其次对用户行为数据的分析抵达更为精准化的

在金融领域，人工智能最早的应用场景在智能投资顾问领域。最著名的莫过于著名数学家詹姆斯·西蒙斯创立的大奖章对冲基金，该基金以电脑运算为主导，用量化策略从庞大的市场中筛选数据，寻找统计上的关系，找到预测商品、货币及股市价格波动的模型，最终做出短线交易的决策。不远了公开资料显示，在1989—2007年这十几年的跨度里，大奖章基金的平均年收益率高达35%，远高于股神巴菲特20%的平均年复合回报率。

人工智能在国内的早期应用同样也在智能投顾领域，起初主要用于私募基金，不被大众熟知。近两年来，国内市场对智能投顾已不再陌生，2016年招商银行推出的摩羯智投就是其中最具代表性的产品。随着互联技术的蓬勃发展和金融科技的兴起，智能风控、智能客服的落地条件逐渐成熟，图像识别、活体检测等技术进行身份核实的场景开始变得丰富，为人工智能和金融服务的有机融合创造了有利环境。因历史发展、国内外市场差异的原因，国外的人工智能在智能投顾等某些领域更为先进，但在以基于大数据的智能风控为代表的为什么？那是因为你对石头没有任何感情任何爱意更多领域中，中国的企业已把国外远远甩在身后。

智能风控落地的前提互联时代下信息技术和络技术的广泛渗透，让人类生活进入大数据驱动智能发展、智能认知的阶段。人工算法进入商业领域后，开始展现普遍性的趋势，尤其在金融业务中表现出较强的适用性，目前人工智能在国内的应用集中在风控、征信及反欺诈领域。人工智能能够结合场景进行产业化落地，离不开以下三个重要前提：

技术基础的完善。在云计算和大数据日趋成熟的背景下，深度学习作为人工智能的关键技术取得了实质性进展。云计算为深度学习提供了平台，大数据为深度学习提供了材料。以云计算为例，

在其出现之前，运算能力是一种昂贵的资源，企业无法单独承担此项成本。而在人人接入互联的时代，数据的运算量水涨船高，大规模数据的训练和计算对CPU量级提升的要求随之而来。云计算服务实现了运算资源的循环和再利用，使得企业成本大大降低。在云计算为企业降低成本2~3个量级的情况下，许多初创公司都可以拥有较强的计算能力。当然，对从事人工智能服务的企业来说，仅仅拥有计算能力是不够的，因为制约技术的因素还来自于数据获取能力和数据加工处理能力，因此数学、统计学、机器算法等决定大规模计算实力的人才必不可少。

场景的涌现呼唤更先进的技推荐人：宽容实习生术。人工智能使得机器在一定程度上具备模拟人的功能，批量和个性化服务成为其优势，尤其在需求规模化和复杂化的消费信贷服务中，如何提供优质的用户体验成为痛点。如在小额、微小额的贷款业务中，要求金融机构或平台在短时间内给出某个用户准确的风险评估，或者在一天时间内要完成几十万乃至更多的用户授信——可以预见的是，此类要求只会越来越高、场景也会越来越多，传统刀耕火种的评估方式与现有庞大且层次多样的金融需求完全脱节。拿前文提到的智能投顾来说，其面临的投资机会转瞬即逝，对交易信息的判断处理甚至要求快到毫秒级。场景的需求促使行业使用更合理的算法、更快的计算速度，对新技术的呼唤让人工智能走上舞台。

数据材料丰富性的提高。人工智能离不开数据，利用数据来支持运算和判断是人工智能的基础。在金融行业，数据的需求同样迫切。在互联时代背景下，金融消费者聚集的高度碎片化需求规模更加庞大，数据获取成本更加低廉。金融机构和企业可以运用这些数据来进行计算、加工和判断，为用户提供个性化的服务体验，并做出基于数据的智能决策，实现精细化管理，从而进一步推动人工智能技术的应用发展。

智能风控是传统风控的有效补充传统金融机构采用传统评分卡模型和规则引擎等“强特征”进行风险评分，而智能风控根据履约记录、社交行为、行为偏好、身份信息和设备安全等多方面行为“弱特征”进行用户风险评估。两种风控方式从操作到场景都呈现明显的区别化效应，进入移动互联时代后，智能风控的优势愈加凸显，成为传统风控的有效补充。

传统风控已形成标准化的操作方式，首先进行用户身份的判断，然后对用户提供的实物证明材料进行审核。简单来说分为以下几步：首先，通过面签审核用户身份，确认提交材料的真实性。材料包括身份证、户口本、银行流水、工作信息等身份和收入证明。其次，对用户的资产进行评估，决定授信额度，主要是房产、车产等标准抵押物的资产评估。最后，在信用贷款方面，可能会增加其他步骤，比如调查贷款用途、确认交易意愿等。

侧重人工审核、强调因果关系的传统风控会面临的几个关键问题。首先，传统风控的时间跨度至少以周单位，业务流程需要层层审批，涉及多个人员和环节，导致效率低下；其次，长时间的业务流程，无法及时满足用户资金要求，导致糟糕的用户体验；最后，对于金额较小的业务，传统风控复杂的审核程序导致的高成本使得银行等机构无利可图，从而这部分庞大的市场被放弃。

