近年来，随着信息技术、网络技术等新兴技术的不断发展，大数据、云计算、人工智能等技术被广泛运用在人们的工作和生活中。作为与信息技术融合最深的行业之一，金融行业积极推动人工智能应用落地，在提升业务效率、优化成本控制、完善风控体系、推动产品创新等方面取得了明显突破。

人工智能的应用分析

1.提升业务效率。人工智能作为新兴技术代表，推动了商业银行的业务效率显著提升。以浦发银行“网贷通”、招商银行“闪电贷”、民生银行“小微宝”等针对个人、小微企业主的在线信用贷款产品为例，以银行内部数据为基础，融合POS流水记录、个人征信、诉讼、税务等第三方机构数据，充分运用信用评分模型、决策系统等大数据处理和专家系统技术，实现对客户的综合信用评价与差异化风险定价，从客户提出申请到审批完成贷款只需几分钟。依托人工智能和大数据处理技术，极大提高了银行贷款审批的效率，提升了银行客户办理业务的体验。

2.优化成本控制。（1）人力成本。采用智能机器人、智能客服、智能发卡机等技术，可有效替代商业银行的简单销售、客服、基础营销等岗位，减少银行的基础岗位人员需求，逐步降低银行人力成本。据BCG咨询的报告显示，到2025年，银行业受人工智能技术应用的影响，岗位将削减23%。

（2）运营成本。通过引入人脸识别、语音识别和智能机器人等技术，采用实时电子照片、电子签名和电子凭证等方式，银行在业务处理过程中降低了对纸质材料的需求，减少了纸质凭证的输出，有效控制银行运营成本。

（3）客户成本。银行推出的在线信用贷款产品，采用在线申请、在线提贷以及在线还款的全流程在线模式，打破了时间和空间限制，提高了客户办理业务的效率，节省了客户的时间和人力成本。

3.完善风控体系。（1）针对贷款服务客户，构建立体化的智能风控体系。在个人风控领域，依托大数据和人工智能等技术，对客户风险进行及时有效的识别、预警和防范，提升个人征信的广度和精度。在企业风控领域，借助大数据和知识图谱等技术，充分整合企业工商信息、法院诉讼信息、工商税务信息、关联企业风险等数据，优化企业信用评估模型，及时准确地把控企业的经营状况和潜在风险。

（2）针对贷款业务流程，构建全流程的智能风控体系。依托人工智能等技术，在选取客户、综合审批和贷后跟踪等各环节采取恰当的风险应对措施。在选取客户环节，利用多维分析和知识图谱技术，对客户进行精准画像，全面评估客户风险状况，建立客户黑名单，为银行选取客户选取提供科学依据。在综合审批环节，借助神经网络和深度学习等方法建立综合信用评分模型，完成客户信用评分，并根据评分结果实时提供审批策略，确定贷款额度，有效规避信贷审批过程中的主观因素，降低人为操作风险。在贷后跟踪环节，依托内外部数据对客户经营和消费等行为进行实时或准实时分析，捕捉并挖掘客户行为的潜在相关性，把控客户信用风险变化，提升应急处置效率，有效降低资金风险。

（3）针对风险管理领域，构建全场景的智能风控体系。充分识别和评估信用风险、操作风险、欺诈风险等各类风险，并提供应对措施。在信用风险方面，凭借客户画像、专家系统等技术和方法，消除信息不对称，保证决策的正确性。在操作风险方面，利用大数据采集处理技术及机器学习技术对银行内部员工的经营行为进行监测分析，揭示相应风险并提前防范化解。在欺诈风险方面，凭借银行内外部多种数据及数据分析方法，挖掘用户行为特征、用户关联特征等异常事件，结合手机唯一识别码、手机卡信息、IP信息、GPS定位等多维度分析潜在欺诈风险，有效提高银行反欺诈效率。

4.推动产品创新。依托POS流水、工商、税务、法院等第三方数据，结合银行内部数据，借助信用评分模型和决策系统等智能化分析手段，各银行不断推出在线信用贷款产品。通过在线信用贷款的方式，银行给客户提供了便利，有效降低客户融资成本。

制约应用人工智能的因素

1.数据资源问题。（1）数据资源利用不足。一是银行内部的存量数据整合不充分，数据分散在不同业务条线、不同系统，难以整合。大量非结构化数据作为各项业务的凭证，没有得到处理和分析，发挥不出潜在价值。二是外部数据的引入不够，目前银行的数据无法形成对客户的完整全面评价及建立科学的信用评估体系。

