1、金融机构智能化转型在即

2018年将是金融机构全面智能化转型的一年，无论是商业银行、证券基金公司、交易所、保险机构，还是持牌消费金融公司、互联网小贷、监管机构等，都面临着从企业架构、组织架构到业务流程架构的智能化改造。首先是提升、优化客户服务能力的需要，通过快捷、智能化的服务体验提供同业差异化、专业化的产品和服务能力;其次是市场竞争的压力和需要，在风险管理、客户体验、用户运营成本等多角度向互联网金融、金融科技公司取经，从传统规模优势走向智能驱动、集约发展;最后是优化内部运营管理结构，降低成本、提升效率，形成精益化运营优势。可以说，无论是大型机构的平台战略与中小型金融机构的专业垂直战略，都离不开智能化转型。

2、人工智能全面应用于金融服务

人工智能将成为金融机构的一种核心能力。人工智能思维模式和研究范式，包括不限于数据驱动决策、算法建模、数据科学与工程、以数据为中心、数字化协同，将逐渐下沉，渗透到从企业到业务条线再到个人，而不是停留在过去科技部门主导的应用系统建设层面。各业务条线将会主动推动数据驱动、智能决策的理念，结合数据运营、产品运营和用户运营，不仅仅是直面客户的零售和经纪类业务，还包括过去AI触及较少的中后台业务，如风控、合规、稽核审计、财务、战略规划和人力资源管理，都将形成决策智能化和流程自动化(RPA)的服务模式。所以，当前较热的智能客服、智能营销、智能投顾、智能运营和风控只是AI的垂直应用，而贯穿于价值链各环节的智能应用将越来越多，机构的“All in AI”即将开始。

3、人工智能服务私有云化

AaaS(AI-as-a-Service)已经被一些金融机构和IT供应商所采用。这是适用于现代新金融机构较好的一种技术运用模式。在IaaS层提供AI必须的硬件算力支撑，在PaaS/DaaS层构建AI应用所需的大数据计算和存储引擎，在SaaS层提供算法与建模、知识图谱、自然语言处理、计算机视觉、语音识别、图像和视频识别服务。通过这种自下而上的人工智能私有云服务，串联起金融机构业务和科技协作流程，已经成为大型金融机构在实践企业级人工智能中考虑的重点。无论是建立大数据和人工智能实验室、还是形成专门组织独立于科技和业务，都离不开服务模式创新。AaaS对于BATJ们并不新鲜，但对于多数金融机构来说是值得思考和建设方向。

金融科技ABC架构的顶层以AI服务体现

4、机器学习仍是实践AI的主要技术

人工智能的概念非常广泛，但无论怎样，金融机构实践AI所用到的技术仍是机器学习，即应用算法、模型分析数据，测定、判断、预测业务、产品、用户和市场，从而实现机器自动化、自主化决策的方式。机器学习算法本身的革新仍在继续，但基础类算法的运用将会越来越普及到IT系统建设中，不具备机器学习功能的纯流程性系统(如传统OA)将逐渐失去竞争力。此外，具备数据处理、机器学习和深度学习算法、建模、特征工程的分布式机器学习平台将成为企业IT建设标配，逐渐抢占传统数据分析工具如SAS、SPSS的市场空间。

机器学习是金融机构实践AI中用到的主要技术

5、深度学习应用规模化

深度学习在金融领域的应用目前仍然很有限。由于不少金融机构自身数据存在着质量不高、数据维度不足的问题，深度学习效果受到了很大制约，以至于目前除了人脸识别、语音识别等为数不多的场景外，仍然缺乏可落地的案例。这与深层神经网络本身的特性有关，作为机器学习的一个子集，深度学习比前馈神经网络有更多的神经元、多隐层的连接方式更复杂、训练所依赖的算力也更高，所以如果规模化应用带来的价值低，企业将很难投入大量资源于其中，多成为实验性质的AI探索(例如RNN运用于量化投资、高频交易的策略选择)。随着深度学习技术的成熟，金融机构逐步提升数据治理与数据运营水平，以及深度学习框架(如TensorFlow、Keras和MXNet等)的工具化、便捷化，应用也将逐渐规模化，如基于图片和文本分析的保险定损、基于非结构化文本的信息提取、营业网点的客户身份识别与产品推荐等。