智能风控侧重大数据、算法和计算能力，强调数据间的相关关系，其在风控环节中的应用主要有三：计算机视觉和生物特征的识别，即利用人脸识别、指纹识别等活体识别来确认用户身份；反欺诈识别，智能风控利用多维度、多特征的数据预示和反映出用户欺诈的意愿和倾向；正常用户的还款意愿和能力的评估判断。对于交易、社交、居住环境的稳定性等用户行为数据，运用神经络、决策树、梯度算法、随机森林等先进的机器学习算法进行加工处理。

智能风控在互联经济下“规模性”增长的消费金融市场中，捕捉非传统金融数据，增加弱金融相关特征，采用机器建模分析的方法为传统风控进行了非常及时有效的补充。

首先，智能风控带来闪电般的审核速度，时间跨度以分、秒来计算，为用户带来更好的服务体验；

其次，对用户行为数据的分析抵达更为精准化的评估；

最后，风险预测上，运用数据模型能够精准量化未来风险最可能发生的时间和场景。

从快牛金科的实际应用来看，风险量化预测的结果和真实风险的表现非常符合，误差很小，而风控标准的放松和收紧导致的坏账表现程度的变化都可以用数据直观测量，对实际业务操作非常有利。

目前在信用贷、消费贷等需求个性化、规模化的小额贷款场景下，智能风控具备充分的优势，但在房产贷款、大型企业的供应链金融等涉及资产评估的大额贷款及交易真实性的验证上，传统风控依然无可替代，两种风控模式仍将在较长时间内共同存在。

智能风控成长空间巨大在金融行业，风控永无止境，智能风控更是不断迭代、不断按照结果优化的过程。迄今为止，智能风控已取得不错的应用成果。实际应用中，智能风控模型已具备较好的用户区分度，可以在评估结果中清晰反映出优质和劣质客户，识别精度和判断速度经过技术人员的不断优化迭代，均呈现螺旋式上升的态势。但目前整个行业都面临数据孤岛和信息不透明的问题，行业共债情况得不到共享，部分信息的准确度、覆盖度、权威性和及时性存在不足，智能风控技术的提升空间依旧很大。

在用户体验上，智能风控的优化路径有两条：一是减少对用户的干扰。目前信贷审批等风控流程的数据调取需要用户授权，随着市场数据共享机制的完善及计算能力的提升，未来只需要提供很少的信息就可对用户进行评估，消除用户在信息安全、使用合规上的顾虑。二是在上述基础上，用户评估的精准度的提升。

人工智能是一个不可逆转的趋势，但在具体场景的推广落地上，人工智能仍然面临一些外部阻力。

首先，由于一些从业人员意识的滞后性，人工智能在业务上的实践还面临银行等机构出于模式转变、经营决策、潜在风险的重重考量。其次，合适的业务场景需要探索。传统的金融业务场景中，申请、审批、贷后等一系列环节都建立在不同的操作系统和诸多的人力资源上，如何切入人工智能将面临长期磨合调整的过程。此外，在监管上，人工智能还面临“黑箱理论”和金融活动“可溯源性”的矛盾。人工智能对风控的很多执行过程并非人类大脑所能理解，但在某些法规监管较严格的场景下要给出必要的解释。

中国著名科幻作家刘慈欣曾说，人工智能就像一个黑箱，从理论上，它们的运算步骤是可以追踪的，但是由于计算量巨大使得追踪在实际上很困难，甚至不可能。达成二者之间的平衡、建立起信任是未来人工智能面临的巨大挑战。对于这种情况，一方面可以采取解释性更强的算法。算法既有难解释的神经络算法，也有容易解释的逻辑回归、决策树算法。从理论上来讲，对于相同的数据，不同的算法带来的结果应该相差不远。另一方面，可以期待社会观念的改变和监管法规的调整。毕竟不仅仅是人工智能代表的计算机科学，其他人类学科都可能随着研究的深入和领域的细分导致出现传统的逻辑意义无法解释的结果。

未来一定是人工智能的时代历经蓬勃的技术发展，人工智能的热潮还在继续。虽然目前中国的人工智能尚处初级阶段，甚至在较早落地的金融领域也主要集中在风控、量化交易、智能客服等几个方面，但人工智能为世界带来的益处不会仅局限于此。

首先，人工智能进一步的推广应用将形成广泛的基于机器的智能决策，在很大程度上能提高社会整体运行的效率；其次，人工智能的介入能实现更多领域的个性化服务；最后，人工智能在问题求解、逻辑推理、智能信息检索等领域比人类更优秀，例如在围棋、自动驾驶、公共安防等领域，人工智能都表现出卓越的学习能力和决策能力。

人工智能也会带来诸如就业体系等社会结构的变化，一些简单、重复度高、数据可被自动化采集和记录的工种将被机器取代。从目前的发展速度看，客服、简单风控、基础营销等人员被取代的可能性较高。技术的发展超乎人们的想象，就像2000年的时候，谁也不曾想到打字员在计算机和互联的全面普及之后，成为故纸堆里的符号。

人工智能技术对人类生活的渗透能量将是巨大的，就像互联一样，从20年前需要吧、学校机房、拨号等特定的场景和手段才能接触到的服务，到如今已介入人们吃、穿、住、行方方面面的活动经营场景。等到人们已不大能感觉到人工智能的存在，意味着这项技术已经触手可达、广泛普及了。