金融人工智能研究报告（2022）-54页_3mb.pdf

本报告 版权属于 中国信息通信研究院 ，并受法律保护 。 转载、摘编或利用 其他 方式使用 本报告文字或者观点的，应 注明 “ 来源： 中国信息通信研究院” 。违反上述声明者，本 院 将追究其相关法律责任。 1. 中国信息通信研究院云计算与大数据研究所 人 工智能关键技术和应用评测工业和信息化部重点实验室 2022 年 1 月 金融人工智能研究报告 （ 2022 年） 前 言 金融机构数字化转型正在如火如荼地进行，人工智能作为数字化转型的重要手段之一，全方位融合赋能金融行业的业务领域和场景应用，人工智能助力金融行业升级的序幕正式开启。 从应用范围来看，目前人工智能技术在金融产品设计、市场营销、 风险控制、客户服务和其他支持性活动等金融行业五大业务链环节均有渗透 ， 已经全面覆盖了主流业务场景 。 从技术价值来看，深度融合金融业务场景的人工智能技术正逐步解决行业痛点问题，在实现业务流程自动化，弥合信息差 ， 构建普惠金融方面发挥着关键作用，已经在获取增量业务 、 降低风险成本 、 改善运营成本 、 提升客户满意度方面进入了价值创造阶段 。 从应用场景来看，以生物特征识别、机器学习、计算机视觉、知识图谱等技术赋能下的金融行业，衍生出智能营销、智能身份识别、智能客服等多个金融人工智能典型场景。 本报告从金融行业业务链出发，深度剖析人工智能各类细分技术在金融领域的应用及未来发展趋势，力求展现目前金融人工智能技术应用全貌， 为金融行业加快数字化转型提供帮助和引导，推动健全具有高度适应性、竞争力、普惠性的现代金融体系。 目 录一、 金融人工智能发展概述 . 1 (一 ) 发展背景：金融数字化转型，全面推动产业化发展 . 1 (二 ) 发展环境： AI 赋能金融业务，全面发挥价值创造力 . 3 二、 金融人工智能行业发展现状 . 5 (一 ) 聚焦金融业务核心需求，发挥技术创造力优势 . 5 (二 ) 细分行业需求存在差异，技术采纳成熟度不同 . 7 (三 ) 行业发展呈现阶梯分布，实现技术跨行业外溢 . 9 (四 ) 金融 AI 技术应用为关键，相关体系支撑为核心 . 11 三、 人工智能在金融行业的技术应用及实践 . 13 (一 ) 基础层：提供底层资源，支撑业务高效落地 . 13 (二 ) 通用层：解决 业务痛点，创造核心应用价值 . 14 (三 ) 应用层：结合业务需求，衍生智能金融场景 . 20 四、 金融人工智能核心支撑能力 . 36 (一 ) 企业战略规划：决定技术价值潜力体现的保障 . 36 (二 ) 工程化平 台管理：推动技术场景快速落地的手段 . 38 (三 ) 可信合规治理：保证技术安全规范应用的根本 . 40 五、 金融人工智能发展前景展望 . 43 (一 ) 技术方面：技术能力革新，驱动行业发 展不断演进 . 43 (二 ) 应用方面：场景智能深化，支撑现代金融体系建设 . 44 (三 ) 保障方面：可信治理评估，助力行业长期规范发展 . 46 图 目 录图 1 金融行业业务链 . 5 图 2 金融人工智能技术价值创造力分析 . 6 图 3 金融人工智能细分行业场景分类 . 7 图 4 银行业、保险业和证券业人工智能场景应用成熟度 . 8 图 5 银行业、保险业和证券业人工智能技术应用采纳度 . 9 图 6 金融人工智能行业发展阶梯图 . 9 图 7 金融人工智能体系全景图 . 11 图 8 产业图谱关系类型示意图 . 16 图 9 智慧营销提供全渠道全产品智能服务示意图 . 21 图 10 GBC 联动营销案例 示意图 . 22 图 11 阳光保险云客服语音导航机器人系统 . 24 图 12 智能投顾工作机制示意图 . 26 图 13 新闻舆情解析示例 . 27 图 14 声纹识别赋能智能语音能力架构示意图 . 31 图 15 智能消保中台分析体系应用策略 . 32 图 16 智能消保中台数据场景融合分析示意 图 . 33 图 17 RPA 数字员工工作机制示意 图 . 35 图 18 人工智能开发平台架构图 . 39 图 19 MLOps 参考流程 . 40 图 20 可信人工智能总体框架 . 42 图 21 可信人工智能研发管理体系 . 43 图 22 金融人工智能业务场景智能化全景图 . 46 表 目 录表 1 各地金融人工智能相关专项政策 . 