人工智能成为金融领域的“老司机”要过几道坎?

2017-02-24 14:53:48 来源:网易科技 热度:
2017年1月开始,日本寿险巨头富国生命保险开始利用价值170万美元的人工智能系统IBM Watson Explorer,取代34名人类保险索赔职员,约占理赔部员工的30%,每年维护费用则为12.8万美元。而可节省的人类员工薪资支出则达110万美元/年。仅此一项,不到2年,成本即可收回。


2016年底,一直秉承人工智能威胁论的霍金在《卫报》的专栏中发文称:“工厂自动化已经让众多传统制造业工人失业,人工智能的兴起很有可能会让失业潮波及到中产阶级,最后只给人类留下护理、创造和监督工作。”不过几十天功夫,“失业”预言即在大金融领域成真。
 
人工智能真的要骑在人类的头上,并在下完棋后把第一刀砍向人的钱袋子吗?
 
人工智能是学徒,简单劳动下替代白领
 
在复盘2016年初AlphaGo对战李世石、2017年化名Master连斩中日韩三国棋手的诸多文章里,常会引用一个数据“深度学习了3000万个围棋对弈”。
 
其实这恰恰是人工智能的精华所在,即所谓3千万个对弈,就是围棋世界里的大数据,一个可以被收集、整理和捕捉的数据图谱。每一个AI能够惊世骇俗,根基也在于此。
 
富国生命保险重金购买的人工智能其实就扮演了这么一个角色,通过扫描医院记录和其他文件,根据保理伤害、病人医疗史以及程序管理等信息,确定是否进行理赔。
 
这一切都建立在一定的数据信息能够有效接入和掌握的基础之上,而拥有了不算真正完整的大数据流后,AI的工作则可以看做是——洗地。
一个学徒的角色,帮助师傅打打下手,按照规定的流程、既定的标准,用已经明确量化好的审批程序来完成既定工作。一切都在老师傅的计划之下。只是比起人类学徒来说,更快速、更不容易出错。
 
在同一篇报道中,另外3家日本保险公司也正在测试或安装人工智能,以便实现更多自动化任务,比如帮助客户寻找理想保险计划等。这其实依然是标准化作业流程下的循规蹈矩。
 
这种标准化流程的最大好处就是解放了老师傅的双手,也节约了用户时间。以国内运用了人工智能的某手机贷为例,据称通过人工智能进行信审和风控的比例已经提升至90%以上,而另一个手机贷则宣称实现了单月放款笔数超100万。
 
在这个过程中,无一不是按照标准化流程来比对各种数据。只是,人工比对,效率慢、用户等待时间长罢了。
 
做帮工的AI和被其替代的那些人类员工,最大的共通之处就在于都是流水线上的工人,看似白领的业务,实际上都是简单劳动。如果用一个比方来对比当下的人工智能替代人类的水准,不妨用O2O来想象。
 
以往的线下门店,除了广告和口碑来招揽生意外,还需要人类雇员到街头去散发各种优惠劵,比如肯德基,但O2O通过网上聚合的方式,将这个散发优惠劵和期间耗费的人工、时间以及投放人群的精准度都进行了简化,有需求的人根据优惠的不同、距离的远近,直接通过O2O平台进行选择,而线下门店仅需要根据电子优惠劵乃至先期抵达的电子菜单、座位预定做好后期准备即可。
 
客人和门店的距离,缩短到了极致,效率得到空前提高,但对于最核心的服务来说,并无根本性改变。而人工智能目前在当前金融领域亦是如此,一个让客户无需等待的学徒模式。
 
根据蚂蚁金服公布数据,网商银行的花呗与微贷业务上,使用机器学习把虚假交易率降低了近10倍,为支付宝的证件审核系统开发的基于深度学习的OCR系统,使证件校核时间从1天缩小到1秒,同时提升了30%的通过率。
 
以智能客服为例,2015年“双11”期间,蚂蚁金服95%的远程客户服务就已经实现大数据智能机器人,同时实现了100%的自动语音识别。
在这个基础上,再去理解李开复口中:“人工智能最好的应用领域之一是金融领域,因为金融领域是唯一纯数字领域。”其中真实的意味也就在于此了。
 
也因此,智能顾投之所以成为人工智能+金融的第一站,除了受益于国内互联网理财的高渗透率、传统理财市场服务的空白、居民强大的理财需求等传统因素外,这方面的个人金融数据最为单纯,基本上只要掌握用户投资风险程度,即可作出数据筛选和产品推荐,而不似保险那样需要更多非金融领域的数据来源。
 
