三．未来的发展模式

　　人工智能的发展将推进银行改革，逐渐颠覆传统的业务流程、客户接触交互的方式、以及产品开发和企业运营决策的手段，利用人工智能构建新的竞争优势，除了自身的积累和技术进步，还需要积极与外部企业探索新的商业模式，加强与互联网公司合作，通过掌握细分市场数据，以场景应用为入口，在积累海量数据的同时抓住用户，逐步成为行业的主导者和引领者，建立由银行主导、高校研发或金融科技公司合作的一体化的发展模式，将高校或金融科技公司在人工智能方面的科研成果与具体业务相结合，将技术转化为真正的商业价值。

作者：程豪   

来源：http://www.51testing.com/html/13/n-4479813.html