本文共字，预计阅读时间。

报告出品：剑桥大学替代金融中心（CCAF）、剑桥大学法官商学院和世界经济论坛（WEF）。

报告翻译：人民大学数字经济研究中心，指导教授：程华

点击查看《人工智能在金融中的应用正带来“范式革命”（第一部分）》《第二部分》《第三部分》

第9章：深入研究–AI支持的信用分析

利用AI做出信用决策为贷方提供了一系列明显的好处-它提供了更快，更准确，更自动化的决策解决方案。存款和贷款部门的所有受访者中，有38％使用的是AI支持的信用分析。

利用现有的贷款申请的数据集，AI支持的信用决策系统可以被训练来预测违约概率、确定基于风险的利率或直接做出贷款决定。或者，AI可以被用来计算替代的信用评分，可作为传统的人工决策的助益。

9.1  AI支持的信用分析的预期收益

调查结果表明，平均而言，AI支持的信用分析系统的用户希望信用违约短期减少10％。约15％的受访者期望AI可以使信用违约率降低25％以上，如图9.1所示。如果消费者违约率低于1％，则这些数字似乎在绝对水平上并不重大。但是，这相当于过去五年消费者违约总数的整体减少（约为12％）23。

图9.1：预期两年内AI带来的信用违约减少

图9.2显示了AI支持的信用分析的用户正在从各种数据源中获得关于贷方的见解。虽然最常用的是传统信用评分，但所有受访者中，也有一半以上在利用购买习惯/ POS机数据以及地理位置数据。

只有13％的受访者专门使用常规数据源（信用评分/人口统计数据），只有4％的受访者完全依赖信用评分。

图9.2：用于AI支持的信用分析的数据源

9.2  在信用分析中使用AI会加剧偏见吗？

加州大学伯克利分校的研究人员在2019年发表的一篇论文中发现，美国消费者贷款市场存在严重的种族歧视，其中对拉丁裔/非裔美国借款人按揭产品的收费增加了近8个基点。金融科技公司使用的算法可将价格歧视减少大约三分之一，而二元贷款决策（接受/拒绝）中不会发生歧视。

研究还发现歧视在整个观察时间范围内（2009年-2015年）下降，这可能表明前景乐观，因为这使以前处于不利地位的群体更容易进入贷款市场（Bartlett，Morse，Stanton和Wallace，2019）。

相反，本研究的结果表明，几乎一半的受访者都指出，信用分析目前确实存在偏见，并且人工智能将加剧这种偏见，另有15％的受访者表示，人工智能实际上会引入偏见。这可以在下面的图9.3中看到。

图9.3：人工智能对信贷决策偏见的影响

虽然在信用分析中替换人工因素可以减少偏见似乎很直观，但是使用AI进行贷款决策确实存在潜在的缺陷，其中一些与AI的更广泛的风险有关。

第一个主要问题——特别是那些对于数据集中的偏见几乎或根本没有控制和了解的组织来说——是偏见传播。使用现有的、有偏见的数据集来训练新的AI系统将把这种偏见带入后续决策。更具体地说，存在一个基本问题，即是否应将先前的信用拒绝纳入AI的培训过程中。一个替代方法是，仅使用实际违约数据，而这会导致数据集稀疏。这与第四章中讨论的围绕阶级失衡的技术问题有关：与已接受贷款和后续还款有关的历史数据会（自然地）包含更多的非违约数据，而不是违约数据，这可能会使训练机器学习的算法更加复杂才能检测违约。

人工智能基础上的许多系统的“黑匣子”特征可能会进一步加剧偏见传播，因为大多数机器学习算法中的某些学习过程和决策很难解释，尤其是有关单个输入的贡献。

除了显而易见的问题（即剥夺贷款决策的洞察力，转而接受输入因素的影响）之外，缺乏可解释的决策框架也可能使处理上诉和客户投诉变得困难。

调查结果还表明，非传统数据（例如社交媒体，浏览偏好或心理测验）的用户更倾向于表示AI支持的信用分析将加剧或创造偏见。这可以在下面的图9.4中看到。

75％的受访者预计，在AI支持的决策中使用心理测验可能会加剧已经存在的偏见。

其次是社交媒体数据（64％），浏览偏好（60％）和地理位置数据（53％）。另一方面，信用评分被认为是最不容易增加偏见的，（46％）。

图9.4：人工智能对使用数据源的信贷决策偏见的影响

直觉来看，人们期望有更多的细粒度的数据集，其中包含更多的个性化行为模式，以减少种族或其他偏见。但是，结果表明，这些来数据源缺乏结构性，且包含大量信息，可能会导致失去对现有数据和偏见特征之间相关性的概览，这意味着，如果没有被适当地监控，那么输入特征很可能会有效地充当偏见特征的代理。

