近日，中國(guó)人民銀行發(fā)布金融行業(yè)標(biāo)準(zhǔn)《人工智能算法金融應(yīng)用評(píng)價(jià)規(guī)范》，發(fā)布之日起正式實(shí)施。索信達(dá)控股有限公司（索信達(dá)控股，股票代碼：03680.HK）作為金融行業(yè)大數(shù)據(jù)與人工智能解決方案提供商，早在“規(guī)范”實(shí)施前，于2019年面向國(guó)內(nèi)金融行業(yè)率先推出應(yīng)對(duì)AI算法可解釋性的“模型翻譯機(jī)-可解釋機(jī)器學(xué)習(xí)”，并已在金融機(jī)構(gòu)成功落地應(yīng)用。應(yīng)對(duì)AI算法精確性、性能和安全性推出“模型工廠”、“模型管理平臺(tái)”等全棧解決方案，索信達(dá)成為推動(dòng)人工智能算法金融應(yīng)用規(guī)范管理的先行者。
據(jù)悉，《規(guī)范》針對(duì)當(dāng)前金融行業(yè)人工智能技術(shù)應(yīng)用存在的算法黑箱、算法同質(zhì)化、模型缺陷等潛在風(fēng)險(xiǎn)問(wèn)題，建立了人工智能金融應(yīng)用算法評(píng)價(jià)框架，從安全性、可解釋性、精準(zhǔn)性和性能等方面系統(tǒng)化地提出基本要求、評(píng)價(jià)方法和判定準(zhǔn)則，為金融機(jī)構(gòu)加強(qiáng)智能算法應(yīng)用風(fēng)險(xiǎn)管理提供指引。
《規(guī)范》指出，AI算法精準(zhǔn)性和性能是計(jì)價(jià)算法應(yīng)用效果及目標(biāo)的主要因素，一般而言精準(zhǔn)性和性能越高算法應(yīng)用效果越好。算法可解釋性是判斷算法是否適用的重要依據(jù)，可解釋性越高，算法內(nèi)在邏輯、技術(shù)實(shí)現(xiàn)路徑、決策過(guò)程、預(yù)期目標(biāo)越明晰，算法更易于被理解、匹配、應(yīng)用和管理。AI算法安全性為算法在金融行業(yè)應(yīng)用提供安全保障，是決定AI算法是否可用的基礎(chǔ)，只有在滿(mǎn)足安全性要求的前提下，才能在金融領(lǐng)域開(kāi)展應(yīng)用。
就人工智能算法和技術(shù)如何融入到銀行的日常應(yīng)用規(guī)范管理和業(yè)務(wù)中，索信達(dá)控股首席科學(xué)家張磊博士總結(jié)為“四大能力、八類(lèi)應(yīng)用”，并介紹了索信達(dá)在銀行業(yè)的實(shí)際的AI應(yīng)用案例。
助力銀行業(yè)發(fā)展的人工智能四大能力
人工智能這個(gè)話題很火，如何和銀行業(yè)務(wù)需求打通，把人工智能技術(shù)移駕到銀行業(yè)本身，這是很多銀行客戶(hù)都很關(guān)心的問(wèn)題。以下是張磊博士基于索信達(dá)客戶(hù)最佳實(shí)踐，總結(jié)構(gòu)建自身人工智能能力的“四大能力”：
第一，業(yè)務(wù)能力：以業(yè)務(wù)能力為出發(fā)點(diǎn)，所有技術(shù)都要解決業(yè)績(jī)問(wèn)題。索信達(dá)已梳理出金融行業(yè)可以用AI解決的業(yè)務(wù)問(wèn)題，如市場(chǎng)營(yíng)銷(xiāo)、風(fēng)險(xiǎn)管控、財(cái)務(wù)人事、運(yùn)營(yíng)績(jī)效相關(guān)的，針對(duì)問(wèn)題進(jìn)行歸類(lèi)就可以圈出銀行業(yè)用人工智能數(shù)據(jù)分析解決問(wèn)題的范圍。
