人工智能如何革新金融服務
風險分析
金融服務公司長期以來一直使用統計模型來評估風險——貸款中的信用風險、交易中的金融風險、保險部門的精算風險以及所有類別的欺詐風險。
BITS銀行政策研究所技術政策部門的總裁Chris Feeney說，“如今不同的是，這些算法的使用更加廣泛，可用數據量、數據類型和數據吞吐量正在改變正在解決的各種問題，如果可以收集更多有關交易的信息，可以更好地避免欺詐。”
Feeney希望人工智能成為金融公司的一個重要差異化因素。他說，“金融公司必須積極參與，但必須選擇自己的用例。”他建議企業尋找機會利用人工智能創造競爭優勢，同時也為消費者提供明確的價值。
他說，“這可能是貸款業務。現在有很多關于使用其他數據源向新的人群提供貸款產品的活動。”
他說，欺詐分析是另一個重要的用例。他說，“我認為人工智能將加快發現欺詐行為的能力，以避免欺詐，更快地發現異常活動。”
Raghav Nyapati最近在全球十大銀行實施人工智能項目，現在正在創建一家金融技術初創企業。他說，“人們將會采用成千上萬的應用程序。人工智能可以幫助過濾掉可能存在欺詐或高風險的應用程序，只有經過篩選的應用程序才會被代理審核。”
他解釋說，“這些決定需要得到人類判斷的支持。我們必須提供負責任的人工智能。我們需要利益相關者回答，客戶要回答。如果出現任何問題，銀行必須支付巨額罰金。”
調研機構Gartner公司最近的一項調查顯示，46％的金融服務公司使用人工智能進行欺詐檢測。
Tabb Group金融科技和歐洲研究主管Monica Summerville表示，在證券行業，很多公司在交易前和交易后風險分析中使用機器學習。
“以傳統方式進行風險分析非常耗費計算量，而且很多機器學習技術雖然近似，但需要足夠好，而且速度也越來越快。”她說。
在Tabb Group公司最近進行的一項調查中，大多數證券公司計劃在未來12個月擴大對人工智能的支出。她說：“人工智能被列為他們業務中最具顛覆性的技術。”
Gartner公司指出，人工智能還將影響更復雜的任務，如財務合同審查或交易發起。該公司預測，到2020年，20％的后臺工作人員將依賴人工智能開展非常規工作。
合規性挑戰
監管機構已經熟悉監督金融機構用于評估信用風險或發現可疑行為的模型的困難。例如，模型可能非常復雜，難以分析。或者它們可能是來自第三方供應商的專有模型。
有很多方法可以解決這些問題，例如對模型進行獨立審查以及使用補償控制。在某些方面，人工智能驅動的系統可以像傳統的統計模型一樣對待，但它們也帶來了額外的擔憂。
美聯儲委員會成員LaelBrainard在去年的一次演講中說，“就其本身而言，人工智能可能在不透明性和可解釋性方面帶來一些挑戰。認識到在使用人工智能工具時可能存在一些有利的情況，即使它可能是無法解釋或不透明的，人工智能工具也應受到適當的控制。”
她說，這包括有關如何構建工具，如何在實踐中使用以及圍繞數據質量和適用性的控制。
可解釋性（也被稱為黑盒問題）是人工智能系統的一個特殊問題。使用傳統的統計模型，數據科學家選擇對特定決策或預測至關重要的因素，并決定對這些因素給予多少權重。然而，人工智能系統可以識別以前未知和難以理解的模式。這使得銀行很難遵守監管機構的規定，例如《平等信貸機會法》和《公平信貸報告法》，這兩項法律要求銀行解釋他們在做出決策時使用的因素。
Brainard補充說，“幸運的是，人工智能本身可能會在解決方案中發揮作用。人工智能社區正在回應在開發‘可解釋的’人工智能工具方面取得的重大進展，重點是擴大消費者獲得信貸的機會。”
Tabb公司的Summerville表示，證券業也在研究這個問題。她指出，“能在人工智能中構建一個無偏見的模型嗎？需要能夠解釋公司是如何做出決定的。監管機構有興趣確定你不會意外地引入偏見。”
隨著Synchronomy公司開始關注人工智能和機器學習的信用決策，黑盒問題也成為該公司面臨的一個問題。
他說，“我們希望在模型中建立可解釋性，并指出做出這些決定的原因。這不容易做到。不能出于歧視性的原因做出決定。例如不再說‘我不會為這個郵政編碼的人提供信用證明’，因為這是違法的。”
該公司還花費大量精力確保用于培訓人工智能模型的原始數據不會有偏差。Simpson說，這是公司需要這么多數據科學家的原因之一。
該公司采取的減少偏見的一種方法是從一個多元化的團隊開始。
他說，“如果沒有多元化的團隊，很難確定數據中的偏見，因為企業的團隊可能存在偏見。這對銀行來說尤為重要，團隊的多樣性是這個領域的第一個也是最好的防御策略。”
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
