저자 : 조우 준, 개미 골드 드레스 그룹의 인공 지능의 이사 개미 역 학습 기계 연구 개발에 대한 현재 담당하고 있습니다. Xlib를 (알리 기계 학습 라이브러리), 플라잉 (알리 분산 운영 체제)의 ODP (알리 데이터 처리 플랫폼), 대규모 기계 (매개 변수 서버) 플랫폼을 학습하고 PAI (알리 기계 학습 플랫폼) 및 기타 주요 유통에 참여하고있다 시스템 및 알고리즘 플랫폼의 개발. VLDB에서, WWW, SIGIR, AAAI, IJCAI, KDD와 인공 지능, 인공 지능, 특허 및 특허 출원에 관한 논문 수십 개의 다른 최상위 회의에 게시 (100), 절강 과학 기술 진보 상 1보다 더 제기했다.
AI 전면 검토 : 현재의 금융 기술은 엄청난 상상력이있는 특히 AI, AI 매우 화제, + 금융 기술이지만, 기존의 추천 검색 광고 장면 금융 장면과 큰 차이가 있습니다. 몇 년 동안 금융 부문의 탐사 AI + 후 개미 골드 드레스, 경험 많은 강수량, AI 그룹 이사 조우 준 개미 골드 드레스 년 11 월 22 일, 2019 년 학습 기술 회의 개최 인공 지능과 기계 AICON의 세계에서, 어떻게 금융 장면에서 AI 값과 재생? 어떻게 더 나은 AI의 각 사업 등 상세한 점유율을 올리는 등의 문제에 대한 결과를 달성 할 수 있도록, 금융 장면을 기술 지원 확인합니다.
내 말은 세 가지 주요 문제로 나누어 져 있습니다 : 첫째, 금융 서비스 도전에 직면, 둘째, AI 재정 능력, 셋째, AI의 금융 응용 프로그램이 하나 다음 하나에 대한의 이야기를하자 :
금융 서비스가 직면 한 도전
우선, 금융 서비스 도전에 직면했다. 기존의 검색 광고에 대한 금융 서비스 및 의존 장면의 수에 큰 차이가, 기존의 전기 공급이 특히 매우 다르다 권장합니다. 금융 회사의 많은 일을하는 것은 자신을 지불하여, 데이터 및 사용자를 많이 축적됩니다 지불 자체를 커버하기 시작 많은 사용자를 제공 한 후, 우리는 종종 보물의 지불에 볼 수있는 보험, 마이크로 크레딧, 재산 등을 확장합니다 일부 장면은 돈 "게이트 키퍼"위험 관리 기술 도출 될 것이다. 기존의 전기 공급이 전형적인 금융 서비스 장면 기능 동일하지 않습니다 "주요 방문하는 방법"을 참조하십시오. 예를 들어, 사람들이 종종 지불에 사용, 반드시 금융 장면은 종종 보험에 사용되지만, 어떤 시점에서 높은, 일년 자동차 보험 및 개인 보험이 좋은 미래를 살 수 있도록 보험은 더 이상 자주 사용하지 않습니다 주파수를 사용하지 않습니다 서비스에 대한 보험 대출도 사용자는 수십 번에서 빌려 돈을 덜 년, 또는 수백 번, 이것은 사실이 아니다. 시스템와 사용자의 상호 작용은 우리가 몇 가지 문제를 볼 수있는 이러한 데이터로부터 다양한 정보를 축적하고있다 :
첫째, 그것은 더 시간에 민감한 될 것이다 . 예를 들어, 2018 및 2017의 데이터 차이의 두 세트는 더 많은 이벤트를 발생합니까, 차이에 대한 이유는 일부 국가 매크로 수준에서 온다, 여전히 크다. 우리는 그것을 서비스의 지난 2 년을 누르면 다른 한편으로, 비교적 큰 것입니다 사용자 그룹의 차이를 문의하십시오. 한편으로는 그래서 경험과 특정 서비스를 느낌에 비교적 큰 차이가있을 것입니다, 모든 사람의 소득이 증가하고 이해도 더있다.
둘째, 대량의 데이터입니다. 이러한 데이터의 몸 질량은 지급 자체가,이 데이터 볼륨의 양이 매우 큰의 각 지불 매우 큰 경우, 또는 때마다 사용자의 포인트는 지급 이차원 코드를 열고,이 뒤에 데이터 양이 매우 크다. 그러나 지역 전기 공급 업체 지불하고 당신이 보험의 앞에 말하기로, 각 장면의 정제 내부에, 사실, 더 세련된 장면을 잘라 데이터의 양을 넣어 특히 대형하지 않을 경우 동일하지 않습니다 분할 보험 자체 데이터의 양, 그것은 그것은 좋은 바디 조합 모순이며,이는 것만으로는 충분하지 않습니다 많은 중국 인터넷 인구 관점의 얼굴을 참조하는 것만으로는 충분하지 않습니다, 데이터 그래서 충분한 양이 아니다.
