作者：AltexSoft Inc
编译：ronghuaiyang
首发：AI公园公众号

导读

给大家介绍一下AI在金融领域的一些用例场景。

在30年前，你需要等好几天才能得到银行的贷款审批。或者花几个星期的时间在保险公司的官僚作风上，只是为了在一场小车祸后得到赔偿。如今，这些操作只需要不到一天的时间，因为文档是在线提交和处理的，很少或根本不需要人工交互。在本文中，我们将介绍一组有望改变在金融世界中做生意的整个理念的技术。

人工智能 —— 它仅仅是一个放在你的登陆页面上的时髦短语，还是一个创新的用例？答案是……都是，当然，我们会讨论在金融行业的几个领域使用人工智能的真实例子。

保险

索赔自动化

一些基于机器学习的技术使保险公司能够自动化索赔过程，减少等待时间，并使代理人员能够做一些不那么例行的工作。识别人的语音可以帮助数字化处理索赔。由于客户服务代表的大部分时间都花在处理电话索赔上，语音识别可以帮助转录和解释信息。另一个未开发的潜力是文本识别。它可以帮助数字化手写笔记和报告，以及实时转录音频信息和电话，可以使用语音api，如谷歌Cloud Speech to Text或IBM Speech to Text。

如何应用，IT服务提供商Cognizant构建了一个解决方案，帮助一家财产和意外保险公司实时转录索赔呼叫，创建呼叫摘要，然后提交给代理进行审查。他们还分析了25000个保存下来的电话，以识别最常见的索赔和活动。

一家保险技术公司Shift Technology提供索赔自动化和欺诈检测解决方案。它的SaaS产品与保险公司的系统集成，并为索赔处理的每个步骤启动自动化流程。它还会为每一项索赔生成欺诈分数，生成详细的欺诈报告，并建议对复杂案件进行调查活动。

个性化

通过为客户创建个性化的保险档案，保险公司可以在吸引新客户和留住老客户方面取得显著效果。基于投保人的历史和个人数据，以及统计数据，算法可以发现人类无法了解的依赖关系，公司可以为每个客户进行个人风险评分。

这种方法在医疗保险中特别流行，而且，个性化与风险和价格有关。那些身体更健康、生活方式更健康、健康风险更小的人可以获得折扣。埃森哲的研究表明，尽管这种方法引起了人们对个人数据隐私问题的关注，但如果能带来更好的服务，80%的消费者已经准备好分享他们的个人信息。

如何应用。Sentiance是一家数据科学公司，为物联网、健康、保险、商业等领域提供数据跟踪和分析解决方案。他们提供了一种移动解决方案，使用智能手机传感器来跟踪、记录、分析和评分司机的行为。基于这些输入，它对驾驶行为进行评分，这样保险公司就可以增加或减少客户的保险费。

来自感知行为智能平台的驾驶评分

健康保险公司BlueCross BlueShield拥有BCBS Axis系统，该系统可以帮助企业定制政策，以适应其员工群体，应用有关健康问题的数据。该系统分析了来自美国96%的医疗机构和专业人员的23亿医疗程序数据，以帮助他们的客户做出明智的决定。

银行

欺诈检测

欺诈仍然是对客户和银行的财务安全最敏感的问题之一：使用新账户的信用卡欺诈是身份盗窃网络犯罪中排名第一的。我们已经提到人工智能算法如何识别欺诈性的保险索赔，但这个问题在信用卡操作中更为普遍。随着支付变得更加无感，银行不能依赖常规的基于规则的欺诈检测，进入了基于机器学习的欺诈检测系统的阶段。

在银行中，ML系统通常通过比较纸质文档和系统数据或使用交易历史来验证一个人来评估数据的可信度。它们还会注意到相同事务的副本，从而区分错误点击和实际欺诈。最常见的情况是检测不寻常的购买并自动向客户发送验证请求。

如何应用。万事达使用Vocalink解决方案在每个交易生命周期的开始评估所有新客户交易，在早期防止欺诈。他们的防欺诈解决方案是对交易进行监控，并将需要进一步考虑的可疑流程通知金融机构。除了防止欺诈，它还提供分析报告和反洗钱。

Kount是一个数字防欺诈解决方案，为支付和新账户提供防欺诈服务，以及账户保护。该系统采用了数据网络和先进的机器学习技术。它还通过提供每个登录的详细数据来支持无感支付，这些数据稍后用于检测异常和纠正客户体验。

信用评分

如果手动完成，信用评分需要很多时间，因为很多不同的数据处理：个人信息、收入、付款历史，甚至从另一个银行信用记录,可以通过各种金融api 。此外，传统的信用评分通常要求将人划分为几个明显可区分的群体，因此往往是黑白分明的，灰色区域不多。

大多数基于mlb的信用评分解决方案使用预测算法来判断客户是否会还款。此外，他们可能会使用不同的机器学习方法，包括自然语言处理来分析社交媒体数据。拥有基于人工智能的信用评分的银行可以获得大量的客户数据，从而为那些本来无法获得信用的人提供信贷。

如何应用。Lenddo是一家使用预测算法并提供在线和移动服务集成的信用评分提供商。即使申请的人没有信用记录，这个解决方案也可以为他们提供一个分数，通过分析他们的数字轨迹(比如社交媒体活动、地理位置和搜索引擎活动)。