2 1 一、 金融人工智能发展概述 人工智能 技术 因其在文字、语音和图像等各类信息的自动挖掘、提取和处理方面表现出的强大能力，成为 促进 金融科技 发展 ， 加速金融数字化转型的关键力量 。 金融和人工智能的全面融合，正在逐步赋能金融业务链，提升金融机构的服务效率，拓展金融服务的广度和深度，使得人工智能在金融行业不断实现价值创造。 (一 )发展背景 ： 金融数字化转型 ， 全面推动产业化发展国家宏观政策和行业领域规范逐步出台，推动金融数字化转型。中华人民共和国国民经济和社会发展第十四个五年规划和 2035 年远景目标纲要中指出，要健全具有高度适应性、竞争力、普惠性的现代金融体系，有序推进金融创新，稳妥发展金融科技，加快金融机构数字化转型，这标志着金融领域的科技创新与数字化建设将迈入多领域、深层次探索与实践的新阶段。同时，在行业 细分领域规范逐步出台，多场景应用与安全监管并行。 银保监会在 2019 年 12 月发布的关于推动银行业和保险业高质量发展的指导意见中提出，既要充分利用人工智能强化业务管理，改 进服务质量，降本增效方面的能力，同时要发挥人工智能在打击非法集资、反洗钱、反欺诈等方面的积极作用。中国证券业协会在 2020 年工作要点中指出，要大力推进人工智能技术在投行业务领域的应用研究，同时要针对疫情常态化制定保荐承销机构远程工作标准。 地方积极响应中央战略布局，因地制宜出台扶持政策。 在中央统一宏观政策指导 下 ，各地结合自身区域特点和行业发展状况因地制宜2 出台相关政策，通过人才补贴、鼓励创新、招商引资、设立专项投资基金 等方式推动智能金融的特色化发展。其中，北京、上海出台的相关政策中，均提到要在智能金融的发展创新中发挥龙头作用，利用自身人才技术优势将发展重点集中在智能 金融的技术研发攻关和创新试点，而重庆、成都发布的相关规划则将关注要点集中在利用人工智能进一步推进普惠金融，降低中小企业的融资成本。 表 1 各地金融人工智能相关专项 政策 文件名称 主要内容 发布机构 发布 时间 北京市促进金融科技发展规划（ 2018 2022年） 支持人工智能技术在身份识别与反欺诈、量化交易、投资顾问、客户服务、风险管理、辅助监管等金融领域的创新和应用 。 中关村科技园区管理委员会 2018-10 加快推进上海金融科技中心建设实施方案 将 上海 建设成为具有全球竞争力的金融科技中心 ， 打造成为金融科技高地和监管创新试验区 。 上海市人民政府 2020-01 杭州国际金融科技中心建设专项规划 支持新一代人工智能技术应用于金融机构创新业务领域 ， 重视人工智能技术在金融风险防控与监管上的创新应用。 杭州市发展改革委员会 2020-07 南京市关于加强金融支持新型研发机构高新技术企业和先进制造业发展的通知 积极探索运用大数据、区块链及人工智能等技术手段，构建创新型企业的信用评级模型，提高融资效率，降低风险。 南京市人民政府 2020-04 成都市金融科技发展规划（ 2020-2022 年） 推动人工智能在金融领域的应用 ，推进金融服务向智慧化方向发展，构建数据驱动、人机协同、跨界融合、智能决策的智能经济形态。 成都市人民政府 2020-05 重庆市人民政府办公厅关于推进金融科技应用与发展的指导意见 推动以人工智能、大数据、云计算、区块链等为代表的信息技术在我市金融领域广泛应用 ， 探索应用大数据、人工智能等新技术，开发有针对性的金融科技服务产品 。 重庆市人民政府 2020-10 来源： 根据 公开资料 整理 行业标准规范逐步完善，推进市场成熟化发展。 随着人工智能在3 金融领域的应用不断 探索发展 ，相关的行业规范和监管政策也在不断完善。 2019 年 10 月 28 日，中国人民银行和国家市场监督管理总局出台的金融科技产品认证规则将金融科技产品的认证流程、监督模式、认证标志、查询系统等标准化。 2021 年，中国人民银行正式发布人工智能算法金融应用评价规范（ JR/T 0221-2021），规定了人工智能算法在金融领域应用的基本要求、评价方法、判定准则。由此可见，相关部门正在 大力推进智能金融行业的标准化改革，提高行业准入门槛，鼓励合规企业自主创新，充分参与到规范化的市场竞争当中，推动行业健康可持续发展。 (二 )发展环境 ： AI赋能金融业务，全面发挥价值创造力 1.以需求为导向，传 统业务行业痛点凸显 传统金融行业受限于自身行业特性，行业痛点凸显。 