第二，數(shù)據(jù)能力：以數(shù)據(jù)為基礎(chǔ)，各種數(shù)據(jù)加工能力為手段，將數(shù)據(jù)利用起來(lái)。人工智能技術(shù)和其他的技術(shù)有一些不同，它完全依賴(lài)數(shù)據(jù)，若無(wú)數(shù)據(jù)支撐所有先進(jìn)算法都無(wú)作用，所以要有數(shù)據(jù)儲(chǔ)存、加工的能力。
第三，分析能力：以各種先進(jìn)算法為工具，發(fā)現(xiàn)數(shù)據(jù)中蘊(yùn)含的有價(jià)值的規(guī)律。算法的類(lèi)型像可解釋機(jī)器學(xué)習(xí)、自然語(yǔ)言處理、圖分析、圖計(jì)算等，這些算法目前在金融領(lǐng)域用的比較多。
第四，思維能力：索信達(dá)幫助企業(yè)構(gòu)建分析思維能力，更加合理有效地發(fā)現(xiàn)和解決問(wèn)題。這點(diǎn)要特別強(qiáng)調(diào)！因?yàn)榭偙缓鲆?，很多人掌握了技術(shù)也知道業(yè)務(wù)能力，但是還是解決不了問(wèn)題，因?yàn)槿鄙偎季S能力。如何將梳理好的數(shù)據(jù)、算法、業(yè)務(wù)問(wèn)題貫通起來(lái)，這就需要分析思維能力。
銀行業(yè)務(wù)問(wèn)題的分類(lèi)體系與AI技術(shù)的對(duì)應(yīng)關(guān)系
銀行業(yè)面臨的業(yè)務(wù)問(wèn)題主要分八大類(lèi)：
分類(lèi)問(wèn)題，將輸入樣本分類(lèi)到對(duì)應(yīng)類(lèi)別中。判斷客戶(hù)質(zhì)量，購(gòu)買(mǎi)意愿。
估值問(wèn)題，根據(jù)輸入信息估算某個(gè)指標(biāo)的數(shù)值。如，某家分行下個(gè)月存款余額會(huì)到多少？
聚類(lèi)問(wèn)題，根據(jù)實(shí)例的相似度進(jìn)行歸類(lèi)，銀行有上億客戶(hù)，想將其分成不同的客戶(hù)客群，還有網(wǎng)點(diǎn)、支行等的分行也是聚類(lèi)問(wèn)題。
優(yōu)化問(wèn)題，基于目標(biāo)函數(shù)和約束條件生成最優(yōu)解。如，我有預(yù)算100萬(wàn)如何將其花出去達(dá)到最大效益？
異常偵測(cè)，發(fā)現(xiàn)異于常規(guī)的實(shí)例。如，一筆金融交易是否有問(wèn)題，是否是欺詐交易，賬戶(hù)間互相的聯(lián)動(dòng)是否是洗錢(qián)聯(lián)動(dòng)。
評(píng)級(jí)問(wèn)題，對(duì)實(shí)例進(jìn)行排序評(píng)級(jí)，像信用評(píng)級(jí)是標(biāo)準(zhǔn)問(wèn)題。
推薦系統(tǒng)，生成下一步的最佳行動(dòng)建議。
數(shù)據(jù)生成，基于已有的數(shù)據(jù)分布仿真出類(lèi)似數(shù)據(jù)。
通過(guò)調(diào)研可以清楚看到，八類(lèi)問(wèn)題的重要程度和價(jià)值回報(bào)也各有不同。
銀行業(yè)使用的重點(diǎn)分析技術(shù)
