在科技金融借助“互联网+”迅速覆盖各行各业的当下，我国银行业金融科技化转型成效惊人。相关统计数据显示，目前国内大型商业银行的电子渠道交易占比已超过80%。大数据应用代替传统人工为银行业带来成本骤降的同时，大量沉淀数据也成为了各家银行的宝贵资源，如何释放数据的最大价值，数据如何为银行提供精准营销、风险管控、客户画像等服务，成为了每个银行技术团队亟待解决的核心问题。
业内人士认为，人工智能进入高速发展时期，语音识别、图像识别、机器学习等不少细分领域涌现了大量突破性研究成果。而作为数据量庞大、风控需求精准的银行业，人工智能有着天生的发挥优势。基于大数据构建金融知识图谱、基于社交网络与银行业核心数据识别并深度了解客户。这些都是如今银行业最需要实现落地的课题。
流程繁信贷慢 传统银行难点多
风险是银行机构的固有特性，与银行相伴而生。传统信贷业务仍然是银行盈利的主要来源，人工授信使得银行成为人力资本最密集行业之一，大型银行拥有大量人力资源和严格规范的管理流程来落实信贷风控，但中小银行一般需要面临资金投入有限、管理质量不高、对人工依赖性强等特色难题。某金融高管曾表示，银行需要填写各种资料，比较繁琐，审批需要人工、电核，后来演变到线上。“关键是我们用什么方式让这些尽量少得麻烦客户，尽量准确地挡住欺诈人群。”该高管说。
相较于短平快的互联网金融，传统银行从获客到放贷，一般要经历10个业务流程，流程多批贷难。某城商行零售总监表示，信贷业务主要通过线下进行，审批环节会筛掉10%的客户。最终通过数据模型再次筛选客户。对于数据来源，他表示金融机构不是平台性企业，其实数据链是不完整的。要得到完整的客户风险画像，还得多方的数据来源来拼合。
同时信贷担保间复杂的关系也是令每个银行人头疼不已的难题，而这些堪比大海捞针般的关系链往往才是决定信贷会否失控的关键。除了在行业里经营多年客户关系的资深员工，新员工想要真正熟悉自己的客户不仅需要时间的积累，更需要深入的调研，这些学习成本对银行来说也是必不可少。
大数据应用金融 银行实现弯道超车
大数据在银行的应用起步比互联网行业稍晚，在网贷行业，经过2016年的监管升级后可以看出，强有力的监管保证了科技金融的可控。银行业在后发优势中学到了宝贵的经验，近年来，各家银行已经能够成熟地运用大数据帮助银行进行风险预警，例如用大数据建模筛选信贷客户，用行为模型做贷后管理。
同时，国内不少银行已经开始尝试通过大数据来驱动业务运营，如中信银行信用卡中心使用大数据技术实现了实时营销，光大银行建立了社交网络信息数据库，招商银行则利用大数据发展小微贷款。中国社会科学院金融所银行研究室主任曾刚表示：“很多民营银行选择了用互联网方式进行业务拓展，这种轻资产模式也被认为是新银行进行弯道超车的较好载体。”
在经济结构调整的大环境下，多家上市银行在运用大数据对贷款投向进行调整上持续加大力度。2017年中报数据显示，上半年25家上市银行合计实现营业收入19612亿元。另外，上半年五大行实现归属于母公司的净利润为5426亿元，比去年同期增加231亿元，同比增速4.45%。通过大数据应用后的银行业交出了靓丽的“中考”成绩单。
大数据应用依然有很多的障碍需要克服，比如银行内各业务的数据孤岛效应严重、大数据人才相对缺乏以及缺乏银行之外的外部数据的整合等问题。但我们也应该看到，银行的中高层开始重视大数据，未来银行业的大数据应用将迎来突破性的发展。
知识图谱+NLP 大数据过渡人工智能
从大数据过渡到人工智能是科技发展的必然趋势，除了金融业，其他行业如零售、制药业都将在人工智能中寻找新的突破点。
在国务院印发的《新一代人工智能发展规划》中，着重提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务。人工智能在大数据应用的基础上开始逐渐渗透到金融业，如何从理论到实际运用，文因互联数据科学家丁海星表示：“金融领域将运用到人工智能技术的三大方面;一、深度学习;二、知识图谱;三、自然语言处理(NLP)。”
深度学习技术是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
知识图谱作为一种大规模的知识表示形态，其核心是以图的方式存储知识并向用户返回经过加工和推理的知识。可以认为是传统数据库的升级版。对金融领域，事件的发生是有征兆的，通过对事件进行捕捉形成事理推理型的知识图谱，可以描绘事件发生的顺承关系和因果关系。
NLP是自然语言理解的简称。它是计算机科学，人工智能以及语言学交叉的一门学科。主要解决人和计算机如何通过自然语言进行交流的问题。全球范围内，包括中国BAT等各大互联网公司都在研究自然语言处理、知识图谱和深度学习，行业目前正在争夺落地场景。
人工智能赋能银行新模式
人工智能将以怎样的方式实现落地?海致金融业务副总裁杨娟表示，通过多年来对银行客户的合作开发中的经验和痛点，人工智能现阶段将通过以下四个场景帮助银行缩短业务流程，提高业务效率。
首先是数据采集与解析。银行的数据类型和数据特点是数据库格式的、结构化的、高价值的数据，这个相对于互联网数据而言体量小，面对银行数据孤岛的局面，互联网海量数据的采集和解析将丰富银行数据的来源，互联网数据中包含大量非结构化数据，往往这些数据与客户相关，例如客户的社交网络信息，同时这些信息数据也包含相关潜在客户。非结构化数据将通过NLP解析后作为信源补充，从而进一步为银行搭建完善的金融图谱。
其次是金融图谱分析与挖掘。银行客户间担保关系可以通过知识图谱进行关联，从而及时甄别出违规担保圈以及担保的风险点，动态预警担保风险信号。除了贷前的风险控制，知识图谱也可以在贷后发挥其强大的作用，比如在贷后失联客户管理的问题上，知识图谱可以帮助我们挖掘出更多潜在的新联系人，从而提高催收的成功率。
第三是客户智能标签的建设。通过算法导入客户数据将深度学习和专家经验相结合，从而建立起客户标签体系。在此基础上可以提炼出客户风险价值以及营销价值。智能标签的深度学习接近与阿尔法狗遍历学习大师棋谱后自我博弈的过程，在此过程中通过神经网络的层与层的递进，逐渐演化出贴合企业客户的标签。
第四是信贷文本智能解析。杨娟表示：“人工审阅一条审批意见平均花费时间高于5分钟，那12000多份报告的话，人工审阅就需要一千个小时，现在通过我们NLP和机器学习技术的话，这一万多份报告5分钟就可以处理完。”复制黏贴占据了金融从业者很大一部分的时间，在未来几年内，NLP可以替代掉大部分低端重复的工作，将金融从业人员从繁杂的信息搜集、清洗、核对等工作中解脱出来。
对于银行未来智能化转型的趋势，杨娟表示：“大数据加营销风险的模型配合图分析和图挖掘，与银行的内部客户账户交易去进行一个融合，能够为银行带来营销、风险预警、自动化处理等全方位的效率提升，所谓的AI取代的是人的一部分工作，而专业人员将会被解放出来，从而能够以更好地效率服务更多的客户。当然，这也是一点一点发生的，是一个漫长的过程。”
