如今，AI在各行各業的“多點開花”已成為不可忽略的趨勢，金融行業也通過AI制定數字化戰略，走在了追逐AI浪潮的前列。

那么金融行業為什么要投資AI?AI能幫助金融行業解決哪些問題?金融行業在AI技術的實踐過程中遇到了哪些挑戰，又可以為其他行業提供哪些借鑒?Gartner高級研究總監呂俊寬一一作出了解答。

Gartner高級研究總監呂俊寬(CK Lu)

AI可以解決“無銀行賬戶”用戶的問題

據統計，全世界約有31%的人沒有銀行賬戶，其中印度約占21%、中國約占12%、美國約占7%。而現在提倡的“普惠金融”就是要讓“無銀行賬戶”的用戶也可以享受到金融服務。呂俊寬表示，在這個過程中，AI的作用就是服務這些“無銀行賬戶”的用戶。

呂俊寬進一步解釋說，傳統的數據分析更多地是通過人為方式制定規則、對結構化資料進行高效率的分析，而“無銀行賬戶”的用戶帶來的往往是非結構化的資料。這就必須要用AI來制定規則，即為每一個人提供定制化的服務。這也是AI與傳統數據分析方法不同的地方。

“不要用投資回報率衡量AI是否成功”

呂俊寬認為，各行各業投資AI的三大動機是用自動化取代繁瑣的人工工作、提升客戶體驗、降低成本。“但目前AI仍處于投入階段，如果企業單純地關注AI帶來的收入增長，可能難以找準AI投資的點。”

呂俊寬舉例說，最近兩年最受追捧的AI應用之一就是客服機器人，但卻很少有企業通過客服機器人達到投資回報率的目標。因為在使用AI應用的過程中，并不代表可以裁掉相應比例的員工。“企業CIO目前面臨的問題是，很難從投資回報率的角度證明投資AI是有回報的。”

那么應該如何衡量企業部署AI的成功與否呢?他認為，首先要看通過AI可以幫助企業提升多少效率;第二，就是AI到底對客戶體驗的提高有多少幫助。

金融機構在運用AI時遇到哪些問題?

據呂俊寬介紹，金融機構在運用AI技術時，主要面臨六大問題。

第一、商業價值，金融機構在使用AI以后，目前很難證明投資AI是可以帶來回報的;

第二、資料管理，例如銀行里很多數據是分散的，很難進行集中管理和分析;

第三、人才問題，許多IT人員負責運維或資料管理，并沒有足夠的能力在AI時代發揮專長;

第四、工具問題，過去兩年AI的應用多以SaaS(軟件即服務)為導向，耗時較長卻只能解決單一問題，那么未來如果有數百個AI應用需要部署，投入的成本將是巨大的;

第五、規模問題，例如某個模型在實驗室里運行準確率可以達到95%，可是一旦上線，或是進行更大規模的分析時，準確率就會大幅度下降;

第六、采購決策，每個部門各自采購，會造成投資浪費。

“AI沒那么了不起，還是需要人工干預”

AI的廣泛應用不禁會讓人們擔心自己的工作被取代，那么具體到銀行，原有的IT人員或業務專家的角色會有哪些變化呢?

“AI其實沒有我們想像得這么了不起。”呂俊寬介紹道，“現階段的AI很多都是‘半監督學習’的。也就是說，AI制定規則或篩選數據，還是需要人工干預的。”

他舉例說，比如將銀行的全部數據用作數據訓練，那么成本會很高。“這時候就需要銀行的業務專家將數據進行精簡提煉，再用AI訓練模型，最后還需要專家修正模型，才能做出好的AI應用。”

呂俊寬表示，AI應用已經對整個金融機構的結構、人員帶來完全、根本的改變。如何把原有的IT人員和業務人員轉化成在AI時代可用的人才，這已經變成對金融行業人力資源管理的一大挑戰。

AI落地還得“因地制宜”

對于AI技術如何在企業規模化落地，呂俊寬根據銀行規模的大小給出了針對性的建議：

對于規模較小的銀行，其業務場景雖然并不復雜，但是可能沒有足夠的資金對AI進行投資，所以可能主要以業務為導向，同時要與大銀行已有的服務相匹配。

對于中型銀行，其業務場景就比較復雜。但相對于頭部銀行而言規模比較小，因此更加靈活，好的AI應用就能幫助它提升一個層次。

對于頭部銀行，優點在于能夠保證投入AI的資金充足。但頭部銀行競爭壓力較大，其主要面臨的是文化問題，而不是資金、資源的問題。“所以頭部銀行要做的就是從項目到產品上的文化改變和公司治理。”