以银行、保险和证券业为代表的传统金融行业， 在业务、资金、客户、风控和营销方面，存在流程复杂 ， 周期较长、流程单一、差异化服务较弱，审批方式 依赖 人工化等典型问题， 尤其是 在市场高度竞争环境下 ，无法及时有效地满足 客户多样化 金融投资服务等 需求。 总之，传统金融行业痛点集中在三方面，一是 人工成本高 无法有效覆盖所有客户 ，无法为客户定制化金融服务； 二是 信息不对称 造成信息孤岛，无法有效降低潜在风险； 三是 获客难转化低 ，远程交易操作困难，流程繁琐 。结合金融业务链核心业务环节，不同阶段具体对应各自的痛点和需求 。产品设计与市场营销环节，重点关注如何获取增量业务；在风险控制环节，强调降低风险成本；在客户服务环节，注重提升客户满意度；4 在支持性活动方面，希望改善运营成本。 2.以智能为目标，提升金融数字化水平 针对 金融行业存在着风控要求高、业务量大、模式化重复劳动多等切实痛点 ， 人工智能技术 深度融合 业务场景，在实现 业务流程自动化 、解决信息不对称和 构建普惠金融 等方面 发挥着巨大的价值创造力。 实现业务流程自动化，降低人力成本。 金融行业存在大 量的信息录入、核检、提交等简单重复性工作，人工智能技术 可将 人工操作实现流程自动化，提升操作精准度，降低了人工成本。 解决信息不对称问题，弥合数据信息差。 在传统金融业务场景中存在着大量信息不对称问题，人工智能技术与金融业务场景深度融合，很大程度上是在解决 了数据孤岛、大数据分析 效率问题，在客户量大、数据复杂、精准度要求高的金融领域产生 巨大 价值。 面对客户千人千面，构建普惠金融。 智能投顾 、智能营销等典型服务，利用人工智能技术提升线上线下用户服务范围和效率 ， 提供 定制个性化 服务和 投资方案 ， 全新 赋能数字普惠新发展模式。 3.以 服务为核心，聚焦业务五大核心环节 综合细分行业共性，金融核心业务链可归纳为五大环节。 综合银行、保险、证券行业业务共性，金融 核心业务链 可归纳 为 五 大环节 ，包括 产品设计、 市场营销、风险控制、客户服务、支持性活动（人力、财务、 IT 等）。对应到相应的细分领域，银行业务， 围绕产品与解决方案 、 营销与销售 、 风险管控与审核 、 客户管理与服务 ， 核心业务链可以总结为产品开发及定价 、 资金揽贷 、 市场营销 、 客户服务环节 。5 保险业务， 围绕产品开发 、 营销与销售 、 核保定价及承保 、 保单管理与服务 、 理赔 、 资产管理 ， 核心业务链可以总结为产品开发 、 市场销售 、 渠道开拓与维护 、 客户服务 、 投资管理环节 。 证券业务， 围绕证券发行 、 投资决策支持 、 销售和交易 、 清算结算与托管 、 报告与数据分析 ， 核心业务链可以总结为产品开发 、 营销 、 定价 、 承销 、 募集 、交易环节 。 来源： 根据 调研和公开资料整理 图 1 金融行业业务链 二、 金融人工智能行业发展现状 目前，人工智能与金融行业深入融合，金融行业数字化、智能化改革已经初见成效，金融人工智能整体呈现业务智能价值创造，细分行业技术应用和采纳度存在差异性，行业发展成熟度呈现阶梯分布以及体系逐渐完善等现状。 (一 )聚焦金融业务核心需求，发挥技术创造力优势 人工智能技术赋能主要聚焦金融 业务 链 上五大 环节 的 需求，在获取增量业务、降低风险成本、改善运营成本，提升客户满意度四 类金6 融业务场景 方面 价值创造力 突出 。 来源： 根据 调研和公开资料整理 图 2 金融人工智能技术价值创造力分析 获取增量业务。 生物特征识别技术在获取增量业务方面表现得最为突出 ， 通过有效进行远程身份鉴别 ， 从而促进金融机构各类远程业务的顺利开展 ， 极大提高了客户服务效率及广泛的客户覆盖 。 其次 ，知识图谱 、 计算机视觉技术结合 ， 可以通过智能精准营销 ， 在金融机构获取增量业务方面发挥价值创造力 。 降低风险成本。 通过对操作风险对智能防控 、 信用风险全流程覆盖 、 合规风险对内控建模 、 交叉风险对有效预警 ， 以机器学习 、 知识图谱为基础的智能风控体系，有效地为金融机构 降低风险成本发挥价值 。 改善运营成本。 目前， 生物 特征识别通过线上远程方式，降低线下网点服务压力，进而缩减相关的相关成本支出； RPA 技术 通过实现各类场景流程自动化 ， 从而有效降低人力投入 ，此外智能语音、计算机视觉应用于智能票据审核、电话服务助理， 都成为金融机构有效改7 善运营成本的关键技术手段 。 提高客户满意度。 