如果实施这些控制的技术和组织障碍变得过高，则第三方解决方案可能会成为一个替代方案。值得注意的是，有一些组织正在B2B环境中积极解决此问题，例如金融科技公司 ZestFinance，该组织正在对算法可解释性进行当代研究，以构建具有输入信号公平性相关指标的信用模型（Fuscaldo，2019年）。

最后，表9.1的调查结果显示预期的信用违约减少不会随着替代数据的使用情况而发生显着变化。对于使用心理测验的用户，由AI导致的平均预期短期违约减少率最高，约为13％，而其他数据源的用户之间的差距很小：都在9.4％和10.3％之间。根据图9.4中关于替代数据集加剧偏见的发现，对于这些数据集是否真的为现有信用评分系统增加了价值仍存在疑问。

表9.1：不同数据源下的平均预计短期AI导致的信用违约减少

第10章：深入研究–投资管理

如第二章所述，投资管理领域广泛采用了人工智能，它正在成为创收的基本动力。该调查进一步详细说明了人工智能对资产管理者的价值主张，并得出了人工智能在短期、中期和长期内对投资回报的直接贡献。已经在投资过程中使用人工智能的投资经理对此早有觉察（图10.1）。

调查结果构成了明显的趋势。虽然目前只有10％的受访者认为AI对他们投资回报率的贡献“高”或“非常高”，在长期（5年）展望中，这一数字增长至近70％。

考虑到人工智能将高度支持产生投资收益的不同策略，可以得出一些结论。

图10.1：人工智能在一段时间内对投资回报的预期贡献

10.1 在投资过程中使用AI

该调查的结果表明，所有接受调查的投资经理中有59％当前在其投资过程中使用了AI。如图10.2所示，投资组合风险管理目前是AI实施中最活跃的领域，采用率为61％，其次是投资组合构建（58％）和资产价格预测（55％）。通常，这些用例是结合在一起的，充分利用了前文讨论过的AI的规模经济。

图10.2：人工智能在投资相关活动中的使用率

从受访者对人工智能对投资回报率当前贡献的看法来看，人工智能促进的影响评估和可持续投资似乎与人工智能带来的高回报有最高的相关性（图10.3）。在该领域使用AI的公司中，约有27％的公司认为AI当前对投资回报影响“高”或“非常高”。这表明了数字化与可持续发展相融合的直接效果（Kiron和Unruh，2018年），允许金融组织通过这两种趋势的结合来挖掘价值。

Arabesque资产管理、Clarity AI和Motif是运用人工智能来进行影响评估和可持续投资策略的公司的案例：

• Arabesque将环境、社会和治理（ESG）的大数据与定量投资策略相结合，其数据集包含来自170多个国家/地区30,000多个来源的200多个（ESG）指标（Arabesque Asset Management，2019）
• Clarity AI定量地跟踪公司的社会责任，基金经理可以使用它来优化社会责任的投资组合
• Motif可帮助投资者根据特定的可持续性主题（如可再生能源或水资源匮乏）来衡量投资组合

另一方面，值得注意的是，尽管图10.2所示的AI实际利用率相对较高，但用于资产价格预测的AI用户并未普遍认为AI会显著增加实际投资回报。

图10.3：按用例对AI对投资回报的当前感知影响

10.2 未来展望

从长远来看，受访者期望除可持续投资以外的其他基于人工智能的用例对增加投资回报做出更大贡献。当前进行资产波动率预测和资产价格预测的AI采用者中，分别有87％和76％的人认为AI将在长期为投资回报做出“高”或“非常高”的贡献。这表明AI在这些使用领域仍有很大的改进空间，各机构希望技术或许可以成熟到准确预测金融市场时间序列。该预期有来自研究的部分支持，曾有研究证实了在某些金融预测任务中机器学习算法（例如神经网络）在系统上优于简单模型（线性模型）（Ryll＆Seidens，2019）。

