银行AI的发展与应用课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2019/6/24,#,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2019/6/24,#,银行,AI,的发展与应用,银行AI的发展与应用,1,概念背景,AI能力,AI场景,案例浅析,概念背景AI能力,电子化、信息化与数字,化,自“电子化”伊始，数据认知及其实践逐步成为银行运营和发展的关键能力； 进入大数据时代，银行“数字化”变革迎来机遇与挑战,。,数字,化,智慧,电子,化,数字,化,决策,运营,电子化、信息化与数字化自“电子化”伊始，数据认知及其实践逐步,人工智能没有统一的定义,三个时间点,：（,1956-2006-2016,）,吴恩达：“还没有人能完全理解人工智 能，包括谷歌和百度”,银行人工智能的背景,人工智能没有统一的定义三个时间点：（1956-2006-20,人工智能的现状,弱人工智,能,强人工智,能,超人工智,能,人工智能的现状弱人工智能强人工智能超人工智能,2017,新一代人工智能发展规划,“人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操 控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集 成智能、自主智能系统成为人工智能的发展重点。”,大数据理论,跨媒体感知计算理论 混合增强智能理论 群体智能理论,自主系统控制与优化决策理论 高级机器学习理论,类脑智能计算理论 量子智能理论,客户画像精准推荐,AlphaGo,人脸识别、语音识别 无人机、自动驾驶 群体智能、量子智能,2017新一代人工智能发展规划“人工智能加速发展，呈现出,基础与行业,AI,行业应,用,创新平台(百度、阿里、腾讯、科大讯飞,),专项技,术,Speech,、,NLP、Vision,、SNA,算法框,架,TensorFlow,、,Caffe,、,CNTK,、,Sklearn,、,Keras,、,Mllib,基础设,施,芯片、,云,基础与行业AI行业应用创新平台(百度、阿里、腾讯、科大讯飞,概念背景,AI能力,AI场景,案例浅析,概念背景AI能力,驾驭,AI,能力,A,I核心能力,数,据,算,力,模,型,接触,I,T,构建能力,采集,决策,反馈,驾驭AI能力AI核心能力数据算力模型接触采集决策反馈,数据治理,董事会层面、银行高管委员会层面、数据治理 落实部门层面，科技支撑层面等。,数据治理的企业级组织架 构支撑,确保数据安全和必要的数据质量、数据价值转 化的管理机制以及数据文化培养。,数据治理机制,企业级数据仓库、大数据技术平台、外部数据 管理平台、数据挖掘平台等。,数据治理基础I,T,建设,企业数据架构师、数据开发工程师、数据科学 家等。,人才培养,根据业务发展诉求规划大数据应用业务场景， 未来才可逐步过渡到AI应用。,大数据应用项目建设规划,数据治理是实现数据获取最重要的举措，银行的数据治理能力可以通过战略、 规划、咨询项目实施等方法进行推进实现。,数据治理董事会层面、银行高管委员会层面、数据治理 落实部门层,数据模型研发能,力,数据平台整合能,力,数据产品孵化能,力,数据采集开发能,力,以客户为中心的经营理 念是数据驱动银行业务 开展的根本缘由，数据 产品是链接客户与业务 人员的纽带，数据采,集,、数据整合、数据模型 是产品化的基础,。