受制算法与规则，AI赋能金融砥砺前行

在刚刚结束的2019世界人工智能大会上，展馆里有厂商们为金融业量身定做的最新全套方案，会场上，人们衣着光鲜，对金融行业的改变侃侃而谈；会场外，大众一边享受着网端小额借贷类产品的便利，一边在抱怨越来越少的银行窗口和越来越多的理财推销电话。

AI已经无处不在，AI+金融是否在向我们最初的美好预想推进？

赋能与碰撞：数据分析师的崛起

相较于其他行业，金融数据的质量一直比较高，这要归功于早期监管层制定了很多数据标准规范，从数据质量层面解决了底层的数据问题。这也是为何金融业一直被视作可以最快实现AI应用的行业。

“我们的AI也好，数据分析也好，底层都是数据，如果质量不好，最后的结果全是不能用的。现在在金融业这块想要去做大数据分析的应该有很多，因为从质量上来看，这一部分数据应该算是比较好的。”文思海辉金融商业分析事业部副总裁杜啸争告诉第一财经，这也为全行业提供了转型的契机。

“这两年大家转型的点在于两点，一个是进一步提高产品化程度，第二个就是应用。”杜啸争说。

根据IDC中国统计，文思海辉是银行业解决方案中市占率第一的IT服务与解决方案提供商年营收达十亿级。以前，文思海辉的定位是系统经销商，和银行客户打交道的方式是做项目，但是项目意味着复制性会差一点，这几年各大集成商都在产品化程度加大了研发力度，数据产品就更贴合服务模式，比如利用知识图谱看到客户潜在的风险比例系数。

在应用上，各家更是把重点放在了网络营销和反欺诈上。 前者如天眼查、合合信息等AI公司都处于上升势头，而后者则是BAT类的大厂商谈得最多的“赋能”。不过，这两者之间仍有供需不匹配的地方：金融客户对BAT的诉求在于开放在互联网营销部分的经验和数据，而BAT更希望金融行业客户能够对系统产品和平台照单全收。

杜啸争告诉第一财经，这导致的明显趋势就是银行、系统集成商和产品开发商都对数据分析人才和系统建设人才产生了兴趣。产品厂商在逐步搭建系统团队，集成商在成立产品团队，“我们觉得最后其实跟你在市场的地位和产品的非常有关系”。

此外，杜啸争指出，目前的系统互通还有继续深化的可能，因为还没有看到进一步的数据交换。“数据的交叉分析和交换是一个趋势，但需要相关的政府部门牵头明确规则，甚至把一些数据集中化之后，用政府的接口对接分析。如果只是靠商务这种方式风险太多了。现在关于AI的立法这一块其实也有很多讨论。”

期待规范：算法与规则约束

数据的搜集和分析让人们的日常工作生活日益透明，金融数据又是每个人个体最为敏感的数据，系统的改造也会带来短期内成本的增加，这让金融业对AI的态度有些微妙。

埃森哲的一项研究显示，中国移动支付的活跃用户量已超过五亿，消费者对线上平台也抱有极高热情。但是，约三分之二（68%）的受访亚太区中小企业却并不打算增加对销售、营销、客户服务或电子商务等领域的数字化投入，其中甚至又有约六分之一的受访者表示要减少在这些领域的数字化支出。近半数（45%）的受访企业表示，对隐私与安全问题的顾虑是阻碍数字化平台推广的重要因素。研究显示，中小企业的其他顾虑还包括：营销工具缺乏用户支持（44%）、数据分析的不确定性（38%）、支付工具服务费过高（37%）等。

eBay全球支付和风控研发副总裁Dan Fain最近的工作是利用人工智能的底层架构和技术为eBay搭建研发自主管理支付流程，直接处理支付结账环节，这意味着买家不必离开eBay网站就可以完成购物，可以节约手续费降低整体销售成本，卖家账单会将所有销售费用和付款都整合在同一张发票上，享受集中化的客户服务。

他表示，AI的应用过程中会遇到一些问题，比如“维度的魔咒”——在深度学习当中，有太多的参数需要设置，可以用几层的神经网络处理复杂的数据。此外，还有能耗效率的问题，需要在硬件领域进一步解决这个问题。“我们要确保这些数据都高度集中，可以方便数据科学家的使用。另外就是为他们创造一些软件的工具，还有提供一些硬件资源。”

普华永道美国咨询实践服务部合伙人Anand Rao接受第一财经采访时表示，AI的发展还在非常早期的阶段，客户正在探索AI和商业策略的结合。普华永道的研究显示，只有38%的企业认为AI和企业价值一致，25%的企业没有考虑把人工智能作为战略的一部分。“你可以认为这个比例并不高，但未来还会继续增长。”

在Rao看来，AI改造行业有两个不同的方向，一个是提升数字化，产生更多的数据，另一个是增强人们解决分析现实问题的能力，依靠AI做更多的分析决策，增进用户体验。对于后者，AI的公平性就是一个需要直面的问题。

“算法是不是要在全数据集上来做？如果数据集有偏差怎么办？我们怎么调整？这些都会在下一步关注，我们称之为AI的可解释性。而这种解释性实际上也是要根据不同的人群进行，因为没有哪一个标准可以给出所有人完美的解释。”

他认为，标准的制定可能来自于人们预先训练机器时的设置，而这需要高级的商业决策者来做。而另一方面，就像宽容人类的错误一样，我们也不应该对机器过于苛责。“最重要的是，我们需要考虑清楚，如何来评测AI的表现。”