金融服务公司正在率先采用人工智能为客户提供服务，根据 IDC的报告，预计2019年银行将在人工智能解决方案上花费56亿美元，仅次于零售业。
对于金融服务公司来说，其成果可能相当可观： McKinsey Global Institute预测人工智能和机器学习将为银行业创造超过2500亿美元的价值。
尽管如此，由于潜在的金融、声誉和监管影响，许多金融公司在人工智能方面仍持谨慎态度。在这里，深入了解人工智能系统如何做出决策至为关键。
与此同时，寻求竞争优势的金融服务公司正在推出人工智能系统，以支持客户服务运营，进行风险分析，并对营销和销售流程进行改造。下面是几家金融服务公司让人工智能发挥作用的典型案例。
优化客户服务
Synchrony运营许多主要品牌的信用卡，包括Gap和Old Navy、Amazon、JC Penney、Lowe's、Sam's Club, 以及American Eagle, 为超过8000万个活跃消费者账户提供服务。很多客户可能需要信用卡方面的帮助，例如报告欺诈交易。
两年前，该公司致力于人工智能，雇佣了170多名数据科学家，同时在伊利诺伊大学建立了一个新兴技术中心。像许多金融服务公司一样，Synchrony的人工智能和机器学习的关键部署是在聊天机器人上。
公司的CTO及AI领导者Greg Simpson说：“我们的智能虚拟代理Sydney服务大多数零售商网站上的商户，包括Gap和Lowe's，如果你有关于你的信用卡的问题，你可以问Sydney，Sydney会帮助回答基本问题。”
Simpson说：该平台目前每月可处理50万次聊天，根据多年来对Synchrony呼叫中心的呼叫来回答。这个平台也可以通过亚马逊设备获得，它帮助减少了50%以上的在线聊天量。88%使用Sydney的客户表示他们对服务满意。
三井住友银行（SMBC）是一家全球金融公司和日本第二大银行（按资产计），也在为客户服务部署人工智能。该银行使用IBM Watson来监控呼叫中心的对话，自动识别问题并向运营商提示答案，从而将每次呼叫的成本降低了60美分。这家银行的一位总监冈田弘一说，每年有100多万个电话，每年可节省10万美元。此外，客户满意度提高了8.4个百分点。
冈田弘一在2015年移居到硅谷去运营SMBC的创新办公室，负责领导银行的几个人工智能项目。
他说：“我们还使用IBM Watson进行面向员工的交互，例如，如果销售人员对内部规则有疑问并询问日本总部，则时间差异很大，答案将延迟一天。”而Watson则习惯于自动回答这些问题。
Gartner的研究员Moutusi Sau说，在过去的几年里，所有的大银行都在进行聊天机器人项目。他说，“这方面有很多技术，如会话聊天引擎、虚拟客户助理等。它们是馅饼的一大部分。”
他说，银行会继续在这一领域进行投资，但智能代理现在也在努力提高内部运营效率。
将智能带入销售流程
堪萨斯州的NBKC银行对聊天机器人的态度是继续观望，但它们已决定将人工智能用在其抵押贷款业务中。
这家银行的 EVP及按揭总监Chad Cronk说：“在抵押贷款领域看到的大多数人工智能基本都是用聊天机器人为客户提供服务，这一点我们也考虑过，但我们认为它还是不够成熟。”
Cronk说，在NBKC，人工智能帮助将线索分发给贷款人员。大约60%的新潜在客户是通过在线潜在客户聚合器（如Lending Tree和Zillow）获得的，平均每天有300到350个新潜在客户，其余的来自推荐客户和回头客。以前，销售线索通过“round robin”系统分发给公司的98名贷款专员。
但是，在分析历史数据时，NBKC发现，一些贷款人员在处理新的销售线索方面表现得更好，比如说，在上午或下午晚些时候，或者在特定地理区域的客户中表现得更好。
Cronk说：“这导致了在智能级别上分配销售线索的概念，我们认为，如果我们在适当的时间将潜在客户与适当的高管配对，我们将能继续提供更好的客户体验。”
由于其规模较小，该银行与外部供应商ProPair合作，而不是自行开发技术。ProPair的平台帮助NBKC提高了10%的接近率，并提高了65%的贷款人员的绩效。
今天，25%的线索被随机分配到一个控制组。其余的是则基于智能系统分配的，该系统将销售线索分配给最适合的代理，同时考虑到各个工作负载，以确保每个人仍然收到相同的销售线索总数。
Cronk说，“我们看到了显着的进步，有几个季度增长了15%。”
Cronk说，推出这项新技术大约需要三到四个月的时间。来自第三方聚合器的销售线索数据通过API传入银行的销售线索管理系统Velocify，再花些功夫弄明白如何把代理推荐融入到Velocify中去，由此创造一个安全的环境，以便ProPaid能够研究代理的历史绩效。
