人工智能产业生态：应用层（服务机器人、智能家居、金融、安防、智能驾驶）、技术层（自然语言处理、计算机视觉、语音处理、图谱/os/平台）和基础层（AI芯片、传感器）。
人工智能市场规模增速、“AI+金融”机遇与挑战并存（金融行业信息业建设起步较早，极其重视IT标准化规范化；金融业务有了大量数据积累，数据处理上急需自动化、智能化解放人力；金融普惠化、场景化需要人工智能驱动。技术的界限难以界定，市场也有较强不确定性，AI方面揉入面临较多不确定因素）。
人工智能技术条件：1、运算速度足够快；2、数据足够丰富；3、算法突破性进展。
目前，传统金融机构运用人工智能进行科技项目实施所面临的现实问题：
（1）、人才储备落后：AI抢人大战，高薪、互联网企业流向。
（2）、合作外包困境：大中型传统软件商AI能力疲倦；初创型公司有活力、但合作风险高；互联网巨头2B经验不足，甲方思维。
（3）、技术与场景的结合能力堪忧：由于不了解技术，场景想象空间有限。
常规的金融信息化三步走：电子化、在线化、智能化。电子化借助在线化向智能化实现跨越式发展。
流程岗、操作岗、审批岗等环节被机器自动化技术替换或简化。未来打造“哑铃”状。面向客户专属服务、人与人情感的维系；强大的产品、数据、风控、研发等团队。
哑铃状中间这一层，过去很多在于流程和操作，其中的问题包括审批流程太慢，这都要靠技术来解决，另一方面，这也代表业界必须回头探究金融科技的本质为何？定位于智慧型中台的建设，运用包括OCR识别、图像识别、自然语言理解、智能语音、人脸识别等大量机器自动化技术，对中台的审批、流程、操作等人工环节进行简化或替代。
有温度的电子客服》听懂人话的电话客服》APP金融小助手。其中温度的电子客服：优化传统机械式问答、支持开放非业务问题、支持多轮交互会话、语境内主动营销/服务、丰富回复形式：表情、语言。听懂人话的电话客服：语言解析+语义理解，自然语言交互替代按键菜单，快读导航，业务服务集成。计算基础模型：机器学习ML、深度学习DL；语音+文字+生物认证；高频繁琐功能简易化、语境内主动营销、业务服务集成。连接营销、连接功能、连接产品流程。
选址模型框架：建立模型》特征计算》协变量引入》回归分析》假设检验，当然假设检验之后的流程节点为：建立模型，环环相扣。
设计分析模型包括：商业银行选址分析、区域金融潜力分析、城市区域竞争力分析、区域网点布局优化四个方面。
智能验票功能改变人工录入方式（缺点：下载发票清单、拍照上传、人工差错处理、T+N日员工报账）升级为：图像智能识别->云端校验、自动录入->员工即可报账。
文本分类QA问答信息抽取实现中文分词、词性标注、语法分析、语义分析。
行为数据成为价值创造的最大洼地；数据安全是业务发展的新动力；智慧行动是价值创造的核心引擎；数据智能是业务转型的最大变量。
智慧行动： 行动更智能、行动更便利，起关键作用，起桥梁作用，是实现数据智能，包括：行动更实时、行动更大规模（每个客群、每个产品、每个网点、每个渠道）。
客户洞察--分析建模--决策智能化--客群策略--活动发起（审批等流程自动化）--分组对照策略制定--渠道接触策略制定（审批渠道发起自动化流程）--流程自动化--活动执行--跟踪评估（优化决策，返回前面节点），这些关键流程都是数据智能起了核心作用，其中包括：客户洞察、深度标签、预测模型、营销个性化、one2one产品推荐、AI驱动个性化服务、优化与学习、效果归因、冠军挑战者。
目标：活动准备时间减少45%、活动评估优化时间减少60%、活动审批时间减少55%、一键式活动覆盖量70%、精准活动吞吐量增加15倍。
规模个性化实时行动逐步成为金融机构价值创造的分水岭。实时决策平台包括算法链、策略选择。模型数量从数十到百万级；模型训练时间从数天到数分钟；模型上线部署从天到随时；从单一模型到算法链。
空间、时间、人本、物体（数据连接、数据增强、数据智能）：线下业务如何重获新生？客户管理如何转型成功？产品创新如何胜人一筹？营销如何快人一步？