（2）交易市场不够规范。一是数据交易环境有待完善。在国家层面，相关的法律法规和行业标准尚未制定，没有专门的政府职能部门制定监管规则，规范市场行为，引导行业健康发展。二是数据交易形式过于粗放。交易过程中缺乏统一的定价标准，难以准确衡量数据实际价值，部分数据存在格式不规范、内容不完整等问题，影响了数据使用质量。

2.技术支撑问题。（1）技术人员储备不足。一是商业银行的科技人员数量不够，与金融科技公司、互联网公司相比尚有较大差距。二是缺乏数据分析挖掘、人工智能、算法等专业人才。目前商业银行科技人员主要为软件开发、系统运维、网络机房等方面，数据分析挖掘和人工智能的人员较为匮乏。

（2）缺乏行业统一标准。现阶段，人工智能在银行业的应用总体处于探索阶段，金融机构在人工智能的研发落地阶段需要协调的厂商、领域众多，工作协调难度大，难以建立统一的行业规范、技术标准和协同机制。

3.行业风险问题。（1）技术风险。一是数据安全风险。随着大数据技术广泛应用，商业银行内部存放了大量内外部数据，考虑到网络环境存在的信息攻击、大数据平台存在的漏洞，可能出现数据丢失、篡改和泄露的风险，从而使银行和客户遭受损失。二是系统安全风险。随着人工智能技术与银行业务的深度融合，相关的应用也将成为网络黑客实施金融攻击的对象，例如智能机器人访问接口、网贷产品的访问接口和决策模型等。

（2）业务风险。借助智能投顾、智能客户和知识图谱等技术，各种模型被应用在银行的经营管理、客户服务、风险防控和客户影响等方面，提高了银行的智慧水平，也引入了模型应用的风险。

（3）监管风险。在当前的金融监管体系下，对人工智能的监管面临“黑箱理论”和金融活动“可溯源性”的矛盾。一是无法准确追踪人工智能自身学习和自我决断的行为。二是无法明确人工智能的权责应用主体。这给相关部门的监管带来了挑战，并极大提高了解决成本。

发展人工智能应用的相关建议

1.加强内外数据的整合。为充分发挥数据的潜在价值，商业银行应构建全行统一的金融大数据平台，建立统一的数据标准和全面的数据模型，深度整合银行、电商、社交、消费、电信以及政府部门相关数据，完成数据清洗，从而充分发挥深度学习、神经网络等的技术能力，最大限度发掘数据的潜在价值。同时努力扩大数据源头，整合行内业务系统，拓展外部数据源头，通过大数据和人工智能技术驱动业务创造价值。

2.重视高端人才的培养。随着人工智能等新技术与银行业务的深度融合，商业银行对技术人才的需求将逐步侧重为数据科学家、算法工程师等高级专业人才。商业银行应加强对人工智能技术专家的引进和培养。一是加强与研究机构和科研型企业的合作，通过项目的合力建设达到培养银行技术人才的目标。二是优化内部培训体制。做好银行内部的人才梯度建设，结合员工现有的知识和技术储备，帮助员工在新技术的应用中找准自己的定位。三是拓展人才引进渠道。建立灵活的人才引留机制，采用多种方式引入急需紧缺的新型技术人才，并提供良好的发展空间。

3.推动核心技术的研发。当前,大数据、人工智能等新技术突飞猛进，市场环境瞬息万变。商业银行只有充分掌握技术创新的主动性，才能在紧跟市场需求的过程中占得先机。完全采取技术外包、研发人员外包等方式，即使短期取得市场效果，也会在技术持续迭代、需求层出不穷的大环境下错失长期的发展机遇。此外，采用外包的方式，也存在第三方公司或团队通过项目建设、系统建设掌握相关数据，导致银行数据泄露的风险。为此，商业银行应加强创新机制建设，在制度、人力、财务、技术等方面给予扶持，完成核心研发团队的组建，确保核心技术由银行自主掌握，形成从技术创新到产品创新的内生驱动力。

4.做好数据安全的保障。一是建立数据安全标准管理体系。在数据采集、数据传输、数据存储、数据处理、数据分析与展示、数据销毁等环节采取必要的安全防护措施。二是建立数据分级保护制度。根据敏感程度对数据进行分类，并采取不同的数据安全保护策略。充分保证身份鉴别信息、重要业务数据等敏感数据在传输、存储和使用过程中的保密性。敏感数据必须经过脱敏后，才能进入系统开发、测试和外包环境等场景。三是建立数据访问权限控制体系。规定某个范围内的数据，在何种条件下，准许用户进行何种操作，避免用户对资源的越权访问。

（本文作者就职于中国人民银行成都分行科技处）