获客和实现客源转换的难度与成本双低,也使得只是传统人工顾问投资效率加强版的智能顾投成了突破尖兵。
可如果仅此而已,人工智能也就是一个快速工具罢了。这样的学徒是永远无法晋级老师傅的,尤其是在没有数据的前提下。而金融,也不仅仅是一个顾问投资而已。
 
进阶帮工,人工智能先要迈过大数据的坎
 
从学徒到帮工,必须有更多的数据。
 
AlphaGo的成功就在于它掌握了围棋领域近乎全部的数据,也即大数据强调的全量样本。尽管面对人类的智慧来说,万一出现一个不懂围棋的虚竹用自绝死路的非正常方式打破僵局,依然可以在进入常态竞技的后半段,用标准化的下法,逼死绝顶高手。
 
可如果没数据呢?李开复的解答看似很圆满:
 
一是在金融界里相对隔离得非常清晰。金融领域是不跟其他定领域混在一起的,股票就是股票、保险就是保险、银行就是银行、账单就是账单,这些东西是能够用来计算的,且属于狭窄的领域。
 
二是利用手中拥有的大数据量,可以获取更多的数据。
 
三是金融是最无摩擦的领域,钱进钱出,这里没有生产、仓库和物流。
 
但其实,尽管数据流非常充足,但依然不是全量数据。仅以征信数据为例,基于传统金融机构的服务能力限制,使得传统金融无法服务的领域非常大,加之国内传统征信体系不完善,在收录的8亿自然人里,有征信记录的仅有3亿人,另外5亿人在系统中只有基本信息,传统征信覆盖的人数仅为35%。
 
也即是说,即使接入,也不过是增加了一定的基础数据,距离真正能够反映一个人各种金融体征的全量数据还差距极大。
 
目前人工智能+金融所能做到,也就是风险系数较小、流程简单规范、数据量需求较少易掌握的保险和小额贷等业务之上。唯一纯数字领域的金融尚且如此,又何况其他领域。没有大数据加持,再好的人工智能也只是一个高档玩具。
 
大数据,其实也就与人类的经验认知和理性分析相似了,成为了人工智能能否长大的基础“饲料”。
 
且不论人工智能的深度学习模式,能够形成怎样的精准分析和判断,但仅仅从金融领域的人工智能应用上看,最容易获得更强大数据流的来源,其实在电商之上。在电商和O2O上已形成寡头之势的腾讯、阿里和百度,在2016年大举布局人工智能,其原因之一也就在于此。
 
越来越多的证据表面,当前的计算能力、算法与联网设备所产生的数据量已经构成了人工智能真正崛起的基础。除了在围棋领域战胜人类冠军,在图像识别和语音识别正确率上,机器性能也在近年超过了人类平均水平,这既是算法改进的功劳,又离不开大量的训练数据和计算。
 
在中国,有足够训练数据的,除了传统金融机构外,就只有BAT了,而且更加独特和立体。这其实就是金融的棋谱。
 
如在2016年9月,百度高级副总裁朱光在百度世界大会上表示,百度金融将以身份识别认证、大数据风控、智能投顾、量化投资、金融云为方向发展金融科技。这其实就是用大数据+云计算来喂养人工智能,以期在金融上和传统金融业形成差异化的节奏。
 
而因与余额宝合作一战成名的天弘基金亦透露出更为强烈的需求,尤其是在智能顾投这个被互联网金融巨头列在首要破局点的领域上。
 
其智能投资部总经理助理刘硕凌就认为:“最好的人工智能是人脑和大数据技术的融合。把复杂的巨量数据的线性,非线性计算和归纳工作都交给机器。”而庞大的阿里系数据流,和独立于征信系统之外、以电商消费和余额宝投资为基础的芝麻信用,则可更为真实的为用户做出更多立体面的画像。
 
每一个用户都有不同的立面,无数反映用户消费、投资的数据点,则可让这样的用户画像从平面走向立体。而对市场的分析、研判以及更精准的舆情监控,这些同样是互联网平台更为擅长和已经深度大数据化和逐步人工智能化的先发领域。
 
只是,一旦需要更多的数据之时,每一个有志于金融的平台都会设立壁垒,确保自己的独家优势。人工智能的求学之路,初期靠自家数据,武功日益千里,后期要多方化缘,殊难精进。
 