分析风险
金融服务公司长期以来一直使用统计模型来评估风险——贷款中的信用风险、交易中的金融风险、保险行业的精算风险以及所有类别的欺诈风险。
Bank Policy Institute的技术政策处BITS的总裁Chris Feeney说，“不同的是，这些算法的使用范围更广，可用数据量、数据类型和数据吞吐量正在改变这些正在解决的各种问题，如果你能收集更多关于交易的信息，你就可以更好地避免欺诈。”
Feeney预计人工智能将成为金融公司的一大优势。他说：“你必须积极主动，但也必须选择好的用例。”建议金融公司寻找机会使用人工智能来创造竞争优势，同时也为消费者提供明确的价值。
他说：“这可能是贷款业务，现在有很多关于使用其他数据源向新的人群提供贷款产品的活动。”
他说，欺诈分析是另一个重要的用例。“我认为人工智能将加快发现欺诈的速度，以避免欺诈，更快地发现异常活动。”
Raghav Nyapati 同意这种说法。他最近在全球排名前10的银行领导人工智能项目，现在正在发起成立一家金融技术初创企业。Nyapati说：“考虑承销时，我们有成千上万的应用程序。人工智能可以帮助筛选出可能存在欺诈或高风险的应用程序，只有筛选后的应用程序才由代理进行审查。”
Gartner最近的一项调查显示，46%的金融服务公司使用人工智能进行欺诈检测。
Tabb Group的金融科技与欧洲研究的总负责人Monica Summerville说，在证券行业，公司在交易前和交易后风险分析中都使用机器学习。
她说：“以传统的方式进行风险分析需要大量的计算，而且许多机器学习技术的近似法已经足够好了，而且速度也越来越快。”
Tabb Group最近进行的一次调查报告显示 ，大多数证券公司计划在未来12个月扩大人工智能的支出。她说：“这项技术被列为他们业务中最具颠覆性的技术。”
根据Gartner，人工智能还将影响更复杂的任务，如财务合同审查或交易发起。这家研究公司预测，到2020年，20%的后台工作人员将依赖人工智能进行非常规工作。
合规性挑战
监管者已经熟悉监管金融机构用来评估信贷风险或发现可疑行为的模型的困难。例如，模型可能非常复杂，难以分析。或者它们可能是来自第三方供应商的专有模型。
有一些方法可以解决这些问题，例如对模型进行独立审查，并使用补偿控制，如断路器。在某些方面，人工智能驱动的系统可以像传统的统计模型一样被对待，但它们也带来了额外的担忧。
Federal Reserve董事会成员Lael Brainard在去年秋天的演讲中曾说：“人工智能可能在不透明性和可解释性方面会产生一些挑战，认识到在使用人工智能工具时可能存在某些情况是有益的，即使它可能是无法解释或不透明的。由此也可知，人工智能工具应受到适当的控制。”
她说：这包括对工具如何构建、在实践中如何使用以及数据质量和适用性的控制。
可解释性——也被称为黑盒问题——是人工智能系统的一个特殊问题。使用传统的统计模型，数据科学家手动选择对特定决策或预测至关重要的因素，并决定对这些因素给予多少权重。然而，人工智能系统可以识别以前未知和难以理解的模式。这使得银行很难遵守监管机构的规定，例如《平等信贷机会法》和《公平信贷报告法》，这两项法律要求银行解释他们在做出决策时使用的因素。
Brainard 补充说：“幸运的是，人工智能本身可能在解决方案中发挥作用，人工智能社区在开发‘可解释’人工智能工具方面取得了重要进展，重点是扩大消费者获得信贷的机会。”
随着Synchrony开始关注人工智能和机器学习的信用决策，黑匣子问题也成为该公司面临的一个问题。Synchrony的Simpson说：“我们希望在我们的模型中构建可解释性，并指出做出决策的原因。这不容易做到。”
例如，他说，不能出于歧视性的原因做出决定。“你不能说，‘我不会为这个邮政编码的人提供信用证’，因为这是违法的。”
该公司还花费大量精力确保用于培训人工智能模型的原始数据不会有偏差。Simpson说，这就是公司需要这么多数据科学家的原因之一。
公司采取的一种减少偏见的方法是从多元化的团队开始。
他说：“如果没有多元化的团队，就很难确定数据中的偏差，因为你的团队可能存在偏差，作为一家银行，这对我们来说尤为重要。团队的多样性是这个领域的第一个也是最好的防御。”
作者：Maria Korolov 在过去的20年里，一直在采访报道新兴技术和新兴市场。
编译：徐盛华(Monkey King)
原文网址：https://www.cio.com/article/3373549/how-ai-is-revolutionizing-financial-services.html