但是，正如前面各章所揭示的那样，AI在现实世界的采用仍可能会因为与数据相关的问题和缺乏对算法的解释而受到阻碍。

图10.4：按用例，人工智能对投资回报的预期长期影响

第11章人工智能赋能技术的现状

长久以来，简单的机器学习算法比复杂的解决方案得到了更广泛的应用。因此，许多公司尚未使用高度复杂的AI应用，即使某些应用已经在一定程度上商品化。这是因为某些主要障碍首先阻碍了AI系统的构建。

自主决策是定义AI的技术方面之一，但在组织中仍然难以实施。诸如强化学习之类的底层技术似乎还没有成熟到与自然语言处理或计算机视觉中使用的其他已建立算法可比的状态。此外，事实证明，信任和用户采用方面的缺陷阻碍了组织中自主决策的实施。

AI领导者使用了大量较为苛刻的AI技术产品组合，这些技术又通过一系列更复杂的基础算法类来实现。这些发现补充了先前的结论，并证明了AI领导者致力于通过AI塑造业务。

金融科技的AI系统培训和部署广泛地集中在基于云的解决方案上，而许多现有公司仍然依赖于传统的计算基础架构。但是，来自AI 领导者的证据表明，组织范围内的计算工作量繁重的公司也可能会考虑使用本地GPU解决方案。

11.1 自主AI——金融服务的未来？

前几章确立了利用AI获得商业成功的决定因素包括许多战略考量。然而，若要了解人工智能的潜力，免不了要先了解底层技术的状态。将高水平AI技术结合，并赋能低水平机器学习算法。调查在技术采用、使用和部署上有一系列可靠的发现。这些结果允许围绕技术与组织的相关性形成假设，并评估当前围绕AI的研究趋势的潜在影响。

在受访者中，自主决策仍然是AI使用最少的领域，而其他应用则显示出更高的应用率，如图11.1所示。

排名前三的应用是异常检测，有超过40%的受访者使用；紧随其后为39%的自然语言处理（NLP），借助AI生成有关人类语言的洞察力，包括多类任务；还有36%的数据生成和内插。

数据生成和内插通常包括在图像、视频（Tulyakov、刘、杨和Kautz、2018）或结构数据（靳、Barzilay和JakkOLA，2018）中生成和插入各种新的用例。这些反过来，为有关创建合成数据集或探索/发现新的数据表现（例如，药物发现）的一系列用例赋能。

计算机视觉，包括图像和视频识别以及目标跟踪等应用，其记录的应用率惊人地高。36%的受访者已经采用计算机视觉，另有42%正在落地-或计划两年内落地。

图11.1：选定的人工智能应用领域的总体采用情况[占在某种程度上利用人工智能的公司的比例

AI领导者表现出显著高于总体平均的采用率，异常检测、聚类、数据生成和内插达到整体80-90%的采用率和实施率，如图11.1所示。毫不奇怪，AI落后者在几乎所有调查的AI应用领域中表现出更低的采纳率，而两个群体之间差距最大的是聚类和数据生成和内插领域。

此外，引人注目的是，尽管自主决策的采用率仅为6%，但超过一半的AI落后者表示他们计划在两年内实施自主决策领域的人工智能解决方案。这将提高他们的采用率到目前的AI领导人的水平。然而，考虑到早先采用自主AI的重大组织和技术挑战，实现这一抱负是否现实仍不确定。

表11.1：AI领导者和落后者主要AI应用领域的实施率

自主决策仍然是AI实施率最低的应用领域，总体实施率为27%，甚至AI领导者也没有表现出明显更高的采用率（35%）。这一事实说明金融服务业距离操纵人工智能系统在无人为输入的情况下独立做出决定还有多远。