生物特征识别 技术可以高效获取用户身份信息 ，改善用户交易体验 ；自然语言处理、智能语音、计算机视觉等 技术结合可以为客户提供智能的交互体验 ， 从而有效 提升客户满意度。 (二 )细分行业需求存在差异， 技术 采纳 成熟 度不同 银行、保险、证券行业存在众多共性场景，针对不同领域还有个性化需求。 一方面，身份识别、智能风控、智能营销、智能客服、智能合规、智能运营六 大场景已经实现银行、保险、证券 三 类领域全覆盖。 另外一方面，由于面向服务对象和业务的内容的不同， 智能理赔和智能投顾分别成为保险行业和银行业单一使用场景，银行与证券行业 均 已落地智能投研。 来源： 根据 调研和公开资料整理 图 3 金融人工智能细分行业场景分类 人工智能技术在金融主要场景 基本 实现全覆盖， 细分行业场景应用成熟有所差异 。 目前， 通用 人工智能 技术在 金融 多类场景中 应用成熟 度相对较高， 如 生物特征识别、机器学习、知识图谱、自然语言处8 理等多项技术中都已经处于落地应用阶段。 从细分 行业 角度看， 银行业 人工智能技术应用广泛且落地场景价值能力突出 ， 多业务场景采纳度高； 证券业和保险业 在人工智能场景应用成熟度相对较低，还存在较多只在单一业务场景采纳应用，随着未来智能化业务和场景需求不断增加，未来人工智能技术赋能的空间还有很大。 来源： 根据 调研和公开资料整理 图 4 银行业、保险业和证券业人工智能场景应用成熟度 机器学习和语音、视觉感知技术采纳度较高，细分行业对于各类技术采纳度具有鲜明的行业属性 。 一方面， 金融在安全认证和客户服务方面的迫切需求，语音识别、计算机视觉和 生物特征识别 技术在金融场景普遍 使用范围广、 采纳度 较高。 另外一方面，不同细分领域对于技术采纳度有各自的特点， 银行领域 ， 机器学习技术 有效 地 在大客户精准吸储 、 信贷风险防控方面创造较大价值，相对技术采纳度较高；保险领域 ，拥有服务全流程强标准化 、 客户群大 、 业务量多 、 执行重复度高 等特征 ，对于 RPA 技术 有较大的需求 ； 证券领域 ， 基于知识图谱建立趋势模型 ， 为客户提供智能投顾服务成为有效的技术价值增长点 。 9 来源： 根据 调研和公开资料整理 图 5 银行业、保险业和证券业人工智能技术应用采纳度 (三 )行业发展呈现阶梯分布，实现技术跨行业外溢 来源： 根据 调研和公开资料整理 图 6 金融人工智能行业发展阶梯图 金融行业的数字化 、 智能化改革已经初见成效，金融机构在技术研发应用方面呈现明显的阶梯分布。初步投入建设阶段 ， 以小型的城市商业银行 、 小型金融机构为主 ， 建设方式以采购第三方智能化技术和解决方案为主，逐步尝试实现在智能客服、票据智能识别等单一场10 景的智能化应用 ； 多维尝试布局阶段 ， 以大型城商行 、 中型保险公司 、小型券商机构为代表 ， 采取自研 、 联合开发和采购相结合，与智能研发类科技公司的合作，利用其技术优势开发智能产品，迅速实现技术升级 ； 深度成熟应用阶段 ， 以国有银行 、 大型股份制银行 、 大型金融集团为代表 ， 基本实现全场景自研为主 ， 联合开发为辅的建设布局 。在外采与联合开发方面 ，头部机构 会在 技术成熟领域，与技术头部厂商做联合开发， 如 生物识别技术、智能语音 技术等； 在新兴 技术 领域，金融机构则 通过 自主研发 ， 实现 技术安全自主可控。 金融行业已形成标杆性示范效应，建立技术与业务的联动发展模式。 以 国有银行为例，通过设立金融科技子公司完成核心技术的自研自用，通过自建企业级人工智能平台，基本实现核心算法自研，关键技术和硬件具备国产化替代方案。例如，中国工商银行以核心价值场景切入，实现数据全入湖， 截至 2021 年 9 月， 采集和积累行内外、境内外、结构化、非结 构化全数据资产容量近 40PB，推动超过 1000个业务应用落地，单一智能业务场景节省年工作量百人以上 1，利用人工智能技术推动的金融数字化正在逐步进入价值创造期。 金融行业技术自研率较高，部分金融机构实现技术跨行业外溢。经调研统计，金融机构人工智能技术平均自研率在 70%以 上 2。大型金融集团由于技术投入早、落地成果丰富，已经形成了跨行业技术输出和外溢的趋势。例如中国平安集团，已经将成熟应用于金融行业的 1 中国工商银行调研资料 2 金融机构 调研数据 11 部分技术，应用于医疗领域形成技术外溢，并通过赋能医疗领域完善自身保险业务的相关迭代升级，进而反哺金融主业。 (四 )金 融 AI技术应用为关键，相关体系支撑为核心 目前 ， 金融人工智能技术正处于快速产业化应用阶段，技术应用体系可分为基础层、通用层和应用层共三层架构。 来源： 根据 调研和公开资料整理 图 7 金融人 工智能体系全景图 基础层，提供底层基础软硬件和计算能力。 人工智能 算法框架、智能硬件、 系统软件 主要为支撑人工智能算法训练、推理和应用，目前金融行业纷纷建立自有的算力集群 ，例如中国工商银行已建成“集群混部、调度统一、使用集约、管理集中”的大规模异构 AI 算力云 。通用层，实现金融智能场景的技术手段和方法。 利用基础层提供的资源，针对金融场景中应用层的需求开发系列通用技术，为解决金融实际场景中的问题提供了完备的技术手段。在金融领域，常用的人工智能技术有知识图谱、计算机视觉、智能语音、自然语言处理、生物特征识别和 RPA，从感知认知、流程自动化等方面提供全面的技术能力。应用层，融合技术与业务需求而产生的行业场景。 通常来说，应用层12 针对业务场景提供的智能解决方案是数种通用层技术的集合。针对 场景痛点和需求，技术赋能后产生全新智能金融新场景，目前主要包括身份识别、 智能营销、智能风控、智能客服、智能 理赔 、智能投研、智能投顾、智能 运营、智能合规 等 。 配套支撑 方面 ， 从战略、工具和安全层面保障技术应用落地。人工智能工程化，面向数据、算法、模型、服务等要素，提供完备易用的工具体系、标准化的研发运营和管理体系和多样的效能评价体系。由于人工智能技术在金融领域 早期重开发轻管理的粗放模式，造成了为解决临时 需求而 持续产生成本等问题 。人工智能工程化，主要通过开发平台工具能力和研发运营一体化（ Machine Learning Operations，MLOps）体系建设，集资源管理、数据管理、模型开发、模型训练、模型发布、模型监控于一体，辅助金融机构解决人工智能技术实际应用中数据管控 、 人员协同 、 敏捷交付 、 产品测试 、 运营迭代等问题 。安全合规治理，提供体系化可信人工智能技术风险治理规范。 随着人工智能技术与金融行业的广泛融合，其应用深度与日俱增，企业所面临的可信特质要求将不断扩充，一方面对研发可信人工智能技术检测规范和工具提出要求，以匹配业务发展需要和合规监管要求；另一方面应积极与监管部门对接，主动配合标准合规等监管措施，构建内部和外部相协调的敏捷可信机制。 企业战略规划，提供可持续化人工智能技术战略资源投入和布局。 目前，金融行业呈现积极拥抱人工智能技术的态度，国有大型金融机构纷纷规划人工智能发展战略和布局，从顶层推动与人工智能的融合发展，拓宽自身人工智能应用场景，在13 科技布局、资金投入和人才引 进方面进行重点投入。根据银保监会统计， 2020 年银行机构和保险机构信息科技资金总投入分别为 2078 亿元和 351 亿元，同比增长 20和 27%。目前，中国工商银行、中国建设银行、中国农业银行、招商银行等国有和股份制银行已经公开披露，正在开展与人工智能相关的应用探索，主要的应用场景包括智能风控、智能客服和智能营销等。 三、 人工智能在金融行业的技术应用及实践 人工智能在金融行业的技术应用，主要从基础层、通用层和应用层发挥赋能效应。基础层，主要为算法模型提供基础计算资源和基础设施，为业务高效落地提供支撑。通用层，充分利用 智能感知认知技术，解决传统金融业务场景的痛点。应用层，将智能技术与业务需求充分融合，衍生出智能营销、智能投顾和智能理赔等典型智能金融场景。 (一 )基础层 ： 提供底层资源，支撑业务高效落地 基础层为算法提供了基础计算能力、工具和系统，一方面除了CPU（ Central Processing Unit， CPU）及 GPU（ Graphics Processing Unit，GPU）外，还包括为特定场景应用而定制的计算芯片，以及基于计算芯片所定制的服务器，包括 GPU 服务器集群，各类移动终端设备以及类脑计算机等；另外一方面 人工智 能系统软件 和开发框架作为支持性工具，极大地提高开发效率，简化开发流程和降低开发成本 。 例如，中国工商银行已建成“集群混部、调度统一、使用集约、管理集中”的大规模异构 AI 算力云，含 GPU、 CPU、国产 AI 芯片等，满足中14 国工商银行全场景、全领域的业务高效落地和快速迭代。 (二 )通用层：解决业务痛点，创造核心应用价值 1.生物特征识别 生物特征识别技术是指通过计算机利用人体所固有的生理特征或行为特征进行个人身份鉴定。 