Komentar Keuangan AI Leifeng.com: Pemimpin bisnis bank tidak dapat memahami laporan data, pendaftaran foto dan cetak suara pengguna sulit untuk dilewati, dan siapa yang menjadi dasar dan kunci penggunaan kecerdasan buatan? Untuk penerapan teknologi baru ini, Teknologi Ritel Ping An Bank CTO Reserves memberikan jawaban dengan berbagi pengalaman riset dan pengembangan timnya. Seperti yang dia katakan, banyak teknologi yang masih dalam perjalanan. Lalu, di jalan menuju teknologiisasi bank tradisional, masalah apa saja yang patut diperhatikan dan dipertimbangkan oleh para praktisi?
Pada "Ping An Group SMART Technology Conference Fin Tech Forum" pada 8 Desember, Reserves membagikan pengalaman Ping An Bank dalam teknologi baru dan memberi kami deskripsi mendetail Dari fondasi data, teknologi kunci hingga aplikasi praktis, mereka saling terkait.
Berikut ini adalah teks lengkap dari pidato Cadangan, dan Tinjauan Keuangan AI dari Leifeng.com tidak mengubah maksud aslinya:
Data besar: loop tertutup daya komputasi, infrastruktur, data, skenario, produk, dan saluran
Proses membangun platform data besar untuk seluruh bank cukup menyakitkan.Meskipun sebagian besar lembaga keuangan akan membangun platform data mereka sendiri sangat awal, segmentasi data besar + aplikasi keuangan cukup kompleks, dan setiap jenis skenario bisnis akan Ada banyak subproyek berbeda untuk dipelajari. Ping An Bank telah membangun 12 skenario aplikasi utama dalam hal ini, seperti pengendalian risiko, beberapa terkait dengan penipuan, beberapa adalah identitas pelanggan yang telah dikonfirmasi, dan ada banyak bagian yang benar-benar mempelajari tren pasar dan perubahan risiko.
Dalam aplikasi big data Bank Ping An, cadangan memberikan contoh beberapa skenario aplikasi yang umum:
(Dari atas ke bawah, dari kiri ke kanan: platform laporan B +, platform indikator, platform deteksi risiko, dan eksplorasi data)
Platform laporan B +
Beberapa pertemuan sering kali memiliki situasi berikut: ketika membahas ide dan rencana pengembangan bisnis di masa depan, sekali mencoba memprediksi tren peristiwa dan ukuran kelompok pelanggan berdasarkan pengalaman historis, mereka terjebak dalam tautan data dan proposisi tidak memiliki dukungan. Alat dan platform data asli dari industri keuangan tradisional tidak tersedia secara luas, otomatis, dan hemat waktu.
Dalam penerapan indikator data, misalnya, organisasi keuangan tradisional akan menyerahkan pekerjaan kepada rekan tim data yang terpisah untuk melakukannya. Tim data mungkin sangat paham dengan definisi dan pemahaman tentang indikator bisnis, tetapi sebagian besar pemimpin bisnis tidak jelas tentang detailnya, yang menyebabkan terputusnya komunikasi antara tingkat atas dan bawah, dan mereka harus membiarkan bawahannya mengimplementasikan laporan dalam bentuk persyaratan sebelum mengambil keputusan.
Hal terpenting untuk laporan B + adalah membebaskan produktivitas dari para pemimpin bisnis yang sebenarnya , Memungkinkan mereka untuk melihat secara langsung data yang mereka butuhkan melalui alat bantu mandiri manual, membuat pengambilan keputusan menjadi lebih efisien. Reserves mengatakan bahwa dari awal tahun ini hingga Agustus, mereka telah meneliti pernyataan B +, yang telah dipromosikan di industri. Jika Anda ingin mencapai ketepatan waktu yang lebih tinggi, T + 1 atau bahkan T + 0, dan menggabungkan kondisi yang berbeda setiap saat untuk mengeluarkan data, Anda perlu mengeluarkan lebih banyak upaya untuk memoles.