GiniMachine是一家为金融机构提供服务的信用评分平台。他们为个人和企业提供数据分析。GiniMachine使用自己的信用评分模型，基于已发放、已偿还和逾期贷款的历史数据。该平台使用深度学习神经网络分析数据，然后创建一份适合计算分数的报告。

投资和交易

金融咨询

金融行业面临着各种风险，尤其是在投资方面。人工智能技术可以利用数据分析、深度学习和机器学习算法，帮助做出明智的投资决策，并预测可能的风险。其中一些作为应用数据分析或其他解决方案的分析平台存在。

机器人顾问是新兴趋势之一。他们像普通的财务顾问一样工作。通常，他们的目标投资者是那些资源有限、希望管理他们的基金的人，比如中小型企业或个人。基于人工智能的机器人顾问为用户创建金融投资组合，并应用历史数据处理，包括在某些情况下的风险评估算法。这些解决方案包括以下部分:

KOSHO robo-advisor界面

如何应用。机器人顾问有不同的形式。例如，韩国应用程序KOSHO就是一个针对个人的解决方案。它利用深度学习和金融市场的历史数据，分析了三个关键的市场因素(波动率指数、PMI和通胀)。

情感分析

你可以通过整天滚动新闻和出版物来跟踪当前的市场趋势，也可以雇人来帮你做，或者使用情感分析。这种方法通过句子来分析文本，区分肯定的、否定的和中性的意思。在贸易方面，情感分析工具分析市场情绪以及提到的在投资者的投资组合里的公司是否出现在新闻或社会媒体中。

如何应用。情感分析有助于预测交易者和投资者的趋势，有专门针对这个市场的解决方案。其中一个例子是Catana Capital，这是一个处理新闻文章、tweets和博客的预测交易工具。

用户体验

机器人

聊天机器人的主要目标是改善用户体验，不管它们应用于哪个行业。另一个目标是通过与客户沟通和回答他们的问题来减少员工的工作量。在金融业，聊天机器人大多被用作银行和保险公司前台的一个组成部分。

Cognizant定义了一个有效的聊天机器人，它将三个因素结合在一起：沟通(分析语言)，理解(语境、情绪和位置分析)，协作(效用和整合)。聊天机器人的功能分为三类:

基本聊天机器人 — 没有自然语言处理能力的聊天机器人，工作在基于规则的算法和回答基本问题，如FAQ服务。
中级聊天机器人 — 开发能力跨越所有三个因素。
高级聊天机器人 — 提供最接近真实人类对话的体验。

他们可以在网站和银行手机应用中找到，回答客户有关服务的问题。但它们的功能可以更广泛。例如，他们可以处理客户的回复以个性化服务或处理索赔。

如何应用。保险公司Lemonade使用聊天机器人为客户提供个性化服务。它针对客户询问的各种问题，提供量身定制的保险政策，并简化在线索赔处理。

，另一个保险公司，有一个app内置聊天机器人，允许用户提问和管理他们的观点。银行还将聊天机器人作为其app的一部分，帮助客户解决问题或向客户发送通知和报告。USAA有一个web聊天机器人和app内聊天机器人，帮助客户完成各种任务，如报告被盗或丢失的卡片，更改PIN，增加通知。最近，他们通过亚马逊Alexa推出了一款声控聊天机器人。

图像识别

图像识别可以用于增强客户体验或安全性。前者的一个例子是支付应用中的信用卡扫描功能或银行的ID扫描。在移动银行应用程序中，安全应用程序需要ID或生物识别身份验证。

有时，你不需要身份证，甚至不需要信用卡：你可以用你的脸和相机来支付。在中国，面部识别技术被应用于商店的销售点系统。使用微信Pay或支付宝等服务的用户，可以在应用程序中启用面部识别，并使用连接的设备进行支付。温州已经有了一条购物街，你只需将脸对着支付宝设备的摄像头就可以支付。

如何应用。Lenddo是上面提到的一个信用评分解决方案，它有一个用于移动应用的身份验证功能。它包括两种类型的验证：针对Android设备的文档和面部捕获。

自2017年起，华侨银行在其移动app中提供了苹果iPhone X的用户登录。Card Scan也有类似的解决方案。这是一项可以与安卓和iOS设备集成的刷卡服务。这款应用具有借记卡和信用卡的实时处理功能，并配有一个软件开发工具包，甚至可以识别和防止被盗卡的使用。

支付宝在肯德基推出了Smile to Pay技术。它通过移动应用程序识别顾客的脸，自动对他们收费。2018年，支付宝升级了这一技术，引入了带有更先进面部识别系统的POS设备，可以通过照片和视频识别欺诈行为。

金融中的AI：下一步是什么？

全球范围内，企业在人工智能方面的支出正在增长，目前的研究预测，这种增长还会更大。银行业是实施人工智能解决方案的第二大行业。计划到2022年投资56亿美元。虽然企业将主要关注收入增长，但金融业实施人工智能的关键领域将是安全、决策和客户体验。然而，由于在过程中出现的挑战，金融机构对这些技术的采用相当缓慢。其中包括数据保护法规、数据质量等方面的不明确结果，以及无法控制由此带来的所有风险。根据2018年德勤的报告”AI和风险管理:创新与信心“，只有32%的受访公司正在积极实施人工智能，而40%仍在学习如何把它应用在商业领域，11%还没有开始实施。

—END—

英文原文：https://medium.com/datadriveninvestor/ai-and-machine-learning-in-finance-use-cases-in-banking-insurance-investment-and-cx-42666968ca21

推荐阅读