话不多说，直接上图！[认真看图][认真看图]
【更新】金融科技需要思考的几个问题
- 1. 该项目对于具体业务场景的线下、线上有什么实质性的突破？
- 2. 该项目的盈利模式（即效益）在哪里？
- 3. 该项目的创新点在哪里？
- 4. 该项目对标的公司是什么，有什么优势，差距又在哪里？
- 5. 该项目需要承担的风险如何？
- 6. 该项目未来的发展/合作模式是什么？
【更新】下面以某行研发中心为例，来看银行业的数字化转型（即金融科技）
取得业绩：
- 完成了人脸、语音语义、OCR等感知能力的落地和扩展，为下游提供了人脸识别、语音识别、语义识别、OCR识别等10大类AI能力，对外提供封装接口17个。
- 支撑智能掌银（语音识别、语音导航、刷脸转账、软token激活、二三类户开户场景）、e管家（客户实名认证）、个贷（智能贷款审批）、企业掌银（远程开户）、客户经理在线等近20个应用（30余个场景）投产上线，其中包括江苏、厦门两家分行，累计进行了50余个应用的孵化，积极推进了AI领域的创新和探索。
核心特点：
- 全：全面算法支撑
- 数据库计算：支持MPP SQL、Spark SQL
- 数理统计：支持常用数理统计算法
- 机器学习：支持300余种常用机器学习算法
- 深度学习：支持BP/ANN、CNN、RNN/LSTM等神经网络算法
- 易：一站式建模与运行
- 一体化建模：数据处理、特征加工、特征筛选、模型训练与调优的一体化建模功能
- 一键发布：支持模型评估、投产前验证、模型一键发布
- 一站式模型管理：支持模型场景管理、模型版本管理、模型上线下线等模型管理功能
- AI数字化资产中心：支撑全行模型集中运行，共享特征库数据基础，资源实时调度
- 活：自学习与自动建模
- 自学习平台模型更新
- 实时的模型增量训练、评价和更新，保障对时效性要求高的营销、推荐等模型的实时快速迭代
- 自学习平台自动化建模
- 提供智能化特征工程、模型选择和神经网络结构搜索、模型超参数自动化优化三大功能，打造覆盖模型优化全流程的智能化工具
- 慧：全领域智能感知能力
- 人脸识别
- OCR
- 语音识别
- 自然语言处理
- 语音合成
- 快：统一产品服务
- 内部服务：支持外部应用获取特征库中特征、调用模型、获取数据、请求应用服务等多种形态
- 拉取和推送方式：提供REST、Web Socket、消费订阅、文件、混合等多种接口形式，消费端拉取方式可满足应用的个性化需求
- 服务稳定性：提供负载均衡、高可用、容延容错、限流、鉴权等功能，保障服务安全、稳定运行
- 强：高性能计算引擎
- 混合高性能计算引擎：搭建了包括数百台GPU服务器、上千台PC服务器、上百台虚拟机的混合高性能计算引擎，以行内5000万信用卡客户进行欺诈交易神经网络预测模型训练为例，使用GPU服务器训练，使训练时间从88小时降低到3小时以内。
大数据平台建设整体情况：
- 一心六维：基础、数据、应用、智能、服务、管理
数据中台建设整体情况：
- 数据的规范与共享
- 基础域、管理域、服务域
统一工作台介绍：
- 数据分析挖掘平台目前支撑全行21个业务部门60余个分析项目开展，用户298人，近年来累计执行305000余次计算；2017年完成示范项目20个，2018年上半年支撑18个示范项目。近一年来支撑400余人培训。
- 10+业务分析条线、20+智能应用场景、60+深度挖掘专题
- 信用卡-个人金融-网络金融-信用管理-风险管理-内控合规-财务会计-审计局
智能营销：
- 整体描述
- 覆盖5.6亿个人客户服务，触达2万多网点及线上渠道；
- 2017年，为全行6大业务领域、20多个系统提供画像服务，日均访问量1200万
- 个人客户营销平台据此创建营销活动1700次，覆盖客户5000余万人次
- 2017年起，连续两年实现发卡突破1000万张，总发卡量过亿
- 人生生命周期——客户生命周期
- 初入社会——客户进入期
- 事业发展——新客户激活期
- 成家立业——客户提升期
- 生儿育女——客户衰退期
- 稳定发展——客户流失期
- 夕阳年代——客户赢回期
- 各阶段的模型：深度客户画像、大数据AI智能平台
- 信用卡精准营销模型、行内客户收入预测模型、基金/理财/贵金属精准营销模型、产品匹配模型
- 信用卡客户首刷预测模型（优惠促活模型、事件响应模型）、掌银促活预测模型（优惠促活模型、登录/转账产品推荐模型）
- 普通客户提升模型、潜在贵宾客户提升模型、潜在私行客户提升模型、客户价值提升预测模型
- 客户价值衰退预测模型、客户收入衰退预测模型、客户资产衰退预测模型、客户交易衰退预测模型
- 客户流失预测模型、贵宾客户流失预测模型、私行客户流失预测模型、客户挽留产品推荐模型
- 客户降级关怀模型（普通/贵宾/私行客户降级关怀、中高端客户降级至长尾模型）、客户流失赢回模型（历史高价值/忠诚客户）
智能运营：
- 基于深度学习技术，结合行内后督场景进行票据分类模型自研，准确率达到99.7%，预警效率提升50%，以广东分行为例，200-300人的运营团队，可以节省一半人力，一年节省2千万运营成本。
- 加配钞、资金调度、缺钞预警
智能风控：
- 整合行内外数据，运用前沿AI算法，构建金穗信用分，KS值达到0.55，远超传统评分卡模型，优于同行水平，在网捷贷准入场景中可识别92%的客户，每天服务6万笔网捷贷申请。
- 行内数据：客户信息、资产信息、信用历史、交易信息、产品信息等
- 行外数据：公安数据、法院数据、外部征信、互联网行为、标签数据等
- 多样化数据+模型算法构建授信/定价模型（公积金/社保/房贷/基础定价授信模型）
智能决策：
- 经管管理指标预测：应用LSTM/XGBOOST/ARIMA等模型，实现对经营管理关键指标的预测，个人存款预测模型，未来五天预测的MAPE为0.13%，基准的MAPE为0.29%，模型预测误差水平为基准的二分之一，有力辅助管理层经营决策。
- 贵宾客户流失预测：比业界准确率提升30%，每支多挽留57户，平均每个支行每月多挽留金融资产400多万元，验证了模型有效性。
- 智能决策支持体系：
- 决策可视化：多维度全视角可视化展示
- 监管科技创新：打造统一监管报送体系
- 实时决策：流计算技术、MS级相应
- 精准决策：人工智能+大数据实时智能分析
关于人工智能算法学习思路，欢迎浏览我的另一篇随笔：如果你想开始学习算法，不妨先了解人工智能有哪些方向？
之后博主将持续分享金融科技的学习思路和工作实践：hello world: 我的博客写作思路