Platform indikator
Platform ini utamanya adalah pemasaran. Saat ini, jalur promosi utama Ping An membutuhkan dukungan platform pemasaran sistematis untuk bagian pemasaran bisnis tradisional ini. Salah satu yang paling penting adalah bagaimana menyaring pelanggan yang berbeda secara real time melalui sistem indikator. Pembangunan sistem indikator ini memerlukan waktu untuk menentukan kapabilitas dan indikator dasar: potret grup pelanggan dan jenis pelanggan, sehingga daftar puluhan ribu, ratusan ribu, atau bahkan jutaan pelanggan dapat disaring dalam hitungan detik. Ini membutuhkan data besar untuk mendukung, dan sistem arsitektur basis data tradisional tidak dapat melakukannya.
Platform deteksi risiko
Ada jutaan atau bahkan puluhan juta transaksi pelanggan yang diproses oleh sistem setiap hari.Semua kartu kredit, catatan transfer, dan catatan login akan menjadi poin berisiko, membutuhkan kemampuan komputasi real-time yang sangat kuat untuk membangun platform sistem deteksi risiko. Platform ini dipantau sepanjang hari pada tingkat milidetik dan telah membuat total 800 juta keputusan risiko catatan transaksi dan 65 juta perbandingan. Nilai bisnis dari hal-hal ini membutuhkan mesin keputusan risiko waktu nyata yang sangat kuat untuk mencapainya.
Saat ini, mesin Ping An Bank bukanlah model dan mesin risiko American Express yang paling efisien, yang dapat menyelesaikan 12.000 nomor keputusan dalam dua milidetik. Node server tunggalnya dapat menerima 64.000 permintaan seperti itu per detik, yang menempatkan persyaratan yang sangat tinggi pada kemampuan platform dasar dan arsitektur aplikasinya. Ping An Bank saat ini tidak cukup kuat dalam deteksi risiko, dan kerangka kerja sumber terbuka dasar lemah dalam hal kemampuan komputasi dimensi tinggi risiko. Meski bisnis saat ini tidak memiliki persyaratan aturan yang kompleks, namun di masa mendatang, ketika AI dan machine learning digunakan untuk melatih algoritme dan dijalankan secara real time, engine yang dihasilkan akan menghabiskan lebih banyak resource operasi. Hal tersebut tidak dapat dilakukan tanpa dukungan platform dasar. .
Eksplorasi data
Kami melakukan grafik pengetahuan, bagaimana data terstruktur dan tidak terstruktur keuangan membentuk gambar, dan mencarinya dengan cara lintang tinggi.
Banyak penipuan di industri keuangan yang dilakukan oleh geng, dan ada rantai industri abu-abu dan hitam di industri. Dia memberi contoh tentang geng penipuan di cabang Beijing. Ketika melakukan kejahatan, dia akan memasukkan beberapa informasi pelanggan yang dicuri ke dalam sistem. Melihat dananya dicuri di bank atau bahkan ke tautan rekening bank lain di luar bank, beberapa poin penting ditemukan. Tugasnya, mungkin saja akun hitam yang digunakan untuk mencuci uang kotor. Temukan akun ini, biarkan keamanan publik campur tangan dalam penyelidikan, ikuti pokoknya dan tangkap orang tersebut. Kami menggunakan data untuk menjelajahi grafik pengetahuan dan dengan cepat menemukan akun dengan perilaku padat yang mencurigakan.
Arsitektur sistem aplikasi data besar ritel Ping An Bank dimulai dari kemampuan komputasi data besar yang paling dasar, dari bawah ke atas adalah infrastruktur, agregasi data dasar, produk data, dan kemudian ke skenario aplikasi dan produk aplikasi, dan terakhir ke saluran akhir. Dapat benar-benar mencapai loop tertutup.
Berbagi pengalaman: Teknologi + bisnis dua cabang, dukungan platform paralel, dan tata kelola data
Pertama, strateginya jelas. Untuk sebuah organisasi, berapa banyak sumber daya yang perlu diinvestasikan untuk menyelesaikan pembangunan platform data besar. Misalnya, ketika tim Ping An mulai membangun platform pada awal tahun, tim tersebut membutuhkan setidaknya 100 orang, dan sumber daya server node komputasi memerlukan investasi puluhan juta. Banyak dari itu melibatkan pengambilan keputusan oleh pemimpin tingkat atas, jadi harus ada strategi yang jelas. Tim akan dibagi lagi sesuai kemampuannya, dan masing-masing tim akan fokus pada inkubasi produk atau teknologi di suatu lapangan. Agar data besar dapat memainkan nilainya di bidang bisnis, jika teknologi saja tidak cukup, seseorang perlu memiliki pemahaman yang lebih baik tentang data bisnis dasar. Tim teknologi data besar dapat dengan cepat diperoleh melalui rekrutmen, tetapi perlu memiliki tim tradisional untuk bergabung untuk membantu inkubasi bersama. Kami menggabungkan tim laporan ritel tradisional ke dalam tim data besar agar kolega yang baru direkrut dapat dengan cepat memahami bisnis dan melakukan tata kelola data dasar.