셋째, 사업의 다양성. 프런트 엔드 사업은 기존의 전기 공급 업체 인 장면 만 별도의 CTR 예보 아니라, 언급 된, 당신은 관련된 일을 많이 할 수 있습니다. 금융 장면 내부 CTR 추정 풀 새 사용자 및 성장, 마무리 후 가입자 증가를 수행해야 할, 다양성의 비즈니스 될 수 있도록, 금융 현장의 사용자로 이러한 사용자를 변환하는 방법을 고려할 필요가있다 .
넷째, 시스템 리스크. 사실, 가장 큰 위험이 시스템의 위험, 우리는 오늘 뭔가를 할 시스템 리스크 방지 할 수 있어야합니다. 예를 들어, 우리는 최대 자체를 유지 사용자가 800에, 그는 은행이나 금융 기관, 동일한 사용자 A에 800을 빌려하고 금융 대출 가서 다른 인터넷 회사에 갔다 금액 싶지 않아 당신은, 그래서 그 그에게 800 대출을 줄 경우에만 800의 그의 성과 용량, 오늘 거기에 금융 기관이 그에게 800을 주었기 때문에 확실히 불합리한 것 (800)는, 그는 당신에게 달렸다 전체 시장에 큰 위험이다. 전체 시장이 붕괴되면, 아무도 혼자 살 수 없습니다.
마지막으로, 시스템 리스크를 방지하는 방법이다. 이것은 강력한 보안은 확실히 매우 필요하다, 또한 큰 도전에 우리의 얼굴입니다. 모든 관련 재무 데이터 및 전력 공급에 비해 데이터 보안과 개인 정보 보호에 대한 강조는 확실히 모든 노하우가 금융 데이터 자체는 전기 사업자 골드 데이터의 수, 대응에 대한 개인 정보의 민감도보다 높은 우리로, 높을 것이다 도전이 비교적 큰, 그래서 상대적으로 높은 것입니다. 그리고 우리는 이러한 문제를 해결하는 방법을 원하십니까? 다음 AI 개미를 구축 할 수있는 재정 능력에서 살펴 보자.
금융에 대한 AI의 능력
우리는 약간의 인공 지능 알고리즘을 구축하는 컴퓨팅 파워, 많은 정보에 의존 할 필요가있다. 여기에 표시된 소위 금융 알고리즘은 기계 학습 알고리즘에 찬성입니다. 우리가 AutoML해야 할 이유는 다음과 같습니다 자동 기계 학습 알고리즘 (AutoML) 등 많은 등의 목록은 다음인가? 다음에, 그 이유는 첫째로, 우리가 360 또는 개미 골드 드레스, 또는 기타 다른 회사인지, 산란 장면을 많이 가지고, 즉, 나는 많은 복잡한 장면, 그리고 얼굴에 순전히에 넣을 수 있습니다 알고리즘 엔지니어 있다고 생각 최근 몇 년 동안 노동 비용이 빠르게 알고리즘 엔지니어, 어느 대학에서 이러한 경향 더욱 분명 증가했다. 이제 시장이 수행하지 않은 사람의 작품을 발견 할 것이다,이 경우 모집하는 발언하고 실제로는 매우 슬프다. 학교에서 모두가 연산하고있다, 이것은 정상이 아니다. 우리는 또한 자신의 생각에 자신의 혁명은 우리가 알고리즘을 사용하여 일부 시나리오에서 일부 자동화 된 기계 학습 방법은 설명서를 교체하거나 적어도 노동에 더 나은 기준을 제공 할 수있는 이러한 시나리오에서 알고리즘을 수 있도록 할 수 있습니다.
그림 추론 , 최근 몇 년 동안 학자에 또한 주제 더 불. 우리는 기존의 관행 모델의 내부에 샘플을 전송하는 것입니다 전에,이 방법이이 일을 더 모두와 일치되는, 좀 더 할 것입니다 신경 네트워크 내부로 구성 입력을지도 할 수있는 방법이 될 것입니다, 합리적이다 사회적 관계의 강력한 이해. 예를 들어, 당신은 당신의 소득을 예측하려면, 다음의 평균 소득으로 그의 옆 예순일곱 가장 친한 친구를두고, 당신의 소득은 정확성 속도는 기술 도면에 적용 할 수있다 80 %를 도달 할 수있다, 매우 가까이에 기본적으로 매우 중요한 내부 AI.
그런 다음에 대해 이야기하러 개인 정보 보호 , 3 ~ 4 년의 개인 정보의 보호에 우리가 할 수있다 여전히 상대적으로 거의 관심. 국가뿐만 아니라 법률과 규정의 해당 번호 중 작년의 이벤트가 소개 된 후 페이스 북은 나중에, 우리는 점점 더 개인 정보 보호에 대한 우려가 될 수도 있기 때문이다.
