伴隨著金融科技的不斷創新，人工智能技術已成為金融行業的重要驅動力。
在9月27日于杭州云棲小鎮召開的云棲大會“金融智能”專場上，螞蟻金服集團副總裁、AI首席科學家、達摩院金融智能負責人漆遠博士做了開場演講，向與會嘉賓分享了金融智能方面的思考與實踐。議題覆蓋復雜網絡、共享智能、知識圖譜、深度圖學習等多個核心技術領域，以及這些技術在螞蟻金服的業務落地和實踐，體現了以”人工智能+金融服務+普惠可持續”來打造“有深度有溫度的金融科技”的理念。
以下為演講的文字實錄。
最新調查顯示，全世界仍有超過17億成人沒有使用過銀行服務，占世界總勞動力的50%，并且，金融服務在不同地區存在巨大服務差異，尤其是低收入、女性、少數民族和經濟不發達地區。由此可見，普惠金融仍然任重道遠。
AI是普惠金融的核心驅動力之一，這里將分享螞蟻金服在發展金融智能過程中的實踐與思考。
金融與AI兩者是相輔相成的。AI可以賦能普惠金融提升風控能力，提高效率，改善用戶體驗和減少信息不對稱。而金融也為AI提供完美的場景，因為金融行業數字化程度最高，擁有全方位多場景的應用，同時AI可以對金融服務提供顯著的改善效果，所以金融行業也更有動力去發展和應用AI。
金融智能的機會與挑戰
那么從金融行業的角度，目前對金融智能有哪些機會和挑戰?我們總結，它主要集中在復雜動態網絡、對抗性、人機協作、公平性、數據安全和隱私保護，以及不確定性幾個方面。
首先是復雜動態網絡，網絡在金融服務里無所不在，不管是人和商家、商品間的網絡，還是支付交易網絡，再是社交網絡，各種網絡產生大量復雜的結構性數據，這些網絡之間帶有各種強網絡效應，比如合作或競爭活動等，如何對它們進行建模后分析是非常有意思的挑戰。
規模本身也是一個挑戰，螞蟻金服已經服務了上千萬家的商戶，全球十二億用戶，超過一百萬服務和小程序，這背后有海量的數據和巨大的生態，我們需要考慮如何從這些海量并有噪音的數據里提取有效信息構建好的金融服務 。
比如對貸款的套現欺詐，或者保險的帶病投保，如何有效地利用機器學習分析海量的網絡數據來防止欺詐行為是非常關鍵的。螞蟻金服在這方面已經取得了一些成果，在AAAI 2019上發表論文：基于Attention及LSTM的GeniePath學習網絡關鍵路徑的重要性，在實際防騙保應用里達到95%的準確率。
第二，對抗性是金融里非常關鍵的特點。每一筆交易都有可能是人和系統的對抗。對抗性與前面的大規模網絡和實時處理需求結合起來，將會變成更大的挑戰。比如在支付寶一個簡單的掃碼結賬的操作里，需要多個流程節點，而人和商家之間的結賬交易構成了一個非常大的關系網絡，同時要得到近乎實時的返回結果。對此，對抗性的風險決策的時間需要控制在100ms以下。這絕對不是個容易的任務。
第三，人機協作問題，要想服務海量用戶，可擴展是很基礎的能力，而要實現可擴展，需要把操作鏈條中的人移除，實現自動化。但另一方面，為了防止災難性風險或者系統性錯誤，金融系統中人工干預是不可或缺的。在這種混合式的人機系統里，我們需要解決機器預測和決策的可解釋性，自動化算法可監測、可中斷等等問題。
第四，算法的公平性。女性、少數族裔、低收入人群等弱勢群體都應享有無偏見的金融服務。但標準化方法極易引發不自覺的偏見，完美的公平性和算法的準確性可能產生矛盾 。隨著機器智能在我們越來越多的系統里發揮著關鍵決策功能， 我們如何能夠合理設計算法及其Metrics來預防和減少算法偏見，也是一個非常關鍵的研究方向。
第五，數據安全和隱私保護，在整個社會對數據和隱私保護越來越重視的大前提下，作為服務提供方希望能夠打破數據孤島，讓更多的數據融合產生價值，同時保證數據安全隱私，這兩者其實也是矛盾的，因此，我們要想辦法應對這個挑戰。
最后，還有金融風險的不確定性，現實中的一些黑天鵝事件會對金融造成非常大的影響。這些不確定性可能來自非線性自反饋或者隱含變量或者復雜動態網絡。 當前的機器學習缺乏好的工具來處理這些問題。我們看到一個好的方向是把經濟學中的理論，比如博弈論和機制設計，與機器學習進行融合，推動對抗學習、基于機器學習的機制設計、多智能體系統，及因果分析等方面的進步。
當然，金融智能還有不少其他方向，這些方向既是挑戰也是機會，每個方向往前走一步會推動技術發展和業界落地。
螞蟻金服金融智能實踐
螞蟻金服致力于實現普惠金融，為全球的商戶和消費者提供服務。
在過去幾年里，我們構造了兩個非常關鍵的學習能力，分別是螞蟻圖智能平臺和螞蟻共享智能平臺。螞蟻圖智能平臺支持百億節點/萬億邊的圖數據推理和深度學習訓練、毫秒級實時構圖與查詢能力;螞蟻共享智能平臺提供安全可信的數據共享和機器學習算法的跨機構聯合建模能力，支持對百萬級金融樣本建模，秒級計算。