Kedua, dukungan kapabilitas platform yang kuat . Investasi di area ini mungkin relatif besar pada awalnya, dan Hadoop open source yang dibangun oleh tim cadangan pada dasarnya adalah kerangka dasar dari keseluruhan taktik. Volume data baru harian sekitar 100T, termasuk data keuangan, data non-keuangan, data perilaku pelanggan, dan berbagai log lingkungan produksi. Jumlah tugas harian sekitar 70.000, dan ada lebih dari 300 pengguna untuk menjelajahi data terkait. Setiap detik, 200.000 log dikumpulkan ke dalam sistem, dan semua log perilaku pelanggan ditambah semua log sistem dimasukkan ke dalam platform data untuk dianalisis. Pengembangan kapasitas ini memberikan banyak tekanan pada infrastruktur, dan tim terus berkembang.
Ketiga, tata kelola metadata. Pada awal pembentukan semua hasil data historis sebuah lembaga keuangan, logika dasar dari definisi indikator dan bagaimana setiap catatan dihasilkan tidak jelas. Saat itu, big data tidak bisa langsung membantu bisnis, harus ada tim yang membersihkan datanya. Konsistensi, akurasi, dan kelengkapan tata kelola data perusahaan perlu dikelola oleh seseorang, sehingga tim big data dapat memahami dengan jelas keterlibatan bisnis yang dalam. Misalnya, Huawei mulai mengelola berbagai dokumen dan data di seluruh dunia sejak lama, dan telah berfungsi dengan baik.
AI: 50% persiapan data / skenario bisnis + 30% penelitian dan pengembangan algoritma + 20% rekayasa
Cadangan tersebut terutama diperkenalkan dari gambar, suara, teks, dan atlas. Tupu dibagi menjadi rekomendasi kelompok pelanggan dan rekomendasi produk dalam hal risiko dan pemasaran presisi. Ini adalah tiga proses yang kami pikirkan di masa depan, seperti praktik algoritme cerdas, yang merupakan iterasi loop tertutup.
Skenario bisnis dan persiapan data
50% ini sebenarnya didasarkan pada pemahaman hari ini dalam proses waktu ini untuk melakukan hal ini dengan baik, dasar untuk sukses mungkin 50% dari tautan ini. Untuk penemuan data dasar dan skenario aplikasi, 50% praktik algoritme cerdas didasarkan pada kesuksesan ini. Jika tidak ada tata kelola data yang baik, tidak ditemukan skenario bisnis yang baik, teknologi atau algoritme saja tidak dapat memberikan hasil.
Pertama, algoritme AI dan hal-hal yang diperlukan untuk menyelesaikan masalah bisnis Keterlibatan bisnis yang mendalam .
Kedua, algoritma pelatihan tidak bisa tanpa data dasar . Teks berikut akan mengilustrasikan dampak sampel data cetak suara pada pelatihan algoritme. Algoritma AI yang disebut sebagian besar ditujukan untuk membangun algoritma untuk skenario tertentu dan masalah tertentu. Kemampuan membangun algoritma ini merupakan hal yang sangat rekayasa, yang membutuhkan partisipasi para ahli untuk membangun tim yang benar-benar mumpuni.