銀行業(yè)會(huì)用到很多分析算法，最常用的重點(diǎn)技術(shù)包括：隨機(jī)森林、前饋神經(jīng)網(wǎng)絡(luò)、回歸分析、分類(lèi)器、聚類(lèi)、統(tǒng)計(jì)推斷、循環(huán)神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)。圖中越深的顏色代表使用頻率較高。
分析專(zhuān)題和數(shù)據(jù)類(lèi)型有一定的對(duì)應(yīng)關(guān)系，張磊博士認(rèn)為，無(wú)論是做潛客獲取或是智能客服或反欺詐、現(xiàn)金庫(kù)存優(yōu)化等都是人工智能可以大顯身手的領(lǐng)域。
在銀行業(yè)，AI應(yīng)用需要重點(diǎn)關(guān)注回報(bào)最大的業(yè)務(wù)領(lǐng)域
對(duì)于銀行業(yè)來(lái)說(shuō)，AI應(yīng)用需要重點(diǎn)關(guān)注回報(bào)最大的業(yè)務(wù)領(lǐng)域。盲目地做人臉識(shí)別或文檔OCR等無(wú)法帶來(lái)明顯的業(yè)務(wù)價(jià)值。其中獲得回報(bào)最大的是市場(chǎng)營(yíng)銷(xiāo)，其次是風(fēng)險(xiǎn)管控。
建立模型工廠，打造五庫(kù)合一的分析模型生產(chǎn)流水線
索信達(dá)打造五庫(kù)合一的分析模型生產(chǎn)流水線，通過(guò)模型工廠，幫助企業(yè)進(jìn)行數(shù)據(jù)分析建模的現(xiàn)代化生產(chǎn)流水線。它融合了分析建模生產(chǎn)所需的全部裝備，做到五庫(kù)合一：模型庫(kù)、模板庫(kù)、代碼庫(kù)、知識(shí)庫(kù)、課件庫(kù)。只需裝填數(shù)據(jù)原材料，即可自動(dòng)化生產(chǎn)出可用的標(biāo)準(zhǔn)模型，同時(shí)支持個(gè)性化定制。
索信達(dá)將八大類(lèi)問(wèn)題梳理了50多個(gè)專(zhuān)題，通過(guò)大量實(shí)踐發(fā)現(xiàn)它成型的套路，比如要做資產(chǎn)提升大概分為7個(gè)步驟可以分析出來(lái)，要做反欺詐可以做9個(gè)步驟分析出來(lái)，索信達(dá)希望通過(guò)構(gòu)建金融業(yè)的模型工廠，把銀行遇到的每個(gè)問(wèn)題都可以標(biāo)準(zhǔn)化自動(dòng)化解決。
打造模型管理平臺(tái) 全局掌控企業(yè)模型管理
隨著大數(shù)據(jù)和分析算法的蓬勃發(fā)展，金融機(jī)構(gòu)在營(yíng)銷(xiāo)管理、風(fēng)險(xiǎn)管理和決策支持的過(guò)程中，研發(fā)了大量模型來(lái)支持企業(yè)的運(yùn)營(yíng)與管理。但由于模型數(shù)量眾多，模型管理的問(wèn)題隨之而來(lái)。索信達(dá)控股基于多年來(lái)在金融行業(yè)大數(shù)據(jù)領(lǐng)域的技術(shù)沉淀及經(jīng)驗(yàn)，率先業(yè)界發(fā)布了模型管理系統(tǒng)。對(duì)企業(yè)級(jí)投產(chǎn)上線的模型進(jìn)行評(píng)有效的評(píng)估、測(cè)試、監(jiān)控以及版本和權(quán)限管理。助力金融機(jī)構(gòu)搭建完善的模型管理系統(tǒng)，大幅提升企業(yè)統(tǒng)籌管理及運(yùn)行模型的效率。
