史蒂夫·喬布斯的“reinvents the phone”不僅重新定義了手機，而且改變了世界，將人類一舉拉近移動網際網路時代，並且結合金融，形成了網際網路+金融的普惠模式。目前來看，天朝的移動支付妥妥的處於全球領先地位。只要會使用智慧手機，在大天朝的一線城市已經可以不帶錢包出行了，普羅大眾都已經能體會到網際網路金融時代的便利。而近期阿爾法狗（AlphaGo）的成功，讓吃瓜群眾發現 AI （人工智慧-Artificial Intelligence）已非昔年靠窮舉法贏棋的“深藍”（IBM開發的國際象棋機器人），而是有了自主推理學習能力，大家不免擔心人類是不是有朝一日會被人工智慧機器人“顛覆”掉？
只看當下，人工智慧已經在無人駕駛、影象處理、語音識別方面取得了突破性的應用，那金融領域呢？
李開復老師曾談及人工智慧應用的三個要素：資料、處理資料的能力和商業變現的場景。人工智慧解決金融界問題的過程， 很好的對應了這三個要素。也許， 金融領域是人工智慧最合適不過的顛覆場景了。
在金融業務的前端，已經有不少傳統銀行將人工智慧用於為客戶定製服務，開發理財產品的應用，例如巴克萊銀行和花旗銀行等。 國內招商銀行也開始試用全新的人工智慧業務模式，未來人工智慧和機器學習技術在金融業前端會有更多的便捷精準服務提供給客戶。
那麼金融應用領域的後端呢？ 尤其是資訊保安、投資風控、資產管理等方面的，對於躲在觸屏手機背後的客戶，缺失央行資料的客戶，銀行沒有辦法透過一雙雙眼睛去看到使用者是謙謙君子還是騙子流氓。這個時候， 金融後端，傳統金融風控手段覆蓋不到和難以觸及的， 那麼“網際網路+金融”業務就要結合更廣泛的網際網路資料和人工智慧手段， 就可以處理更廣泛的金融客戶問題。
從這個角度考慮，新金融時代，具備自主學習能力後的AI，是真的要“顛覆”傳統金融風控了嗎？ 在引入人工智慧處理網際網路行業幾十萬維資料的處理手段，“降維”處理金融業界萬維、千維資料的時候，會形成有效的降維攻擊嗎？
在談及機器學習在金融場景中的實際應用之前，首先我們對金融風控的一個標準業務流程進行梳理，通常一個風控業務包括前端頁面使用者資料申請提交和收集，反欺詐、合規、邏輯校驗，核心決策授信包括申請評分和電調，以及最後的催收。
面對這套業務流程， 新金融風控領域面對的資料痛點，一般有幾大類：
反欺詐
業務流程上，AI自主學習已經在每個風控節點發揮作用。比如反欺詐環節，在網際網路的環境裡， 金融風控面臨的傳統個體欺詐已迅速演變為有組織、有規模的群體欺詐和關聯風險。而傳統反欺詐還停留在識別一度風險等這種簡單規則方式，如聯絡人中借貸人個數等，對於二度、三度乃至更廣範圍的網路全域性風險苦無良策。
AI學習裡面基於圖的半監督演算法完美解決了這一訴求，基於申請人、手機號、裝置、IP地址等各類資訊節點構建龐大網路圖，並可在此之上進行基於規則和機器學習的反欺詐模型實時識別。
核心授權決策
在申請評分環節，傳統金融風控往往是基於評分卡體系對強徵信資料如銀行借貸記錄等進行建模，而新金融的業務下，客群的進一步“下沉”，覆蓋更多收入群體，新增群體的強徵信資料往往大量缺失，金融機構不得不使用更多弱金融資料， 闢如消費資料、運營商資料、網際網路行為資料等。
這類底層資料的改變，對傳統信用評分卡造成了巨大的困難，具體體現在：
諸如網際網路行為、運營商資料很多都是非結構化資料，資料繁雜， 建模前的特徵工程很難用傳統人工的方式完成加工。
由於資料型別和範圍的大幅擴大，新模型面對的往往是加工出來的上千維弱變數特徵，評分卡體系根本無法融合吸收這些特徵。
線上新金融業務風險環境頻繁演化，傳統人工迭代模型無法適應風險變化速度，迭代最佳化太慢。
AI學習對上述問題有獨到處理。面對資料繁雜的問題，基於深度學習的特徵生成框架已被成熟運用於大型風控場景中，對諸如時序、文字、影像等網際網路行為、運營商非結構化資料實現了深層特徵加工提取，顯現出對模型效果超出想象的提升。
【圖注】上圖為大型信用貸場景中模型重要性特徵列表，機器學習特徵比例已經超過專家人工特徵。
經過大量實踐表明，針對資料駕馭難的挑戰，不同的資料用合適的模型才能挖掘出其最大價值。AI學習方法過去在網際網路廣告、搜尋、推薦等技術的成熟應用，正是對不同型別的資料用不同的機器學習模型進行處理，將此移植到金融場景中，用複雜整合模型就可以輕車熟路地處理上千維度的弱變數，並將之與違約風險精準掛鉤。
解決模型迭代慢是AI最擅長的事情。 過去網際網路公司每天都產生海量使用者資料，需要對搜尋、推薦模型持續頻繁地線上最佳化，自迭代頻次比金融領域更快速更準確，這是人工迭代幾乎無法解決的問題。因此在金融風控中，透過對模型特徵、借貸群體、模型效能和業務反饋等多方面的監控，AI學習模型已經能很好地進行線上快速自迭代。
事實上，AI學習要解決的問題很清晰，所有的這一套資料適配融合、群體反欺詐、特徵工程、模型構建和訓練、效能監控與自迭代的機制，包括深度學習、半監督學習、線上學習等技術，核心都是為了將網際網路級別的機器學習技術“降維”應用到金融領域，解決新金融場景上資料的獨特性。因此，可能在不久的將來，AI風控結合大資料將成為線上主流的風控模式，只是這一天，到底有多遠呢？
文章來源：錢塘大資料交易中心 www。qtjiaoyi。com