資料智能面臨組織、技術與财務三大挑戰 科技平台如何賦能金融機構“迎難而上”

21世紀經濟報道記者 陳植 上海報道

随着AI在資料分析的應用日益廣泛，衆多金融場景受益匪淺。

普華永道數字化總監黃旭向記者透露，目前不同金融機構在AI+資料應用方面成效顯著，比如一家大型股份制銀行正将資料智能應用在反欺詐風險防控。具體而言，這家股份制銀行一方面運用知識圖譜技術，解決電信詐騙資料拓展問題，進而更高效地識别查詢新開戶風險賬戶與僵屍賬戶，一方面根據風險特征建立模型庫，将後續案例資料，通過實時計算目前案例與曆史場景特征的偏離值，計算案例的涉案機率同時，運用大資料與人工智能技術，快速建立個人及時風險預警規則等模型，對風險事件進行實時分析和決策。

“目前，這家股份制銀行已建立反欺詐防控政策和規則模型的企業級統籌管理架構，并賦能電信詐騙業務場景的風險挖掘，完成個人涉案賬戶風險控制的數字及智能化轉型。”他告訴記者。

此外，保險公司在AI+資料方面也頗有建樹。比如一家大型保險公司針對持有一款财産保險的客戶，将他們的基本資訊、保單資訊、車輛資訊、理賠資訊、險種纖細等資料進行整合，探查這款産品生效後一年内的客戶加保壽險的可能性。在AI+資料的加持下，保險公司通過針對性營銷，令相關客戶的加保成功率大幅上升，保險代理人的人均産能也随之提升約25%。

值得注意的是，AI+資料的日益普及，也考驗各行各業企業機構的綜合能力。

近日，從事仿真、高性能計算 (HPC)與人工智能 (AI) 解決方案研發的Altair（ALTR.Nasdaq）釋出一項國際調查顯示，盡管全球多數企業廣泛采用并實施企業資料與AI戰略，但它能否成功，主要取決于組織、技術和财務等三大方面。

就組織方面而言，衆多受訪企業正在努力填補資料科學領域大量的職位空缺，但人才短缺和提升現有員工AI技能水準所需的時間，仍是企業采用 AI+資料戰略所面臨的普遍問題；就技術方面而言，逾半數受訪企業表示企業面臨諸多技術限制，極大地阻礙AI+資料計劃的發展；就财務問題而言，盡管受訪企業希望擴大AI+資料戰略，但團隊與技術人員都面臨着來自财務方面的層層阻礙。

一位國内銀行AI風控人員也告訴記者，為了提升針對金融欺詐團隊的識别能力，他們一方面需引入更多結構化異常資訊（包括靜态資料、交易資料與時間序列的組合），一方面需通過建構AI模型對交易鍊路、交易網絡與欺詐團隊結構進行深度挖掘，但這都需要銀行提供大量資金支援與招募更多精通AI的人才，目前他們遇到的主要挑戰，是銀行财務人員更看中降本增效，對AI+資料所需的長期資源投入“認識不夠”。

“目前，我們一面引入第三方AI科技機構進行資源賦能，一面也通過内部溝通，要求銀行增加相關AI人才招募等投入，解決目前AI+資料的瓶頸與摩擦。”他告訴記者。

在業内人士看來，盡管AI+資料模式仍面臨組織、技術與财務方面的三大挑戰，但全球資料科學與機器學習正呈現三大重要發展趨勢。

一是邊緣人工智能市場将出現爆發式增長，即在金融等各行各業企業的數字化轉型實踐加速與萬物互聯的共振下，邊緣裝置及其産生的資料量激增，但由于大量邊緣側資料轉移至某個中央的公共裝置進行處理并不現實，是以越來越多企業會選擇直接在靠近資料産生的邊緣側進行分析，通過本地分析大大降低能源消耗，并消除将資料解除安裝到遠端計算機系統所涉及的隐私問題。未來，邊緣裝置将變得更智能。

二是資料分析将驅動業務價值，讓決策更精準。即以決策為中心的資料和分析将逐漸替代以資料分析為驅動的決策。這要求資料分析的AI人員更需“走進”業務，讓業務人員具備資料分析能力和思維，在工作環節令決策和資料合二為一。

三是越來越多企業将使用自适應AI系統應對内外因素變化。随着實時資料處理、流式傳輸和共享需求的增加，推動更多企業向資料分析驅動型企業轉變。是以企業需部署自适應AI系統以頻繁采集大量資料，并迅速适應變化和差異。

“但要實作完全自動化的決策并不容易，未來影響企業決策的因素将越來越複雜，這些因素将對決策智能模型産生幹擾，影響最終決策的正确性，是以需要一個更靈活、更強大的增強型AI系統來處理這些複雜的因素，進而幫助自動化決策智能的實作。”Altair RapidMiner産品開發進階副總裁Ingo Mierswa表示。

記者多方了解到，為了破解 AI+資料在金融、汽車設計生産、工業制造智能化等場景的瓶頸與挑戰，衆多科技平台紛紛尋找技術解決方案。

“就全球視野而言，賦能企業數字化轉型的資料服務商數量衆多且類型豐富，不僅包括服務工業、金融、零售等特定行業數字化轉型起家的服務商，還包括通用型AI技術、資料分析産品提供商。在資料驅動業務發展和智能決策成為企業數字化轉型重要趨勢的背景下，如何将企業積累的海量且複雜的資料高效利用起來，挖掘并發揮資料的更大價值，打通企業設計研發-生産制造-營銷銷售-運維等全生命周期的資料流通和全流程數字化轉型，成為現階段企業亟需回答的經營新挑戰。”Altair大中華區總經理劉源告訴記者。盡管衆多各行業企業都在努力實作全流程資料驅動，但部門之間、人員之間仍存在孤立現象，令企業難以正确并高效利用快速增長的資料，導緻企業在應用AI技術和AI産品過程中會産生多種“摩擦”。這些資料分析所存在的“摩擦”，将成為企業數字化轉型過程中的不穩定因素，導緻項目失敗、成本和人員投入浪費等。

上海市資料科學重點實驗室主任肖仰華指出，資料+AI等資料智能是以資料作為分析内容，以知識的發現和應用為核心内容的智能形式，以期讓機器具備人類的高階認知能力，包括了解、推理、決策、解釋、規劃等。在這種情況下，資料驅動（領域預訓練大模型）與知識驅動（動态知識圖譜）雙系統的連續互動是實作資料智能的關鍵；低代碼、插件化、能協同、可解釋、高性能、全流程覆寫是資料智能的功能性要求；複雜決策是資料智能的目标。

“随着AI技術演進和需求的變化，資料智能應用場景由智慧出行、智能搜尋等大規模簡單應用場景逐漸向智慧醫療、智能工業等小規模複雜應用場景轉變，從以人為中心逐漸發展到人機物并重。要真正發揮資料智能對企業的賦能作用，資料與領域知識的深度融合将是必要條件。”他強調說。

更多内容請下載下傳21财經APP