Ketiga, rekayasa. Pentingnya kapabilitas teknik tercermin dalam apakah algoritme dapat diluncurkan dengan cepat, apakah dapat dengan cepat disejajarkan dengan bisnis yang sedang berjalan setelah diluncurkan, dan apakah hasil produksi dan hasil aktual dapat dikembalikan ke sumber data setelah paralelisasi untuk langkah pelatihan berikutnya. Tanpa proses rekayasa yang baik, bisnis tidak akan berani menggunakan algoritma tersebut. Karena algoritme ini adalah aturan bisnis yang didasarkan pada pengalaman manusia, bukan proses manual asli. Bisnis khawatir tentang kesalahan, terutama pengendalian risiko. Begitu algoritme berfluktuasi, kemungkinan (kesalahan) bisa ratusan juta atau miliaran. Jika kemampuan teknik yang baik sejajar, bagian tradisional dipertahankan, jalur algoritme juga disinkronkan, dan autentikasi skala abu-abu dilakukan secara paralel di kedua sisi, dan hal-hal yang tidak konsisten di kedua sisi diambil untuk bisnis untuk membuat penilaian putaran ketiga di sisi mana yang benar. Ini dapat mempercepat uji coba seluruh algoritme.
Ketika algoritme Anda menjadi semakin kompleks, dimensi algoritme menjadi semakin tinggi, dan kondisinya menjadi semakin rumit, kemampuan teknik menentukan apakah hasil dapat habis. Misalnya, jika Anda menetapkan aturan 12.000 angka keputusan, jika Anda menjalankan selama 30 detik pada sistem, hal ini tidak tersedia dari perspektif online. American Express telah menggunakan teknik secara ekstrem. Mereka masih mengeksplorasi dalam AI, tetapi kemampuan tekniknya terlalu kuat. Model yang sekuat 120.000 dalam 2 milidetik dapat dihitung.
Meringkas pengalamannya dalam konstruksi AI, Reserve berkata:
-
Adegan bisnis Ini adalah dasar dan titik awal AI: kita harus menemukan bisnis untuk mendiskusikan dengan tepat skenario apa ini dan masalah apa yang dipecahkannya;
-
Kemampuan platform data yang kuat Ini adalah kunci untuk mendukung pelatihan AI: sejumlah besar data di berbagai lini bisnis dan kemampuan komputasi yang kuat diperlukan untuk membangun model yang kompleks;
-
profesional Kerja tim erat Mempromosikan aplikasi dan iterasi AI dalam bisnis;
-
Kemampuan teknik Sangat diperlukan: pilihan skenario bisnis, kemampuan untuk mengembangkan dengan cepat, menguji dan online, serta pembelajaran dan pengoptimalan model yang berkelanjutan.
"Lubang-lubang itu" dalam penerapan teknologi pengenalan wajah
Pada dasarnya semua aplikasi menggunakan wajah untuk pengenalan yang sesuai. Saat ini, ada 16 juta panggilan per bulan, yang pada dasarnya ratusan ribu kali sehari, termasuk pembukaan rekening dan persetujuan klien pinjaman, ambang batasnya sekitar 62,24.
Untuk industri keuangan, hal yang paling mengkhawatirkan adalah membuka rekening ketika Anda tidak seharusnya membuka rekening, dan menggiring serigala ke dalam rumah. Tingkat kelulusan online Ping An adalah 85%. Sebagian besar algoritme adalah 96,8%.
Semua orang mengira bahwa foto KTP harus sama dengan KTP mereka, padahal foto KTP yang digunakan oleh Kementerian Keamanan Publik adalah foto yang saya lamar ketika saya masih kuliah. Celah yang besar pasti tidak mudah untuk dilewati. Kemudian, versi People's Bank of China dipanggil, dan kedua sumber data tersebut dibandingkan bersama-sama, dan kedua algoritme tersebut digunakan bersama untuk meningkatkan tingkat keberhasilan perbandingan online.
Dalam hal pengenalan wajah, bagikan poin-poin berikut:
-
SDK Langsung Kegunaan: Yang paling ditakuti oleh sisi bisnis adalah orang lain dapat memalsukannya. Kemunculan teknologi biometrik juga melahirkan subjek kebalikan dari bionik.Perkembangan subjek ini tentunya akan berdampak pada biometrik. Untuk organisasi yang menggunakan biometrik, perlu untuk membangun algoritma ilmiah yang sesuai untuk menyelesaikannya, apa yang menjadi oposisi, apakah akan melatih generasi berikutnya, menentukan apakah algoritma biomimetik atau tidak, bagaimana mengidentifikasi semua teknologi bionik di industri, dan sintesis Karakteristik solusi itu sendiri dan yang akan dikecualikan.
-
Foto pelanggan itu sendiri memiliki pengaruh yang besar , Bagaimana membimbing pelanggan untuk menggunakan cahaya untuk mengambil gambar di sisi klien akan sangat meningkatkan persyaratan tingkat keberhasilan.