虽然前面的章节讨论了AI采用的一般障碍，但有三个原因尤其阻碍了企业实施自主AI：

（1）监管

人工智能的监管是监管机构正在考虑的问题，自主决策带来了特定的挑战， 而政策制定者刚刚开始着手解决。例如，2019年在美国州华盛顿提出的法案（华盛顿州，2019），企图调查各类观点，有关于人类对算法决策的影响（包括决策是否是最终的、可竞争的或可逆的）、对群体或个人的偏见、对决策的解释性、以及数据的管理、存储和安全。这一监管领域也可能成为组织确定方向的优先事项，其中一位受访者明确表示需要更好地了解自主决策有关的监管框架。

（2）信任

信任问题可能是由于许多流行的人工智能解决方案固有的不可解释性造成的。因此，这一方面对投资管理者来说尤其重要——对于他们，对AI决策的证实可能会优先于准确性。

（3）技术局限性

诸如深度强化学习等技术的进步已经在封闭环境达到了令人印象深刻的算法决策，而真实世界应用（开放环境下）的能力则更具挑战性。此外，元学习——将学习的规则和模式应用到完全不同的环境中——仍然是一个重大挑战（Wang et al，2018）。

事实上，调查结果表明，对使用AI进行完全自主决策的受访者，信任和用户采纳被认为是对AI实施的最重要的障碍，其次是对人才的访问，以及数据的访问和质量（图11.2）。

图11.2：主要使用自主AI的受访者认为的主要障碍

图11.3说明，绝大部分传统公司和金融科技仍仅仅将人工智能作为一种工具来补充人类决策，而金融科技受访者中有10%称，他们的人工智能解决方案整体特点可以说是“完全自主”。另一方面传统公司有两倍的受访者称，但他们所采用的人工智能解决方案没有做出任何与业务相关的决策。

图11.3：实体类型目前使用的AI系统的自主性

这一发现提出了一个明显的问题，即金融科技中AI自主性的增强是否可以通过更先进的技术或用户端更高的信任和愿意来解释。事实上，调查结果发现，更多的传统公司（73%）将信任和用户对AI采用视为实施障碍，而只有56%的金融科技受访者感到受此阻碍。

11.2 底层机器学习范例的实现

11.1中讨论的图说明了第2章中涉及的业务用例的高层次底层应用领域。为使调查结果到一个更详细的级别，调查还调查了支撑这些应用领域的机器学习基础的采用统计数据。机器学习可以分为三种主要的学习模式：

（1）监督学习

在监督学习中，系统被馈送（被展示）标记训练样本的多次迭代。在训练过程中，系统学习根据用户定义的期望输出标签正确地分类输入样本（由此“监督”学习-通过向系统提供“正确的”答案，用户得以监督它）。

监督学习是在受访者中被广泛实施最频繁的领域，被88%的（在某种程度上采用AI的）受访者所使用，如图11.4所示。图11.5进一步说明了监督学习被AI领导者和落后者所相似地采用。监督学习的广泛增加可能归因于AI的许多主流应用基于监督学习算法的事实，特别是在分类和预测领域中。

（2）无监督学习

无监督学习算法在未被标记的混沌数据集中发现隐含的（潜在的）条理。例如，无监督的学习算法可以根据它们像素的总体相似度来聚集随机图像。然后，所得到的聚集可以在标记后被用于监督分类。

调查中，在当前的AI用户中，对无监督学习相比监督学习表现出明显较低的采用率，约有一半的AI采纳者使用某种形式的无监督学习。这与在图11.1中显示的结果相关——聚类分析，是AI中主要基于无监督学习技术一个应用领域，几乎没有被受访者应用。

一个更细化的分析（图中未示出）表明生成对抗网络（GANS）是大多数人（62%）采用无监督学习所使用的算法。GANS顾名思义，用于生成数据，并在任务中达到了无可比拟的性能，如高保真图像生成（Brock，Donahue和Simonyan，2018）。这反过来又与早期发现的数据生成和实现的较高采用率相符合。

（3）强化学习

强化学习与上述两种范式在根本上是不同的，因为它是基于动作响应模型的。强化学习算法学习特定的动作策略，在由一组规则（或规律）支配的环境中，最大化期望的回报。理论上，经过训练的强化学习算法能够在动态环境中进行自主决策。