,客,户,业务经,理,数据产,品,大数据应用阶梯能,力,数据模型研发能力数据平台整合能力数据产品孵化能力数据采集开发,AI,核心能力,-,算力,机器学习算法,深度学习模型,梯度提升模型,广义线性模型,逻辑回归模型,随机森林模型,主成分分析模型,朴素贝叶斯模型,K-mean,s,模型,关联性分析算法,相似性分析算法,社团性分析算法,网络性分析算法,图复杂网络算法,自然语言处理模,型,新词识别模型,情感分析模型,LSA,关键词摘要模 型,s,v,m,文本分类模型,基于隐马尔科夫模 型和条件随机场模 型的中文分词模型,平台包括深度学习算法、图,复杂网络算法、自然语言处理,算,法等各类工具，满足多场景下、多种数据类型的建模需求,。,Spark,、,Python,、,MaximAI,算法支,持,模型孵,化,AI核心能力-算力机器学习算法关联性分析算法图复杂网络算法自,AI,核心能力,-,算力,平台模 块展,示,免代,码模式,数据管,理,自主编程模式,系统管理,模型管理,AI核心能力-算力平台模 块展示 免代码模式数据管理自主,AI,核心能力,-,模型,模型是AI运用能力的核心：一家企业（银行）的智能化水平可以用“模型产出 量/年”来进行对比衡量。,模型产出量/年(数据治理水平+模型开发与算法应用水平+数据挖掘人才数量+ 模型的,IT,部署水平)。,AI核心能力-模型模型是AI运用能力的核心：一家企业（银行）,Data,Science,Doing,Data,Science,“数据科学家,”,Data ScienceDoing Data Scienc,概念背景,AI能力,AI场景,案例浅析,概念背景AI能力,银行运用,AI,的三个目标,增强风,险,控制能力,，,提高风,险,提高服务,流,收,益,程效率，,降,低运营成,本,促进产,品,创新，,驱,动客户,价,值增,值,银行运用AI的三个目标增强风险 控制能力， 提高风险促进产品,银行,AI,应用逻辑框架,银行距离成熟应用人工智能技术的能力还很远，无论是大中型商业银行还是地 方性商业银行，大多处于,AI,的研发起步阶段。,银行AI应用逻辑框架银行距离成熟应用人工智能技术的能力还,智能客服,智能客服是典型的两层,AI,技术叠加应用场景,。,AI,技术分类：基础类,AI,技术,+,应用场景类,AI,技,术,分类,特征,典型案例,实现方法,基础类,AI,技,术,依赖社会公共,数,据进行,A,I,模型训,练,人脸识别、,语,音识别、自动,驾 驶,等,采购（依赖,于,科技创业企业,）,应用场景类AI,技,术,依赖企业内、,或,商业领域场景化,私,有数据进行,A,I,模,型 训,练,反欺诈、智,能,产品、智能推,荐,自主研发（,依,赖于场景应用,企 业,）,智能客服智能客服是典型的两层AI技术叠加应用场景。分类特征典,智能反欺诈,规则2,规则4,规则5,偶,发,单一的解决方案难以覆盖多样的欺诈风,险,有预,谋,业务规,则,黑名单,库,异常评分模,型,提炼规,则,已知欺诈模式,未知欺诈模式,各类欺诈模式,高频低,损,人工智能模,型,低频高,损,欺诈识别方法的核心是判定欺诈的规则，从专家规则到机器学习规则，最后通 过深度学习建立无监督,AI,预测模型，实现潜在未知欺诈风险的精准识别。,智能反欺诈规则2规则4规则5偶发单一的解决方案难以覆盖多样的,智能营销,银行营销正经历从传统大众营销向智能营销的转换过程，数据驱动是智能营销 的核心。通常智能营销由客户画像、客户行为预测和营销自动化组成，通过构 建闭环实现营销的数字化和智能化转变。,数据驱,动,客户画,像,营销自动,化,客户行为预,测,智能营销银行营销正经历从传统大众营销向智能营销的转换过程，数,智能运营,核心是运用大数据分析方法对服务进行精准量化，以此为基础实现在,效率、成 本、合规,等方面取得进一步改善，从而实现网点的,资源配置优化、运营成本压 缩、服务体验提升。