-
Ambang batas yang wajar : Ini harus ditentukan oleh bisnis. Berapa tingkat kesalahan waktu, tingkat penerimaan, dan jenis risiko yang diterima. Dulu, ada kesalahan dalam membuat penilaian biologis dengan pengenalan visual buatan, tetapi tidak mendigitalkan. Oleh karena itu, tim risiko percaya bahwa tidak ada masalah dengan metode buatan. Penilaian ini salah. Tim risiko harus menerima bahwa kesalahan selalu ada, tetapi harus dikendalikan dalam kisaran tertentu dan memenuhi kebutuhan bisnis. Mengidentifikasi proses yang tidak berhasil membutuhkan mekanisme perbaikan. Kalaupun tingkat keberhasilan sebenarnya hanya 85%, sisa 15% nasabah tidak bisa hilang, apalagi bank harus punya solusi lain. Misalnya, mungkin menerima audio dan video untuk kompensasi sekunder
-
Perlu tim untuk fokus pada tim lamaran Teknik .
Kesulitan dan solusi untuk pengenalan cetak suara
Ping An saat ini sedang melakukan pelatihan skenario inkubasi kartu kredit terkait, dan sedang mempertimbangkan apakah perlu ditambah dari 800 kursi menjadi 2000 dan 3000 kursi. Aplikasi tersebut diluncurkan pada akhir Agustus lalu, terdapat 1,57 juta pelanggan yang berhasil mendaftar melalui voiceprint, dan 400.000 berhasil diverifikasi.
Tidak seperti penyedia cetak suara tradisional lainnya, Ping An tidak meminta pelanggan untuk melafalkan rangkaian angka atau teks standar, tetapi mengumpulkan cetak suara selama percakapan dan melakukan pendaftaran cetak suara. Pendaftaran cetak suara tunduk pada suara latar belakang yang bising saat panggilan masuk untuk menentukan apakah itu bisa berhasil. Jika ini adalah proses pendaftaran APP, pelanggan akan disarankan untuk berdiri di lingkungan yang tenang dan langsung mengumpulkan suara pelanggan yang masuk. Tes paralel skala abu-abu online layanan (tingkat kelulusan) sekitar 83%. Jika verifikasi suara yang memenuhi standar kualitas, tingkat kelulusannya adalah 92%. Waktu bicara dan suara latar pelanggan juga akan mempengaruhi tingkat kelulusan.
Pada awalnya, pengenalan cetak suara dilakukan, tetapi sebagian besar sampel suara grup tidak dipisahkan oleh suara, sehingga dibuat algoritme tambahan untuk ini. Pemisahan suara sangat penting untuk perekaman platform telepon di masa mendatang, dan bahkan semua skenario di mana aplikasi suara digunakan - suara pelanggan dan layanan pelanggan tidak boleh dicampur dan direkam, tetapi dibagi menjadi dua file.
Di masa lalu, apakah itu pencatatan atau pencatatan, sebagian besar organisasi tidak memenuhi persyaratan kepatuhan dan menggunakan metode paling sederhana dan biaya terendah untuk melakukan yang terbaik. Tapi sekarang adalah era big data dan algoritme, dan pengembangan bisnis di masa depan membutuhkan perencanaan kepatuhan untuk itu. Ada database yang diterbitkan oleh People's Bank of China untuk wajah manusia, dan tidak ada database resmi untuk perbandingan cetak suara. Pendaftaran itu sendiri membutuhkan bisnis untuk membimbing pelanggan untuk mendaftar di tempat kejadian, dan itu adalah masalah untuk tidak memiliki perpustakaan perbandingan.
Salah satu masalah yang perlu dipertimbangkan adalah bahwa redaman cetak suara di seluruh saluran relatif besar, dan cetak suara saat ini mungkin tidak dapat digunakan saat digunakan di APP. Ketepatan transmisi bahasa telepon dan transmisi file APP berbeda. Suara telepon itu sendiri membuat suara terdistorsi, dan model suara yang sudah mapan tidak berguna.
Selain itu, Leifeng.com AI Financial Review mempelajari alasan mengapa Ping An Audio dan video Sebagai adegan kunci, ini karena nilainya yang besar di masa depan. Siaran langsung sosial semakin panas dan panas, dan akan ada banyak interaksi sosial di masa mendatang. SAT mungkin benar-benar bergeser ke sosial audio dan video.