任何一个老司机,在彻底离开方向盘之前,都不敢说自己不会出事,因为车(自家数据)可以掌控,来自道路上的各方车流(外部数据)则是不可控的。
 
除非,大家伙全都是自动驾驶,而且数据全面互通,或许才能说“大话”。
 
塑造贾维斯,每个人都需要一个私人管家
 
Facebook创始人扎克伯格在2016年初时开始谋划,要打造一个人工智能“管家”,如同电影《钢铁侠》里的超级管家贾维斯。只要说出自己的需求,它就可以帮你做任何事情。他花了近一年的时间让这一想法成为现实。
 
而这个在2016年末出现的、等陪孩子玩耍、能理解主人情绪的JAVIS人工智能程序(翻译过来就是贾维斯),却说出了作为主顾的大多数普通人,对人工智能+金融的诉求,其实亦是蓝海。
 
有观点认为,目前中国金融行业正在运用的人工智能可以整理为四大类应用场景:机器学习与知识图谱;金融预测、反欺诈;融资授信决策;智能投顾。
 
不难看出,其实这就是一个金融管家的角色。只是对于大多数使用者来说,这个管家并不是自家的私人管家,而只是金融机构派来帮忙的劳务输出“人员”,这些人工智能官派管家,恰恰因为模拟人类思维、而非传统上的按钮工具,难免骨子里向着东家,而未必装着用户的利益。
这其实也将是金融机构人工智能化后不可避免在用户心中投射出的悖论。但如果没有金融背景,只是为用户量身打造的私人专属管家呢?即使真正在平台全面开放数据、大数据真实打通之下,也未必能够派上用场。
 
或许很多人会认为,第三方机构的这类产品未必能够精通金融、制造出高效、有用的金融分析模型,但这个问题可以通过足够的专家和日益完善的模型体系形成强力外脑和不断升级来补完,但更重要的则在于除了大数据以外,人工智能还需要强大的计算能力。
“我们都知道,只有更强大的计算能力才能处理人工智能应用所需的大数据,”英特尔公司副总裁兼数据中心事业部数据中心解决方案部门总经理詹森·韦克斯曼就在2016年底透露:
 
英特尔预测,到2020年,用于人工智能的计算将比现在增长12倍。因为很多原有的基础架构并没有考虑到去适应人工智能应用,只有7%的应用部署符合人工智能的要求。
 
对计算能力要求的日益提高,将让真正商用化、金融化的人工智能沦为巨头的游戏,而普通用户将只能用接入的方式,成为这个巨头金融互动网络游戏里的一个参与者,而非主导者。
 
但也并非说用户级定制的高端人工智能完全不可能出现,只是在很长一段时间内,想要在人工智能+金融上创业和颠覆市场的第三方公司只能把希望寄托在云计算之上。
 
毕竟,在任何一个通过获取用户行为而形成大数据流之下,或许能够反映出用户的更多立体面,甚至形成一个从外形到内心的立体建模,实现精准的需求把握和心理分析,以更好地和外部的金融市场分析进行比对,但是任何大数据的形成,无论计算数据多快,都是一个过去式,一个过去的用户。
 
每一个人的性格或许不会变化,但瞬间的需求和心理延伸,却未必是人工智能通过大数据和云计算所能彻底把控的,也是难以捉摸的。这就是破解珍珑棋局的那自绝一子。而或许,只有真正专属于自己、忠诚于用户、没有金融机构后门和利益诉求的贾维斯,才会是倾吐心声、掌握用户实时动态和心态,能窥见“透明人”的那个唯一。
 
而这样的服务,才会是最为贴心和精准的,也是最具有用户黏性的。若真如此,贾维斯也就成了《钢铁侠》里那样,一个值得把自己的后背托付给它的“放心的人”。也唯有那样,才是真正从老司机,成为一个私家专车司机。话说,《特工卡特》里的真人版贾维斯,不就是个专职老司机兼管家吗!
 
换言之,基于金融机构自身获客和吸引现金流考量的人工智能,是现在和之后一段时间内的主流。而非主流的第三方金融人工智能产品,则在相关限制解除和大数据、云计算条件相对成熟之时,成为用户的最后选择。
 
只是真如此,还一定需要专业金融机构扮演什么角色呢?这是个问题,应该和人工智能部署一同布局。

责任编辑:吴昊