目前 被用于生物识别的生物特征有手形、指纹、 声纹 、虹膜、视网膜、脉搏、耳廓等，行为特征有签字、按键力度等。 随着 现代金融业务 的在线化发展 ，越来越多的业务场景需要对客户进行远程的身份核实和认证，生物识别技术也因此在金融领域遍地开花。特别是在移动端，生物特征识别技术因为其便捷的人机交互体验和保密安全的特点已经成为移动智能终端的标准配置。目前，生物特征识别技术在金融领域的应用场景包括远程开户、账户管理、支付确认等。 2.计算机视觉 计算机视觉技术是指通过计算机等设备，对目标产生的图像、视频进行分析处理，使得目标能够更好地被计算机所理解，从而取代以往由人的肉眼来识别目标的过程。计算机视觉包括图像分类、物体检测、语义分割、视频分析 等核心技术，也包括衍生出的人体姿态识别、目标跟踪、 SLAM（同时定位与地图构建）、 OCR（光学字符识别）等其他细分技术。 计算机视觉技术部分 类别 已达商业化应用水平。在金融领域的标准化使用场景中，人脸识别、票据识别 、场景识别 等技术的应用取代15 了原有的重复人工作业，并升级出更高效、便捷的客户交互方式。 中国工商银行通过搭建卫星遥感监测平台实现对境内、外的风电、光伏等多个场景实时监控，识别准确率达超过 90%，解决由于疫情、项目地处偏远地区等原因导致人工现场监控不便的痛点问题，每年仅现场查看人力成本可节省超上百万元。 同时，计算机视觉也在探索着非标准化的使用场景，例如在保险进行定价等场景，建立个性化的视觉模型，通过识别无人机图像来对企业资产状况进行评估。 3.知识图谱 知识图谱是用可视化技术描述信息资源及其载体，挖掘、分析、构建、绘制和显示信息之间的相互联系。知识图谱的构建包含：信息抽取、知识表示、知识融合、知识推理四个过程，每一次更新迭代均包含这四个阶段。 在金融应用场景中，知识图谱技术与 NLP 和大数据分析存在高度 关联，在智慧金融中的应用可分为金融监管、金融机构应用和金融服务三类：在金融监管领域的应用包括资本市场监管、新型金融监管、债券市场风险、个人信用反欺诈、反洗钱；金融机构应用包含智能风险预测、智能营销、智能投顾与智能投研等；金融服务领域的应用包括银行业信贷风险评估、银行客户全生命周期价值评估、失联客户管理。 通过知识图谱技术构建的产业链图谱是赋能金融机构智能投研的重要工具 ,产业链图谱可以有效提升金融机构获取行业信息、企业信息的便捷度，提高研究分析的效率。例如，数库科技建立的 SAM16 产业链囊括了与其他行业分类体系的 映射逻辑，形成覆盖 A 股、港股、美股、债券、新三板等 20000 多家上市公司业务明细的动态产业链生态网络体系。针对券商、银行等金融机构原有的使用习惯，数库科技可以有效整合金融机构内外部信息，一方面可以实现金融机构数据的有序积累与知识沉淀，另一方面可以通过全景图谱打破信息孤岛，串联孤立数据提升数据分析价值，不断延展产业链数据的兼容性和关联性。目前， SAM 产业链包含超过 100 万细分产业节点，超过 1 万可对接数据的标准化产品节点，和超过 10 万组上下游产业关系，帮助金融机构建立起了智能化产业数据的跟踪能力，进一步助力金融 机构实现了智能投研、智能 风控、智慧营销等场景 3。 来源： 数库科技 图 8 产业图谱关系类型示意图 4.自然语言处理 自然语言处理技术是通过计算机处理和分析自然语言，实现计算 3 数库科技调研资料 17 机与自然语言的有效交互。常见的自然语言处理技术应用方向包括句法语义分析、信息抽取、文本挖掘、机器翻译、信息检索、对话系统等，而机器学习技术是实现这些应用方向的重要技术手段。 自然语言处理技术目前广泛应用于金融行业的各个细分领域，例如文本合规检查、数据检索等，且越来越成为更多业务场景中不可或缺的一部分。自然语言处理技术往往与语音技术相结合，创造出更加智能的客户交互模式，一方面减少了人工座席数量，优化了运营成本；另一方面，基于对信息的挖掘较人工操作的强大优 势，可以对资讯进行高效处理。 5.智能语音 智能语音技术实现了人机语言通信，创造更加智能的客户交互模式，包括语音识别技术（ ASR）和语音合成技术（ TTS）。智能语音技术的研究是以语音识别技术为开端。 2016 年前后机器语音识别准确率超 95%达到人类水平，智能语音助手、智能音箱相继落地。随着信息技术的发展，智能语音技术已经成为人们信息获取和沟通最便捷、最有效的手段。 