模型管理系統(tǒng)以自動(dòng)化的方式計(jì)算各種評(píng)估指標(biāo)，根據(jù)模型衰退和數(shù)據(jù)變化自動(dòng)預(yù)警。通過(guò)監(jiān)控模型的定時(shí)驗(yàn)證數(shù)據(jù)，可在系統(tǒng)每執(zhí)行一次模型的定時(shí)任務(wù)后，在模型詳情頁(yè)中查看驗(yàn)證后的指標(biāo)值數(shù)據(jù)和對(duì)應(yīng)的圖表數(shù)據(jù)。如果驗(yàn)證失敗，則本系統(tǒng)不會(huì)生成模型的指標(biāo)值，且在首頁(yè)的“事件消息”模塊中會(huì)顯示該模型定時(shí)任務(wù)運(yùn)行失敗的消息。
索信達(dá)模型管理系統(tǒng)有效地解決金融機(jī)構(gòu)等企業(yè)模型管理的痛點(diǎn)，大幅度降低模型失控、模型資產(chǎn)管理混亂和依靠人工操作所帶來(lái)的風(fēng)險(xiǎn)。打造出企業(yè)級(jí)自動(dòng)化模型工廠，全方位、自動(dòng)化、標(biāo)準(zhǔn)化地掌控企業(yè)模型管理。
模型翻譯機(jī) 可解釋機(jī)器學(xué)習(xí)
索信達(dá)控股率先業(yè)界發(fā)布推出的可解釋機(jī)器學(xué)習(xí)，是金融行業(yè)企業(yè)級(jí)數(shù)據(jù)挖掘方案。該方案通過(guò)融合多種模型和算法，致力于解決銀行金融機(jī)構(gòu)現(xiàn)有機(jī)器學(xué)習(xí)模型“黑箱”的問(wèn)題，幫助銀行提升模型透明度，滿(mǎn)足監(jiān)管需要，同時(shí)增強(qiáng)模型精度和決策的可靠程度。保證模型高精度條件下，針對(duì)客戶(hù)不同應(yīng)用場(chǎng)景均能做出深度解釋?zhuān)瑤椭蛻?hù)降低模型風(fēng)險(xiǎn)合規(guī)風(fēng)險(xiǎn)
據(jù)張磊博士介紹，⽬前已在產(chǎn)品精準(zhǔn)推薦、客戶(hù)挖掘、流失預(yù)警等多個(gè)⾦融類(lèi)營(yíng)銷(xiāo)場(chǎng)景中開(kāi)展應(yīng)⽤和落地，并取得了優(yōu)秀的成果，使得⼈⼯智能算法和技術(shù)能夠更好的融入到銀行的日常應(yīng)用規(guī)范管理和業(yè)務(wù)中。
12步搭建客戶(hù)微細(xì)分模型，客戶(hù)名單命中率最高可提升75%！
索信達(dá)通過(guò)將結(jié)構(gòu)化數(shù)據(jù)進(jìn)行合理的圖像化，并創(chuàng)新地運(yùn)用深度學(xué)習(xí)算法，挖掘反映客戶(hù)資產(chǎn)偏好的深層特征，從而有效提升銀行現(xiàn)有各個(gè)模型的準(zhǔn)確性，并通過(guò)客戶(hù)在不同圖像狀態(tài)之間的轉(zhuǎn)移概率，預(yù)判出客戶(hù)資產(chǎn)配置的發(fā)展趨勢(shì)，為一線客戶(hù)經(jīng)理提供覆蓋全客戶(hù)的營(yíng)銷(xiāo)方向。
通過(guò)引入索信達(dá)客戶(hù)微細(xì)分產(chǎn)生的新圖像特征，將上線模型(大額存單、結(jié)構(gòu)性存款)前10%名單的命中率提高20%~40%；無(wú)論采用何種預(yù)測(cè)算法，模型均有明顯提升，前5%名單的命中率最高提升3/4；直接產(chǎn)生的營(yíng)銷(xiāo)效益高達(dá)數(shù)百萬(wàn)至上千萬(wàn)。
