早在3年多前，时任新光银行副董事长，现为新光金控总经理吴欣儒，以及新光银行总经理谢长融，便为新光银行订下一个3年目标，由新光银行数字信息部领军，聚焦AI与大数据策略，选定跟业务营运关联最强，从营销营运、顾客经营等角度来推动，注重在扩充AI应用，让AI能落地到银行各个场景，藉此推动数字金融。

新光银行数字信息部资深协理林基玄于3月17日在台湾IBM新春记者会上，揭露了自家AI应用的过程与成果。

新光银行的第一步，是先打破组织框架。林基玄解释，当时，银行内部有各个事业群、IT部门，数据团队又尚未成形，为了将银行的日常数据整合，运用在精准行销上，他坦言，不得不将整个组织框架打掉，再成立一个专案组织，拆分数据营运所需的职能，依照不同职能成立一个个工作组，让每个工作组来订立数据营运中一部分的功能。

甚至，林基玄提到，新光银行从无到有重建数据仓库，将线上、线下数据全部整合在一起，让数据可以被分析人员使用。接下来，内部开始推动业务线，让业务线自行具备视觉化分析的能力，透过使用视觉化工具，便能分析数据。

对于较为复杂的业务构想，新光银行内部更成立了机器学习（Machine Learning）的技术团队来负责此工作，从资料中找出AI可以落地的机会。甚至，在机器学习有大量成果后，新光银行团队开始走入深度学习（Deep Learning），更在2019年新光金控的旺年会，自行开发人脸识别报到系统，让员工刷脸进出。

AI应用在消金、法金多项业务作业优化

林基玄进一步提到，这3年来新光银行在AI应用场景与成果，零售银行（Retail Banking）部分，大多锁定精准行销、顾客评价、信用风险控管，或是房屋鉴价、票据识别、智能客服，以及客服录音资产化，将顾客与银行客服的语音对话文字化。或像是为了优化广告投放，新光银行建置了数字广告投放优化模型，将广告商与银行端的数字轨迹平台串联起来。

在成效上，林基玄举例，现在新光银行精准营销的回应率，比起以往作法的回应率，平均是2倍以上的成长。特别是在高资产潜力模型的运用，约莫有以往5.2倍的回应成效。

以往，新光银行准备一档营销活动，从执行研究目标、营销包装、营销网络发布到检讨活动等流程，需费时2周到1个月。现在，除了能自动化大量推出营销活动，更能主动从几百万顾客中找到合适的顾客群精准推播营销活动。林基玄指出，各事业线平均1年能推出800个以上的营销活动，亦即一个礼拜平均要推出18个精准营销活动。

透过分析顾客与银行的互动，新光银行对于特别在意隐私、不喜被过度干扰的顾客，更制定出一套内部规范，比如，只要有任何顾客打电话到银行要求不要电话营销，新光银行线上库存或是正在执行的营销活动，该名顾客就会立刻被抽走，银行也不会再透过电话接触该名顾客，可能是换成顾客较能接受的营销模式如寄送Email来传递营销信息，甚至，还订出部分顾客在一个月内最多能接触的次数。

在营销面以外的应用，林基玄提到，团队整合了开放资料，采永视觉化分析，以及自然语言处理技术后，产出社区银行的数据产品供内部使用，像是分行选址的应用。

在企金顾客服务部分，林基玄表示，去年开始，新光银行导入了知识图谱（Knowledge Graph）技术，运用该技术，将一些企金顾客彼此的关联性串联在一起，再将这份资料提供给企金客户关系经理人（RM）进行顾客服务。

内部推动AI与大数据策略，面临两大挑战

新光银行在推动AI与大数据策略时，先锁定了与业务连动性较强的部分，使得业务单位的接受度也较高，推行的困难度比较少。但，林基玄坦言，一路的过程中，他仍面临2大挑战，一是数字信息部规模较小，二是标注数据量不够多。

他解释，新光银行负责大数据与AI方面的人员仅有25人，在AI这条路上做的速度可能不符期望，特别是在深度学习领域，有太多关于资料标注的工作，标注的量不足时，模型预测出的结果也无法达到期望中的效果。因此，新光银行的作法是，与外部伙伴采用合作模式，而非外包模式，将某几块部分切出来，寻求外部合作伙伴的协助，如此一来，就无须动用到自家稀少的资源。

另外，林基玄提到，内部的数据工程师与建置模型成员之间，通常会有沟通上的差距，数据工程师大多较为资深，对银行的领域知识（Domain knowledge）较强，懂得系统功能中的数据该如何被演绎、被加工。而建置模型这群人，则较为年轻，对于领域知识没那么熟悉，但却能为银行带进新兴技术。挑战在于这两类人的特长如何融合，他的作法是，让资深数据工程师分享数据如何演绎会较有效果的经验，分享给建模端的人员，并将数据整理给建模端，大量减轻他们在建模数据准备工作的负担。

至于新光银行AI下一阶段规划，林基玄透露，这段时间以来，他们已将AI制程上所需的模型建置、管理模型、部署模型，到容器化的服务这整套流程都做起来了。所以，接下来新光银行计划量产AI模型，希望能做到每2个礼拜就送出一个模型，让每个顾客接触点，都有AI可以服务的机会，这是第一阶段。

第二阶段的计划，则是要打破以往数据信息流的批次模式，往即时信息流迈进，让顾客跟银行前台互动的过程中，后方的AI模型就能收到即时的互动信息。所以，如何将即时信息流丢入单一功能的AI模型，产出决策与建议，来塑造更多AI应用的即时场景，是新光银行接下来的重点目标。