同时，区分自主决策和强化学习仍然是关键。其术语肯定是相关的，强化学习也可以用于辅助能力，例如，做出由人类决策者认可的推荐。同样，（无）监督学习算法一旦经过训练）可以通过将简单的自动化接口绑定到算法输出（例如，预测信用违约率、用于信用分析的监督学习算法，可以将其嵌入通过使用简单的决策门槛拒绝或批准信用请求的算法）来进行自主决策。

总体而言，将强化学习算法推广到现实世界使用的问题，在当代机器学习研究中可能是复杂的和更加不确定的，仍然是一个重大的挑战，。

强化学习在实验室环境中是有希望的，但在真实环境实施很有挑战性，特别是构建用例。例如强化学习在内部测试人员快速训练系统时是行得通的，但是让金融服务专业人员上手或使其融入后台更具挑战性。

——金融科技B2B解决方案提供商CEO

确实，如图11.4所示，强化学习在所有形式的机器学习中的采用率最低（51％），这说明采用强化学习可能对于广泛的组织来说具有挑战性。图11.5显示了AI领导者和落后者之间在强化学习中的采用差距达42％，这表明相关用例可能很复杂和/或需要现有的AI功能。

图11.4：特定机器学习类别和算法的实现率

图11.5：特定机器学习类别和算法的实现率-按采用AI的成熟度分类

11.3 计算资源的使用

调查结果揭示，先前讨论的支持AI应用的计算基础设施在实体类型之间存在显著差异。图11.6显示88％的金融科技公司利用云计算，而基于本地GPU和CPU解决方案的公司分别有35％和23％利用云计算。

传统公司似乎正在使用多种计算解决方案组合。这可能是由于传统企业仍在使用旧有基础架构训练和运行AI系统，而云则为金融科技公司用例提供了所需的（财务）灵活性和敏捷性。

云产品已发展得越来越适合于AI用例，其中大多数产品都包括扩展GPU配置的可能性。云计算也提供了巨大的优势：易于设置、并与机器学习库和后端以及维护进行无缝集成、以及易于升级到较新的硬件；考虑到处理能力的提高速度，这些至关重要。

图11.6：训练和运行AI系统的硬件解决方案-按实体类型分类

图11.7：用于训练和运行AI系统的硬件解决方案-按AI采用成熟度分类

在AI领导者和落后者的设定下仔细研究这个主题时，可以发现云计算是普遍流行的计算解决方案，而AI领导者使用基于本地GPU的服务器的比例要高得多。

然而，GPU的重度、专一用户最好使用内部部署的计算解决方案。本地计算设施与主流云解决方案相比，除了在数据保护和安全方面的明显优势外，也可能在充分利用时的总体成本更低（Villa，2018）。

因此，图11.7可能暗示AI领导者已经在总量和训练时间的一致性方面达到了AI实施的“临界质量”，并且利用了从GPU加速中受益的机器学习算法（尤其是RNNs和CNNs）,如同前文呈现的那样（如图11.5所示）。

第十二章：发现与展望

12.1  金融服务业的通用发现

可以概括，在金融服务的各个子行业中建立有效的AI模型所需的组成部分，甚至在每个行业中都可以推广；但是，成功应用这些模型来推动商业成功的方法可能因部门和实体类型而异。

通用属性如下：

• AI模型是算法和训练数据相结合的产物。虽然支持AI的算法很复杂，但是大多数底层资源都是开源的（例如TensorFlow）。所以，强AI模型和弱AI模型之间的主要区别是可以用来训练它的数据。这意味着对于任何寻求开发成功的AI模型的公司而言，保证训练数据至关重要。理想情况下，训练数据是不断刷新（和不断增长）的数据流，而不是“一次性”的数据库，这才能使AI模型响应不断发展的数据流从而学习和发展。
• 任何行业中最具竞争力的防御性AI模型都可以通过以下两种方式之一建立“护城河”。第一是确保唯一和有用的数据集，借此排除其他各方。第二是利用“ AI飞轮”效应来连续获取更多训练数据，并以此建立任何新手来都是难以与之竞争的数据规模。
• 对数据的迫切需求使得数字平台模型——其可以在一系列服务的买家和供应商之间形成丰富数据的端口——积极响应AI模型开发。这在科技领域被Google等参与者很好的展示出来，Google充分利用了AI的规模自我强化特性来确立搜索领域的主导地位。数字平台和AI相遇的领域可能比其他数字平台更有可能出现“超级巨星和长尾”的动态集。在这种动态下，一些大公司在产品或服务中确立了根深蒂固的主导地位，其余从事这个领域的公司则通过作为高度专业的细分供应商而盈利。