基于深度學(xué)習(xí)的客戶(hù)微細(xì)分分析建模流程
客戶(hù)微細(xì)分，是運(yùn)用算法把客戶(hù)數(shù)據(jù)變成圖像，以更加細(xì)致、更加創(chuàng)新的模型為客戶(hù)精準(zhǔn)畫(huà)像，給銀行業(yè)務(wù)的開(kāi)展帶來(lái)更有價(jià)值的決策依據(jù)。索信達(dá)客戶(hù)微細(xì)分的全部流程分為12個(gè)步驟，這是個(gè)思考、模擬、反復(fù)驗(yàn)證的過(guò)程，很是有趣。
第一，以數(shù)據(jù)圖像化為橋梁
人工智能近年來(lái)比較火的是深度學(xué)習(xí)，但深度學(xué)習(xí)算法主要是做圖像識(shí)別，適合處理圖像，而銀行基本上都是結(jié)構(gòu)化數(shù)據(jù)，例如賬戶(hù)數(shù)據(jù)、交易數(shù)據(jù)等，結(jié)構(gòu)化數(shù)據(jù)無(wú)法直接被深度學(xué)習(xí)算法所用，需要借助數(shù)據(jù)圖像化，把結(jié)構(gòu)化數(shù)據(jù)變成合理的圖像就可以用到這個(gè)技術(shù)了。
第二，客戶(hù)的產(chǎn)品資產(chǎn)結(jié)構(gòu)化數(shù)據(jù)
先來(lái)看銀行最典型的數(shù)據(jù)，比如我們拿到了500萬(wàn)富裕零售客戶(hù)過(guò)去12個(gè)月的數(shù)據(jù)，AUM月日均超過(guò)5萬(wàn)以上，數(shù)據(jù)量是每月500萬(wàn)客戶(hù)，包含的字段信息有AUM、活存余額、定存余額、基金余額、理財(cái)余額等。
第三，數(shù)據(jù)標(biāo)準(zhǔn)化與離散分箱
下圖列出5條客戶(hù)數(shù)據(jù)，每位客戶(hù)給出了各項(xiàng)產(chǎn)品的余額。比如第一個(gè)客戶(hù)活存11.8萬(wàn)，定存只有1767元，這是銀行常見(jiàn)的數(shù)據(jù)，數(shù)據(jù)拿來(lái)后會(huì)先做標(biāo)準(zhǔn)化，因?yàn)橐粋€(gè)客戶(hù)活存余額有10萬(wàn)并不一定代表這個(gè)客戶(hù)喜歡活存，如果他的資產(chǎn)有1000萬(wàn)，把900多萬(wàn)放在定存10萬(wàn)放在活存，顯然不能說(shuō)明他喜歡活存。
第四，相關(guān)分析
接下來(lái)我們希望將這個(gè)數(shù)據(jù)變成一幅圖，才能使用圖像識(shí)別技術(shù)。這個(gè)數(shù)據(jù)可以變成瓦片圖，按照比例高低，最高的放在最左邊，但是瓦片圖最大的問(wèn)題是沒(méi)有考慮產(chǎn)品之間的關(guān)系，只是簡(jiǎn)單按照數(shù)字大小排。如何把產(chǎn)品之間的關(guān)系引用進(jìn)來(lái)呢？比如說(shuō)理財(cái)和基金是不是有互斥的關(guān)系。通過(guò)相關(guān)分析，就可以看出變量之間的相關(guān)性是正相關(guān)、負(fù)相關(guān)，哪些相關(guān)系數(shù)強(qiáng)或弱。
第五，太陽(yáng)系與萬(wàn)有引力定律