6、从All in AI到Everyone in AI

过去，数据、算力和算法的运用都需要专门分工协作来完成，这对于金融机构在人才招募上带来了很大的困难，信息技术部门需要关注从业务分析、数据分析、数据科学、数据产品、系统开发、运维的全流程人员。这在绝大多数金融机构中是不现实的，事实上很多机构也是通过人力外包、结合供应商实施来完成AI平台及应用的部署。虽然AI基础技术仍存存在很多难以突破的领域(如具备跨领域推理能力、掌握常识与认知的通用人工智能)，但当下的趋势就是人工智能逐渐走向应用化和工具化，随之带来的是应用门槛的降低，并逐渐出现全栈式(Full Stack)的AI科学家——既具备业务理解能力，又具备算法和建模能力，同样可落地到AI产品中的专业人士。事实上现在机构中的某些岗位由于职能所需已经具备了这种能力，如商业银行的金融分析、风险管理岗、证券基金中的量化投资、金融工程岗、保险公司的精算岗等。随着AI工具化的普及，在2018年金融机构逐渐形成Everyone in AI的能力。

7、实时计算与机器学习的结合

海量、实时计算能力不仅是大数据平台的能力，在对低延迟(秒级、毫秒级)有要求的业务场景(如实时风控、预警、交易反欺诈等)越来越需要机器学习技术的能力。流式计算框架如Storm、Spark Streaming、Smaza、Flink目前逐渐在金融机构内部署，以事件驱动(Event,如Storm)和微批模式(Mini Batch,如Spark Streaming)为代表的流处理技术，能够满足低延时、实时大数据分析的复杂应用场景需求。2018年金融机构将大规模部署实时计算引擎(具备CEP复杂事件处理能力)，结合机器学习技术应用于实时反欺诈、交易风控、行为分析、高频交易等领域。

实时计算与机器学习的整合应用于金融场景

8、从分布式架构到量子计算

硬件算力是制约人工智能的主要因素。当前金融机构部署人工智能平台的主要架构仍是开源分布式框架，如底层基于Hadoop/Spark框架提供大数据计算层，数据存储层多以HBase/MongoDB/Redis/HDFS模式，机器学习框架如TensorFlow、Keras、MXNet提供深度学习支撑，中间服务层包括图计算、自然语言处理。这种架构只考虑用分布式服务器架构实现算法和模型的并行训练，但没有本质提升硬件算力，处理性能仍受限于磁盘I/O、多GPU内核加速，也带来硬件机房维护、硬件成本高昂的问题。随着量子计算的发展，可以解决人工智能系统的小型化和轻量化，真正实现高速处理海量数据。2018年预计量子计算将在金融行业实现探索性应用部署。

9、数据治理仍是人工智能应用基础

对于人工智能在金融领域的应用来说，本质上数据科学的一种运用模式。数据科学离不开数据管理与治理，而数据问题又是制约人工智能的又一大因素。数据质量差、数据维度不全已经成为金融机构的通病。金融机构已经意识到需要有效地管理其日益重要的数据和信息资源，也需要通过数据型组织控制数据和信息资产。由于缺乏数据治理和数据管理的标准体系，在数据架构、数据质量、元数据、数据安全、数据应用管理等方面，无论是商业银行、还是证券基金机构，都将继续夯实其数据基础，从而为AI大规模实践提供支撑。

10、金融与科技业深化AI领域合作

在金融科技与服务中，巨头们逐步意识到扬长避短是一种双赢策略。机构在专业性、客户基础、服务覆盖面上更具优势，缺少的是业务创新和领先技术，而这些是互联网公司的特长。金融和互联网的合作模式并不细心，背后的逻辑是在面对激烈严峻的竞争态势下抱团取暖、提升想象力。2018年将有越来越多的金融机构“站队”，BATJ们将在技术输出、场景合作、服务协同等方面与商业银行、证券公司、保险机构进行合作。对于金融机构来说，形成了互联网合作经营生态圈，强化客户资源共享，拓展消费金融，共同探索智能金融的应用场景;对于互联网机构来说，获取金融专业渠道流量，在传统业务之外提供高附加值科技产品和服务。