同时，这项研究的结果表明，成功实施AI的许多方面可能取决于公司规模、公司成熟度、现有组织结构、以及是否专注于某些金融服务部门。

尽管AI的基本动态在各个行业之间可能是一致的，但尚不清楚它们产生的压力将如何重塑金融部门的结构和竞争动态，也不能得出它们将对金融服务的多个子部门产生相同影响的结论。

例如，投资管理中的许多参与者显然专注于识别独特的训练数据输入（例如卫星图像），以提高他们的选股模型的准确性。同时，支付和资本市场的网络参与者正在寻求利用流经其系统的数据规模来创建新的咨询和增值安全（例如反欺诈功能）。

此外，尽管AI领导者似乎比落后者使用更复杂的技术，但其更高的成熟度源于以下事实：AI领导者已经能够为这些技术创建可行的用例，并克服了相关障碍，例如获取数据、人才、和利益相关者的信任。

因此，使用前沿技术是辨认利润第二高的AI用例（因行业而异，正如调查的各项结果所显示的那样），而不是相反。但是，随着自主决策的未来发展且AI系统在各个问题领域中的普及程度越来越高，这种情况可能会改变。

12.2  开发AI能力-金融服务提供商的必要条件吗？

这项调查的结果为以下假设提供了有力支持：绝大多数金融机构认为人工智能将是其业务发展的关键之一。

然而，许多类型和规模的公司都可能希望成为AI领导者，显然AI提供的动力为先行者提供了可观的规模报酬，而且调查结果表明，AI领导者从这些投资中获得的收益要大于规模报酬曲线向下的落后者。在AI的规模经济为早期采用者带来明显优势的情况下，组织受到激励去做AI赋能的产品和服务的分发端而不是接收方。为B2B商业模式开发支持AI的产品和服务在很大程度上取决于人力、技术和组织资源。但是，从长远来看，通过出售AI即服务带来对新数据源的访问，可能比前期投资更有价值。

调查还表明，大多数金融机构依然主要使用内部数据。那些在AI开发中处于领先地位的人将更有条件提升内部数据流的规模，从而提高其人工智能系统的质量。但是，尽管AI落后者可能并不处于开发自己的AI系统作为差异化点的有利地位，并不意味着他们无法在整个组织中使用AI，或许其正在开发对调查中的众多AI即服务产品之一的消费。尽管这些系统可能会在支持某些可商品化的用例中有用，例如削减成本或产品的基本定制，它们不会独立地提供差异化​​机会，特别是对于寻求使用AI产生超额收益的投资经理而言。

12.3  人工智能技术的未来

尽管技术是推进AI应用的关键要素，但调查显示它目前并不是实现AI的主要障碍，因为金融服务提供商尚未广泛利用已经存在了五年以上的技术。

反过来，实施AI的障碍可归因于围绕数据、人才、信任和法规的障碍，它们可能会阻止引入要求更复杂基础算法的AI应用。在这个角度，值得注意的是，复杂的AI技术正以多种方式逐渐变得易于访问：

• 通过诸如Keras之类的高级机器学习库，可以用很少的技术知识来构建复杂的深度学习算法。
• 此外，经过预训练的机器学习算法体现了重要的价值主张，因为它们消除了整理大量数据集和/或从头开始构建复杂的神经体系结构的需求。结合许多上述高级机器学习库直接集成即用型数据集和预先训练的算法这一事实，深度学习解决方案的实现（尤其是在计算机视觉领域）已变得比曾经任何时候都容易。
• 增加对AI的可访问性的另一种方法是简化端口，例如，通过使用自然语言为用户提供构建程序的选项而不是书面代码。