智能语音技术目前已经成为中大型金融机构在人工智能技术应用的标配之一，在身份识别、智能营销、智能客服、智能理赔、智能运营等多个场景已实现技术落地。整体来 看，智能语音技术最具价值的应用在于与客户交互、服务相关的环节中，起到降本增效的目的。 6.机器人流程自动化 RPA RPA 即机器人流程自动化，是一种通过软件机器人模拟人与计算18 机的交互过程，实现工作流程自动化执行的技术应用。 RPA 的核心价值是实现业务流程的自动化和智能化，在 具体 应用上只要符合大量重复、规则明确的特征场景，都可以应用 RPA 技术 。 金融业是目前 RPA 的主要应用领域之一， RPA 因为其在重复性工作处理上的高适用性被应用在金融业的多个领域。在商业银行中，国库退税自动核对、单位结算账户自动备案、清算资金自动对账 、反洗钱明细信息补录、信用卡中心风险换卡等工作都可以由 RPA包揽。在保险行业， RPA 则可以完成合同文件报送、风控指标监控、系统清算等基础性工作。在证券行业，也可以利用 RPA 实现无人工的自动开闭市、开市期间监控和定时巡检。 例如 ， 中泰证券在零售、信贷、托管等 16 个业务部门 均有 RPA 落地解决方案 ， 覆盖 财务管理、交易清算、数据报送、估值核对等多个业务场景。截至目前，中泰证券累计部署 RPA 机器人 218 个， RPA 累计运行时长 6361 小时、累计折算人力 3578 人天、累计折算成本 477 万元，助力各业务降本增效，为全司数字化转型深度赋能。 4此外，南洋商业银行建立 RPA+ AI 解决方案，使得银行 KYC 流程能够更加全面的贯彻 ， 银行数据处理更加准确，降低风险的同时，监管数据报送更为及时。通过 RPA 技术，南洋商业银行缩减人力成本 333 小时 /月，人工操作时间减少 80%。 7.其他 随着人工智能技术的不断更新迭代，以预训练模型、虚拟数字人等新兴前沿技术，正在逐渐赋能于金融行业。 4 中泰证券调研资料 19 预训练模型是通过对大量训练数据进行预先学习，完成参数与算法结构定义的模型统称 ， 通过微调的方式，将预训练成果嫁接到新问题的解决过 程中，大大减少新模型的学习时间，节约开发成本。 在金融行业对高频业务场景中，目前主要通过结合 NLP 技术对文本或音频的关键词提取并进行高精准度情感分析，从而获得对服务的有效反馈，进行针对性地改进 。 2020 年，金融领域预训练语言模型 FinBERT 1.0开源，是国内首个在金融领域大规模语料上训练的开源中文 BERT预训练模型，包括金融财经新闻，研报 /上市公司和金融类百科词条等垂直领域。 虚拟数字人是指基于真人视频影像，利用计算机视觉和语音合成等技术，对真人形象、声音、动作等进行模型训练，生成可任意编辑内容的 “真人 ”讲解视频。在金融领域，虚拟数字人可在虚拟接待，引导业务办理，解答业务问等业务场景发挥作用 ，可独立闭环完成银行业务交易场景的自助应答、业务办理、主动服务、风控合规等全流程服务，在交互方式上，采用拟人化的对话方式与亲和的形象，为用户提供了良好的沉浸式体验。 2019 年，百度与浦发银行联手打造的国内首个虚拟数字员工“小浦”正式上岗 ， 近年来浦发银行已形成十多种数字员工岗位，这些数字岗位包括智能客服、智能外呼、财富规划师、 AI 培训、 AI 营销员、数字质检员、文档审核员、 AI 大堂经理等角色，已创造了约 2000 人年劳动力的价 值。在智能客服和智能外呼场景下，机器人可每天接待 8 万通电话，提供客户账户管理、业务咨询等服务，同时机器人能就风险提示、业务通知等场景每天呼出 5020 万通电话，大大扩展了服务的覆盖面；在文档审核员场景下，以 NLP技术为核心应用的智能文本处理能力已覆盖 10多个部门的 60多个场景，在提升文本处理精准度的同时更节约了近 200 人年劳动力。另外值得一提的是， 2021 年浦发银行将数字员工的服务能力赋能了上海市虹口区北外滩政务自助服务中心，在那里数字人“小虹”面向居民和企业用户提供 300 余种一网通办业务咨询和指引服务。 ； 2021 年 1月，农行与商汤科技打造的 AI 数字人员工正式“入职”中国农业银行杭州中山支行营业厅，“担任”线下大堂经理 ， 承担着辅助甚至替代人力完成 客户 服务、运营提效、以及内部管理的职责 。 除此之外， 知识计算 、脑机接口、多模态分析等很多人工智能新的研究领域 ， 随着技术研发和应用能力的不断完善和突破，将在金融的智能化场景应用中不断释放新的价值 。 (三 )应用层 ： 结合业务需求 ，衍生智能金融场景 1.