算出相關(guān)系數(shù)之后，再來(lái)看如何改造前面得到的“瓦片圖”。張磊博士聯(lián)想到太陽(yáng)系九大行星，地球、金星、火星圍繞太陽(yáng)轉(zhuǎn)，這之間的軌道不是很快形成的而是慢慢形成的，是星球間的萬(wàn)有引力才使其形成的，所以運(yùn)用這種“引力”定位行星的運(yùn)行軌道。我們只需將活存、定存、國(guó)債、基金、理財(cái)這些產(chǎn)品視作星球，將彼此間的相關(guān)系數(shù)視作引力，就可以通過(guò)迭代來(lái)構(gòu)造出產(chǎn)品的星系圖。
第六，網(wǎng)絡(luò)布局算法與斥力模型
運(yùn)用斥力算法，把一堆產(chǎn)品想象成一堆球丟在桌上，相互之間會(huì)有引力斥力，當(dāng)斥力達(dá)到平衡時(shí)得到最終結(jié)果?；畲婧?span id="bbxtkwn" class="keyword">理財(cái)離的比較近代表比較相關(guān)，貴金屬離的比較遠(yuǎn)，則相當(dāng)于很遙遠(yuǎn)的冥王星?，F(xiàn)在可以發(fā)現(xiàn)我們已經(jīng)將剛才的數(shù)據(jù)變成更有意義的圖像了，但這個(gè)時(shí)候還不適合做深度學(xué)習(xí)。如果現(xiàn)在是把100張這樣的圖擺在你面前，你一定會(huì)看的眼花繚亂，但是如果把瓶子或椅子放在這里，離100米就能看出大概什么區(qū)別，是因?yàn)閺钠漭喞虾茏匀痪湍茏R(shí)別出來(lái)。目前的圖像還沒(méi)有鮮明的輪廓，所以需要對(duì)這些圖進(jìn)行改造。
第七，等高線投影與顏色映射
可以把這些小球想象成一個(gè)個(gè)山頭，可以看到這些山頭高高低低的，高高低低的山峰如果想畫(huà)到二維上通常會(huì)用等高線，于是把一堆球變成一堆山峰，再變成一些二維等高線，就得到最開(kāi)始我展示的那張圖。中間最紅最亮的就是客戶(hù)最關(guān)心的產(chǎn)品如活存、理財(cái)、定存。
第八，一人一圖像百花齊放
下面羅列了20張圖，有一些圖比較類(lèi)似，比如說(shuō)倒數(shù)第二列第一行第二行，像兩塊石頭堆在一起。有的客戶(hù)很不一樣，有的客戶(hù)很類(lèi)似。例如，左上角這個(gè)客戶(hù)只有一塊亮就是定期存款，右下角這個(gè)客戶(hù)是重財(cái)惜命型，他的資產(chǎn)主要放在人身險(xiǎn)和財(cái)產(chǎn)險(xiǎn)；還有的客戶(hù)是惜命愛(ài)基型，財(cái)產(chǎn)放在人身險(xiǎn)和基金；再是貸款型以貸款為主，少量活存，大量資產(chǎn)放在貸款，另外有一定的活期存款用來(lái)還款；還有白領(lǐng)型，活存和薪金煲為主，其次是人身險(xiǎn)，該客戶(hù)是標(biāo)準(zhǔn)的代發(fā)工資客戶(hù)，工資發(fā)下來(lái)后會(huì)買(mǎi)薪金煲，同時(shí)還會(huì)買(mǎi)基金，收入應(yīng)該不會(huì)太低，還會(huì)買(mǎi)人身險(xiǎn)。什么樣的代發(fā)工資客戶(hù)在這家工資用信用工資做理財(cái)還買(mǎi)人身險(xiǎn)，通常來(lái)說(shuō)收入水平會(huì)達(dá)到一定水平。
第九，圖像的自動(dòng)特征編碼
很多圖做出來(lái)發(fā)現(xiàn)比較類(lèi)似，所以很自然會(huì)想到把類(lèi)似的圖像聚類(lèi)在一起。圖像聚類(lèi)通常會(huì)采用自動(dòng)編碼器，算法的輸入是這張圖像，輸出還是這張圖像，中間做壓縮編碼和解碼，用幾個(gè)數(shù)字來(lái)表示這張圖像的主要特征。