除了促进技术获取之外，这些进步还使程序员能够专注于模块化和调整用于实际应用的数据集和/或系统。尽管较简单的解决方案可能提供的性能要比从头开始构建的专用系统稍差一些，但它们提供了决定性的成本优势，并且让新用户将其领域的知识集成到系统中，这可以轻松地弥补纯技术上的不足。因此，综合考虑，大多数组织不太可能能够创建通用的机器学习解决方案，在工业应用中使用的AI大大落后于研究的最新水平。尽管随着数据科学传递途径的相关部分日趋商品化，通用解决方案性能将得到突破性的提高。

相反，大多数寻求通过技术进步来实现差异化的组织可能会探索不同的方向，其中一些可能包括：

• 结合模块化技术以创建强大的多功能平台和服务
• 为特定目的创建定制的解决方案，可能需要细分市场数据集支持
• 专注于围绕算法可解释性，结果解释以及人机交互领域中其他问题的挑战

专门从事数据传递的其他部分（例如数据收集和处理、特征工程、可视化）

12.4 金融服务的未来动力

虽然该调查在传统企业和金融科技公司利用AI的差异方面得出了结论性研究结果，但结果还表明，关于AI如何影响金融服务内部现有竞争环境，存在大量不确定性。传统公司，金融科技公司和科技巨头都带来了互补的功能：

• 金融科技公司享有从头开始的特权，使他们能够建立大大降低成本的新IT系统。并且可以从头开始围绕潜在的AI“飞轮”构建。但是，他们没有现成的客户规模，要在B2C和B2B领域中获取用户都被证明是昂贵且费时的。
• 传统企业拥有金融科技公司缺乏的客户规模。他们还拥有公认的品牌，并且在很大程度上获得了客户和监管机构的信任。但是，大多数传统企业还受到旧有系统的拖累，使他们处于极高的成本基础之上，并且数据结构严重孤立，限制了他们利用现有数据的能力。结果，传统公司的AI项目面临“后扩充”的风险，因此很难围绕组织的核心业务建立“飞轮”效应，尤其是在试图通过建立远离上级组织的分拆实体来绕过公司敏捷性缺陷时。现有企业还主要使用AI来增强现有产品，而金融科技公司正在利用新的AI产品来差异化其产品组合，这可能使他们更有效地利用AI作为盈利驱动力。
• 科技巨头通常拥有大量的数据存储、大规模的客户互动，并且对如何围绕AI建立成功的业务有深入的了解。但是，它们在其业务核心领域承受着巨大的政治/监管压力，并且面临因涉足金融业受到明显更严格审查的风险，正如最近Libra的声明表现的那样。

很难预测这些要素如何结合在一起，以建立业务真正利用AI的力量来推动差异化竞争的价值主张。一些可能的情景包括：

• 金融科技公司和传统公司可以结合他们的能力来尝试阻止科技巨头
• 传统公司可以尝试在内部建立新的类似于金融科技公司的主张（例如高盛的Marcus）
• 金融科技公司可以与科技巨头合作——将他们对金融产品的知识与科技公司的分销规模相结合
• 特定的传统公司可以探索与科技巨头的合作，例如苹果信用卡上的苹果与高盛合作

虽然评估金融服务中不同部门对AI的采用将如何在更高层次上影响行业很有挑战性，但重要的是要考虑到AI驱动的整合可能会在功能而不是组织或产品层面发挥作用。

例如，科技巨头在利用现有资源（如客户关系和相关的个人数据）方面处于有利位置，可以开发AI系统，为客户提供财务方面的建议并帮助他们比较各种金融产品。但是，提供这样的服务并不一定要求公司变成银行。相反，公司可以提供比现有的服务“更广”和“更浅”的服务：为客户的财务生活的各个方面提供建议（付款、保险、投资、贷款等）但不提供任何基础产品。结合用于分发第三方金融产品的平台模式，这可以充当AI个性化和咨询模型的强大训练数据生成器。

这种方法成功的潜力将高度取决于不断变化的监管环境，尤其是在美国和欧洲监管机构正在重新审视竞争政策的各个方面，以期限制科技巨头力量的时候。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意。