智能营销 智能营销是指利用人工智能、物联网、计算机和互联网通信等现代科学技术 ，通过建立客户画像、进行图谱构建，从智能化获客到精准施策达成交易的智能营销新模式。 利用知识图谱和 NLP 等人工智能技术金融机构可以将自身储存的大量客户信息， 不仅可以 通过深度数据分析转化为营销资源，还可以根据用户画像实现精准的营销定位并且在此基础上深挖客户潜在需求， 极大 提高了营销的转化率。同时， RPA 助力企业完成营销自动化，解放企业人力资源，助力营销降本增效。 21 （ 1）个性化金融服务 构建普惠金融的核心 个性化营销是智能金融的重要应用场景 。 基于机器学习和知识图谱建立的智能推荐系统 ， 可以根据客户的历史交易信息、员工服务信息和产品信息等内部数据 ， 通过内容推荐算法和协同过滤算法为客户提供个性化的营销服务 。 来源：中国工商银行 图 9 智慧营销提供全渠道全产品智能服务示意图 （ 2） GBC 联动营销 创新联动，智能化获客手段 银行利用 运用知识图谱技术，构建涵盖个人、机构、法人的全网络资金流向知识图谱，快速、精准定位资金漏损点，创新突破联动营销业务模式，提升全链条拓户增存能力。 例如 ， 截止至 2021 年 9 月，中国工商银行 GBC 联动营销模式 成功拓展客户近万 ， 带动新增存款约百亿元， 实现 “源头客户精细管理、业务场景精准施策、下游账户精确发力 ”目标 5。 5 中国工商银行调研资料 22 来源：中国工商银行 图 10 GBC 联动营销案例 示意图 中国工商银行将某医院为营销切入点开展资金流分析。与其资往来密切的下游两家公司（蓝点红圈）。经分析，两家公司资金流入量大，且资金往来交易对手大部分为工行账户，具有较大潜在营销价值，通过这种直观的资金流关系分析方式，让客户经理精准发现潜在客户，并为拓户提供抓手和依据 2.智能身份识别 生物特征识别 技术 利用其 便捷性、广泛性和相对稳定性的特点 ，助力 金融机构在智能身份识别业务场景落地应用， 其在减少金融欺诈和扩张传统业务方面发挥作用。 通过引入智能身份识别技术，商业银行在基本阻断了冒名开户和冒名支取的经营风险的同时还大幅简化了支付流程，推动了电子化支付的广泛应用。除此之外，金融行业的传统个人业务也在诸如人脸识别等认证技术的帮助下实现了远程化，线上化和简便化 。 声纹识别技术的应用，有效弥补了缺乏人脸识别使用条件的语音交互场景。声扬23 科技通过声纹识别技术，帮助金融机构进一步降低骗贷骗保的风险。这不仅扩张了金融机构的业务覆盖能力还有效地推动了普惠金融的进一步深化。 随着生物识别技术与金融 业 的进一步融合，已经落地应用的认证技术也在迭代更新，例如部分城 商行希望用指静脉识别取代现有的指纹识别技术。指静脉识别技术利用手指内的静脉分布图像来进行身份识别，比起其他生物识别技术具有不可复制，不受外部环境影响的特点，具有更高的安全性。 3.智能客服 智能客服是利用 RPA、 NLP、知识图谱、智能语音、机器学习等技术在大规模知识处理基础上发展起来的一种技术引擎。可以提供基于语义的智能应答服务，帮助企业完成面向客户的知识管理。智能客服已经成为现代金融机构与客户间沟通交流最高效的模式。 （ 1） 智能客服系统 全天候处理专业问答 智能客服系统利用知识自动化抽取结构化和半结构化文本，然后通过 NLP 技术解析语义逻辑，并通过构建可视化知识图谱实现对候选答案的向量表达和问题表达的得分进行筛选，获取精准答案， 极大地缩短 反应时长，提高处理效率 。 智能客服系统 有效地解决 了 传统客服人力占用较大 、 成本较高 、 业务高峰期难以有效覆盖 、 多渠道 端口难以有效资源整合等痛点。 例如 ， 平安自研问答算法及智能坐席机器人，能够对客户咨询的开放性、针对性、关联性问题，信息告知、简单寒暄、无意义信息等进行有效的分析、识别、过滤、整理和输出。24 智能机器人还具有自我学习能力，对知识 库进行训练，对未知问题进行收集。目前该系统已实现月均调用量近 30 亿次。 在知识图谱技术的加持下，不仅可以使用知识库进行专业问答，还可以通过知识关联形成推理问答。智能客服系统还可以通过机器学习模型在日常工作中完成训练，使用高维向量建模训练数据使得问题和正确答案的向量表达的得分尽量高，实现自我发展、自我优化。 例如， 中国工商 银行 重点布局移动端智能客服，运用机器学习、语音识别、 OCR 识别等技术，结合不同客群特点和操作习惯，建立集引导、辅助