第十，密度聚類(lèi)為客戶(hù)微狀態(tài)
把圖像變成數(shù)字特征后就可以采用聚類(lèi)算法進(jìn)行聚類(lèi)，把類(lèi)似的圖像聚到一起，最開(kāi)始索信達(dá)采用的是AP算法，但是效果太慢，后來(lái)又換成了密度聚類(lèi)算法，原來(lái)跑的AP算法大概跑40多分鐘，但是換了DBSCAN算法只需要6秒，把類(lèi)似的圖放在一起，就聚成了1616個(gè)個(gè)類(lèi)。
第十一，狀態(tài)隨時(shí)間的轉(zhuǎn)移概率
索信達(dá)發(fā)現(xiàn)聚類(lèi)效果還不錯(cuò)，類(lèi)中心的代表性比較強(qiáng)，由此就得到了1616個(gè)微細(xì)分群。如果把每一個(gè)微細(xì)分群看成一個(gè)狀態(tài)，可以發(fā)現(xiàn)每個(gè)月客戶(hù)的狀態(tài)在不斷地變，大部分時(shí)候變的很慢，從一張圖變成另一張圖有業(yè)務(wù)的含義，先是日常消費(fèi)，然后嘗試買(mǎi)理財(cái)，然后申購(gòu)基金辦理理財(cái)卡。
第十二，狀態(tài)轉(zhuǎn)移全景圖
索信達(dá)將狀態(tài)演變做成動(dòng)畫(huà)，看起來(lái)很炫，但是實(shí)際有沒(méi)有用，是否有業(yè)務(wù)價(jià)值呢？張磊博士進(jìn)行了驗(yàn)證，如果這個(gè)圖畫(huà)的比較有意義，用來(lái)進(jìn)行營(yíng)銷(xiāo)應(yīng)該能帶來(lái)幫助。銀行以前做了結(jié)構(gòu)化存款的響應(yīng)預(yù)測(cè)模型，用常規(guī)數(shù)據(jù)丟進(jìn)去跑一個(gè)模型，現(xiàn)在我們用客戶(hù)微細(xì)分之后得到更多的圖像特征，如果有提升就代表有價(jià)值，最后驗(yàn)證結(jié)果是前5%的名單命中率提高25%，前10%名單命中率提高14%，驗(yàn)證了產(chǎn)生的這些圖像特征可以給業(yè)務(wù)明顯幫助。
索信達(dá)控股首席科學(xué)家張磊博士認(rèn)為，人工智能是銀行業(yè)把握科技變革對(duì)商業(yè)社會(huì)重塑的奇點(diǎn)性機(jī)遇，重新認(rèn)知和構(gòu)建銀行的生態(tài)和企業(yè)價(jià)值鏈，重塑銀行與社會(huì)和客戶(hù)的鏈接?！兑?guī)范》的發(fā)布有助于引導(dǎo)金融機(jī)構(gòu)充分發(fā)揮人工智能“頭雁效應(yīng)”，加快金融數(shù)字化轉(zhuǎn)型步伐，持續(xù)推動(dòng)金融服務(wù)更為貼心、更加智慧、更有溫度，打造數(shù)字經(jīng)濟(jì)時(shí)代金融創(chuàng)新發(fā)展新引擎，助力健全具有高度適應(yīng)性、競(jìng)爭(zhēng)力、普惠性的現(xiàn)代金融體系。索信達(dá)將會(huì)攜手銀行金融機(jī)構(gòu)共同把握未來(lái)銀行的機(jī)遇，賦能金融生態(tài)，共享金融AI未來(lái)。
免責(zé)聲明：市場(chǎng)有風(fēng)險(xiǎn)，選擇需謹(jǐn)慎！此文僅供參考，不作買(mǎi)賣(mài)依據(jù)。