基于圖智能技術，我們提升了企業風險刻畫能力，幫助新增數百億的貸款，其背后是從單點建模到網絡化的升級，有效利用了海量的關系信息。另外一個關鍵詞是共享智能，這是一種在多方參與且各數據提供方與平臺方互不信任的場景下，能夠聚合多方信息并保護參與方數據隱私的學習范式，詳細的技術解讀可以查看我們之前的技術文章《共享智能：螞蟻金服數據孤島解決方案》(這篇文章在頭條附上超鏈接：https://www.toutiao.com/i6726773014395879944/)。我們已經在信貸業務里進行了實踐。
另外，基于共享智能技術我們將風控能力賦能合作伙伴，聯合數據建模提升模型性能，已經在外部銀行落地聯合放貸能力。我們希望將來能夠聯合更多的金融機構，使用共享智能更有效地提升雙方風控能力，服務廣大的客戶。
這些實踐應用的背后是多年的基礎開發和經驗積累，從2015年開始研發，我們有50多個專利在審，拿到了一系列相關獎項，并正在牽頭制定國際IEEE、國內以及行業等技術標準。我們有完整的軟硬件結合的解決方案，既包括數據出域、在可信環境里共享智能，也包括數據不出域、模型在本地的共享智能，參與方可以非常靈活的選擇不同模式共同提升風控能力。
前面的案例是用AI提升風控能力的，下面再介紹幾個在提高效率，改善用戶體驗和減少信息不對稱方面的落地案例。
首先是智能理賠，目的是通過人工智能能力來提升理賠效率。多收多保服務已經覆蓋全國千萬小商販;相互寶已吸引9千萬用戶加入，去年新推出的老年版相互寶也在9天內突破1000萬用戶，真正讓更多人享有保障。但是通過人工進行理賠由于單據多、流程復雜，相應的服務成本是非常大的挑戰。如何提升服務效率，降低成本是智能理賠要解決的核心問題。在多收多保上，我們將它的核心能力總結為“212”：2分鐘報案，1秒鐘核賠，2小時到賬。
這里面的流程是，用戶通過支付寶上傳材料，我們基于金融級圖像識別能力識別材料中的非結構化的文字、圖章等信息，并結合NLP與健康知識圖譜理解背后說什么，再抽取關鍵信息進行后續的校驗和分析推理，從而進行智能理賠決策。
另一個案例是企業知識圖譜。很多金融的風險來自于各方信息不對稱，我們希望通過知識圖譜來減少這種信息不對稱。我們把非結構化的數據結構化，相關的數據通過相關的關聯面聯系起來，形成企業知識圖譜，用來理解當前面臨的重大風險，公司的風險指數，相關的風險級別等。
它的背后是一整個處理鏈條，比如這一段非結構化的自然語言的法律文本，我們把它給結構化，并把主體提取以后變成有效的知識圖譜，就可以輔助分析和推理。
接下來講用戶體驗的提升。對金融機構而言很重要的一點是客服體驗，2016年我們的用戶大概是4.5億，現在已經達到12億，同時過去幾年我們不斷推出新的產品和服務，但客服人員并沒有和用戶數量及產品數量一樣呈線性增長，核心的原因靠的是AI。我們在2015年智能客服的自助率從60%提升到了94%，2016年則是97%，2017年機器人服務平均質量超越了人工服務， 2018年通過支付寶可以語音買票，今年云客服能力在釘釘服務了廣大的客戶，并助力菜鳥服務大量的物流公司，其背后即是借助人工智能改善用戶體驗。
最后講一個非常有意思的事，是我們的同事在過去幾個月志愿完成的一個小項目——“智能垃圾分類”。大家知道，正確分類是垃圾可回收處理的關鍵步驟。今年7月1號上海出臺了垃圾分類政策。垃圾分類對回收垃圾減少碳排放是件大好事，但是對居民而言面對上千類垃圾如何正確分類不是件容易的事。 于是螞蟻AI幾個算法同學和支付寶產品與運營同學一起組成了自愿攻堅小分隊，基于我們已經有的圖像、搜索、智能助理和知識圖譜平臺，快速開發AI垃圾分類，在兩周后，就是7月15號，發布了AI垃圾分類小程序 。對于圖像、語音、文本的準確率均達到了90%以上，能夠覆蓋2萬多種物品的識別與分類。上線一周后就達到了400萬DAU，3000萬的模型調用量。除了軟件的小程序之外，我們還和生態合作伙伴研發出了“智能垃圾回收箱”的IoT硬件。
9月27號，我們的同學在紐約參加了第74屆聯合國大會，現場宣講螞蟻金服智能垃圾分類解決方案，用AI技術踐行聯合國可持續發展目標(Sustainable Development Goals)。下一步，我們會和阿里云以及生態合作伙伴加強合作，將智能垃圾分類的技術開放出來，賦能整個垃圾處理產業，期待在2025年能幫助將中國的垃圾處理環節的碳排放降低20%，這是我們的一個長期目標。
我們希望技術不僅僅有深度，也是有溫度的，希望能夠用人工智能來推進普惠可持續的金融服務。