Dalam upaya ini, masalah dalam skenario aplikasi audio dan video itu sendiri adalah:
-
Menjatuhkan terkait erat dengan durasi dan lingkungan panggilan;
-
Tugas yang akan diproses di platform akan diantrekan, dan kemampuan audio dan video akan terpengaruh jika tidak diproses dengan baik.
-
Kedepannya akan dibentuk platform public gateway untuk bekerjasama dengan pihak ketiga di media, terutama aplikasi yang perlu digunakan oleh pelanggan yang melakukan siaran langsung. Solusi teknis audio dan video setiap orang saat ini berbeda. Jika tidak ada platform publik untuk menghubungkan audio dan video yang berbeda, dan akhirnya diubah menjadi solusi terpadu, pengembangan sistem kursi belakang sangat menyakitkan. Reserve mengatakan bahwa kini telah mencapai solusi audio dan video APP grup, dan bank asli memperkenalkan solusi pabrikan lain. Tidak perlu mengubah dari klien dan server, dan melakukan konversi codec sendiri di tengah.
Empat kesulitan untuk robot
Bagian ini tidak benar-benar digunakan dalam skala besar di bank. Robot yang menurut bisnis dapat menggantikan tenaga manual sederhana, seperti manajer lobi, dapat melakukan panduan layanan. Anda dapat menghubungi pelanggan dengan cara standar, mengurangi dukungan tenaga kerja dalam kelompok, dan mengganti pelatihan personel melalui penerapan perangkat lunak. Ini adalah efek yang diyakini bisnis dapat dicapai robot dalam arti yang sebenarnya. Namun, dari segi teknis praktis, kemampuan robot saat ini masih jauh dari adegan yang benar-benar dapat menggantikan manusia, dan pengalamannya tidak dapat benar-benar melakukan apa yang kita inginkan dari bisnis.
Ada beberapa masalah dalam hal ini:
-
"Dengarkan": Orang-orang patuh dan tahu siapa yang mengatakan apa, dan mereka dapat menemukan dengan siapa mereka ingin berbicara, tetapi robot itu berbeda. Robot ini mendengar semua jenis suara, semua sinyal adalah masukan, dan mereka tidak tahu siapa yang mengatakan apa. Bagaimana menangani percakapan satu-ke-banyak adalah masalah besar bagi robot.
-
"Katakan": Apa yang robot ingin katakan atau perlu ungkapkan membutuhkan basis pengetahuan yang kuat atau dukungan algoritme cerdas di belakangnya, tetapi ini tidak terlalu bagus untuk saat ini, dan kami masih berlatih.
-
"Tampilan": Robot memiliki persepsi, dan kemampuan untuk melihat juga dipengaruhi oleh lingkungan.
-
"Pindah": Robot semakin besar dan besar sekarang, dan bahkan jika menabrak meja bangku secara tidak sengaja, jika menabrak seseorang, keamanan adalah masalah besar. Karena masalah teknik, iterasi robot akan sangat lambat.
Terakhir, rangkumlah beberapa poin:
-
Pertama, tim bisnis dan TI harus bernegosiasi bersama. Saat teknologi baru diperkenalkan, mereka perlu memberi tim fleksibilitas. Begitu banyak KPI dibatasi, tindakan semua orang akan keluar dari bentuknya, dan hasil yang baik mungkin tidak tercapai.
-
Kedua, tim yang berdedikasi perlu diinvestasikan, dan hasil penelitian akan sedalam investasi.
-
Ketiga, teknologi baru itu sendiri tidak statis, butuh waktu untuk menumpuk. Jangan pikirkan apa yang Anda gunakan hari ini, dan besok masalah bisnis akan terselesaikan. Penerapan teknologi baru bukanlah masalah IT, tetapi masalah bisnis yang harus dilakukan melalui kerjasama bisnis.
- Buat ulang lagi? Pemeran "The Little Thing of First Love" di Internet, Zhang Xincheng dan Zhang Zifeng akan menjadi CP
- 1 kipas jatuh? Li Ronghao "marah", jadi dia mengambil foto selfie dan berteriak untuk menarik perhatian pihak lain kembali!