,服务的 精准量 化,资源优 化配置,运营成 本压缩,服务体 验提升,服务的精准量化,即需要 通过大数据的手段对柜 面（网点）的,服务效,率,、服务态度等进行量,化,，这是进行网点柜面效 能优化的基础,！,智能运营核心是运用大数据分析方法对服务进行精准量化，以此为基,智能产品,大数据、人工智,能,用户行为大数据与金融交易大数据结合驯化的智能机器是整个智能投顾业务的核,心,。,门槛低、费率,低,传统投顾服务于中高净值人群，智能投顾大大降低了门槛，让投顾服务触达长尾市 场,。,透明化、便捷,化,智能投顾的投资组合完全公开，服务流程标准、简洁,。,客户沟通交,流,/,风险监督管,理,人工智,能,+,大数,据,+,云计,算,生成投资模,板,量化交易策,略,智能代理服,务,客户分,析,大类资产配,置,投资组合选,择,交易执,行,组合再选,择,税负管,理,自合分,析,智能投顾的模式是通过技术实现财富管理的流程自动化，替代人类完成财富管理 或者投资建议工作,智能产品大数据、人工智能用户行为大数据与金融交易大数据结合驯,智能风控,依赖风险管理人员业务经,验,新型欺诈无法防,范,传统信用评分模,型,专家规,则,大数据智,能,依据交易及以外的各类数,据,利用机器学习及深度学习算,法,核查成本大、风险,大,复杂网络或路径分析技,术,智能风控依赖风险管理人员业务经验新型欺诈无法防范传统信用评分,概念背景,AI能力,AI场景,案例浅析,概念背景AI能力,实践案例：欺诈预测模型,(SNA+ML,）,将客户原有的基础维度和通过复杂网络构建的社交维度相结合，使用分布式平台机,器,学习算法建立风险预测模型。模型孵化方法在信用卡业务领域进行初步尝试和验证,，,流程和建模方法可以在其他业务领域进行应用和推广,。,以上模型训练结果中，随机森林算法表,现,最佳,AUC,值最高达到了,0.93,左,右,构建复杂,关,从网,络抽,取,系网络：,关联,关系,数,北京地区,据：,手机号码,一阶度,联系,人,关,系、号码,一阶,欺,诈,地址类信,息,数,推广人代,码,二阶度,黑,中介,手,二阶,欺,诈,机号码,（,爬,数,虫）,最短路,径,欺诈标识,建,立机器,学,习,模型,，,选,择,最优方,案,：,逻,辑回,归,(LR),随,机森,林,(RF),深度学,习,（DL)算法,采 用 3,折 交叉验证,AU,C,Accurac,y,Precisi,o n,F1,-,Recal,l,m,easu,r,e,0,.,8,5,0,.,8,6,0,.,9,0,0,.,9,0,0,.,9,0,L R D,0,.,9,0,0,.,8,7,0,.,9,0,0,.,9,2,0,.,9,1,L R,F,0,.,9,3,0,.,8,8,0,.,9,3,0,.,9,1,0,.,9,2,示,例,实践案例：欺诈预测模型(SNA+ML）将客户原有的基础维度和,实践案例：,主动式反欺诈集成模型,孵化应用于反欺诈领域的集成模型，从宏观和个体两方面区分客户的异常交易行为。,将,孤立森林模型与聚类模型相结合，基于从原始数据中提炼出的,200,多个变量，涵盖交,易,数量、时间、类型、渠道、地址、周期性、波动性和欺诈规则等,8,大方面,。,入模指,标,变量分,布,长尾型指,标,U型指,标,聚类 模,型,孤立森林 模,型,集成模,型,客户异常评分 客户异常指标 客户欺诈标签 提炼反欺诈规则,示,例,实践案例： 主动式反欺诈集成模型孵化应用于反欺诈领域的集成模,实践案例：,网点现金吞吐量预测,（,DL,SL),图,1,：,LSTM,预测,3708,自助,图,2,：,SVM,预测,3708,自助,示,例,实践案例： 网点现金吞吐量预测（DL,SL)图1：LSTM预,感谢聆听 批评指导,感谢聆听 批评指导,