这么多机器学习的应用场景，金融领域到底有何不同？

大数据文摘出品

编译：大芏、彭耀辉、茶西、汤圆、夏雅薇

在金融领域，机器学习可能会产生神奇的效果，尽管它本身并没有什么神奇之处(嗯，也许只是一点点)。然而，机器学习项目的成功更多依赖于构建高效的基础结构、收集适当的数据集和应用正确的算法。

机器学习正在对金融服务业产生重大影响。让我们来看看为什么金融公司会关心这项技术，以及使用人工智能和机器学习可以实现什么解决方案和如何应用这项技术。

定义

我们可以将机器学习(ML)看作是数据科学的一个子集，它使用统计模型洞悉内在规律并做出预测。下图解释了人工智能、数据科学和机器学习的关系。为了简单起见，我们在这篇文章中集中讨论机器学习。

机器学习的神奇之处在于，它们无需明确地编程就能从经验中学习。简单地说就是，选择模型并向它们提供数据，该模型能自动调整参数，以改善结果。

数据科学家用现有的数据集训练模型，然后将训练好的模型应用到现实生活中。

模型在后台运行，并基于以前的训练自动提供结果。数据科学家会尽可能频繁地对模型进行再培训，以保持模型的最优。例如，我们的客户Mercanto 每天都在重新训练模型。

一般来说，提供的数据越多，结果越准确。巧合的是，庞大的数据集在金融服务行业非常普遍。有很多关于交易、客户、账单、转账的pb级数据。这非常适合机器学习。

随着技术的发展和最佳算法的开源，很难想象不使用机器学习金融服务的未来。

大多数金融服务公司还不能从这项技术中获得真正的价值，原因如下:

公司往往对机器学习及自身的价值抱有完全不切实际的期望。

人工智能和机器学习的研发成本很高。

DS/ML工程师的短缺是另一个主要问题。下图显示了对人工智能和机器学习技能需求的爆炸式增长。

在更新数据基础设施方面，金融企业不够灵活。

随后我们会讨论如何克服这些问题。首先，让我们看看为什么金融服务公司不可忽视机器学习。

尽管存在挑战，许多金融公司已经采用了这项技术。如下图所示，金融服务业的高管们非常重视机器学习，他们这么做有很多原因:

自动化降低经营成本。

更高效的生产力和更好的用户体验从而创收。

更好的承若并提升安全性。

有许多开源的机器学习算法和工具非常适合金融数据。此外，老牌金融服务公司拥有大量资金，他们有能力在计算硬件方面加大投入。

由于金融领域大量的历史数据，机器学习可被用于增强金融生态系统的许多方面。

这就是为什么这么多金融公司都在大力投资机器学习研发。对于落后者来说，忽视AI和ML的代价是高昂的。

在金融中机器学习可以用在哪些场景?

让我们来看看未来机器学习在金融领域的一些应用。

1. 过程自动化

过程自动化是机器学习在金融领域最常见的应用之一。该技术可以替代体力劳动，自动化重复任务，提高生产率。

因此，机器学习帮助公司优化成本，改善客户体验，扩大服务规模。以下是过程自动化在金融领域的应用实例:

聊天机器人

客服中心自动化

文书工作自动化

员工培训游戏化等等

以下是银行业务流程自动化的一些例子:

摩根大通(JPMorgan Chase)推出了一个利用自然语言处理(一种机器学习技术)的智能合同(COiN)平台。该方案可处理法律文件并从中提取重要数据。手工审查1.2万份年度商业信贷协议通常需要大约36万工时。然而，使用机器学习可以在几个小时内浏览相同数量的合同。

BNY Mello将过程自动化集成到他们的银行生态系统中。这项创新可每年节省30万美元，并带来了广泛的操作改进。

富国银行(Wells Fargo)通过Facebook Messenger平台使用一个由人工智能驱动的聊天机器人与用户交流，并提供与密码和账户相关的帮助。

Privatbank是一家乌克兰银行，在移动和网络平台上使用聊天机器人助手。聊天机器人加快了一般客户查询的速度，并减少了人工助理的数量。

2. 安全

随着交易、用户和第三方集成数量的增长，金融领域的安全威胁也在不断增加。机器学习算法在检测欺诈方面也很出色。