또한, 설명 정보 통신 모델은 특히 중요하다. 아무리 회사가 수행 얼마나 많은, 어떤 점에서 정보 사일로의 많은 아직 없습니다. 예를 들어, 우리는 전기 공급자 및 전통적인 금융 기관 등의 데이터를 많이 가지고 있고, 다른 금융 기관에 비해 소득 기금 데이터 등 여러 대형 데이터베이스 및 데이터가 있습니다. 그래서, 우리는 데이터의이 섬을 통해 얻을 수있는 방법 큰 도전이다. 동시에, 우리는, 해석 적 알고리즘을 제공하기 위해 더 나은 함께 인간과 기계를 통합 할 수 있기를 기대하고, 모델 자체의 일부 해석을 수행하는 몇 가지 방법을 사용할 수 있기를 바랍니다.
같은 더 나은 경험이있는 사용자, 우리는 제품의 "금융 뇌"라는 장소로 패키지됩니다 제공하는 자연 언어 처리, 이미지 CV, 생체 인식,지도 기반의 기업 정보 서비스뿐만 아니라 로봇 및 기타 서비스와 같은 다른 내용에 관해서는 스마트 머니, 스마트 리스크 관리 등의 서비스 시나리오의 다양한, 일부 장면은 사내 우리 자신뿐만 아니라 우리의 파트너 서비스를 제공합니다.
금융 AI 바닥 응용 프로그램
다음으로, 나는 특히 개미에 대해 이야기 할 것이다 이러한 AI 기술을 사용하는 방법입니다.
지능형 위험 관리
이 몇 가지 경우가 있습니다 깊은 지능형 리스크 관리를 학습 할 기술을 사용하는 방법에 대해 설명합니다. 전통적인 위험 관리 기술 경험을 바탕으로하거나 할 수있는 기존의 기계 학습을 기반으로, 많은 규칙을 기반으로합니다. 우리는 기계 학습의 정밀도와 정확도를 개선하기 위해 방법을 학습의 깊이, 방해 속도 (보통 사용자를 귀찮게하지) 희생하지 않고, 어떻게 생각된다.
지능형 리스크 관리의 주요 응용 프로그램은 신경 네트워크 (그래프 신경 네트워크) 및 기존의 GE (그래프 임베딩을)지도를 더 넣어 산업입니다. 업계와 학계에서 이러한 데이터가 자연스럽게 그래서 당신이 조직의 서비스 중 일부를 사용하고 서비스에 링크를 설정으로, 발생하는 것을 배울 차트 유형을 사용의 이점, 그것은 합리적에서 서비스를 구축 할 수 있습니다 큰지도. 앞으로이 그림으로, 우리는 자연스럽게, 깊이 맵은 학습 위의 그림에서 실시 기계 학습 방법이 없다고 생각해야합니다. 우리 스스로는 적절한 프레임 워크를 설정하는 위의이지도 데이터에 있습니다. 이후 모든 AI 알고리즘은이 프로젝트를 함께 할 수 결합했다. 우리는 이러한 프레임 워크를 가지고, 자신이하고 프레임 워크는 풍부한 연산자를 제공 할 수 있도록, 알고리즘 엔지니어는이 프레임 워크를 기반으로 잘 Dachu 알고리즘의 다양한 만들기 위해, 상대적으로 유연하다. 기술을 학습 이러한 그래프는 효과적으로 등, 잠재적으로 사기를 방지하기 위해 금융과 관련된 위험의 숫자에 적용 할 수 있지만,이 기술은 또한 신용을 높이기 위해 좋을 수있다.
그림 특성화 연구는 앞서 언급 한 AI 방법과 큰 차이 없습니다. 모든 AI 방법을, 마지막 희망, 벡터와 모델이 실제로 이상의 프로세스 이미지와 텍스트로, CNN 전통 RNN을 배울되는 벡터의 특성을 할 수 있습니다, 지금은 적어도 더 잘 처리 할 수 없습니다 수 있습니다 복잡한 이기종지도의 종류. 우리는, 상기 노드를 같은지도 데이터를 구축하고자하고 가장자리 그래서 자신은 벡터의 특성을 사용할 수 있습니다. 즉, 해당 기능에 의해 수행 할 상응하는 동작 등의 사료의 네트워크 구조의 깊이. 각 노드에 임베딩있을 수도 있고, 각면은 이러한 방식으로 임베드 일부 임베딩을 생성되며, 이들 에지가없는 예측 : 최종 결과이다.
인프라 훈련, 어려움의 존재의 더 큰 문제는 여기에지도 저장을 수행하는 방법이다. 업계에서 많은 사람들이 이런 종류가있다 할 수 있습니다 업무와 관련된 여러 조각이 여러 시스템에 존재로 연구에이 질문을, 많은 사람들이 합리적인 그래프 컷을 넣어하는 방법도 가장 간단한. 그림은 문제 자체가 간단하지 않다 잘라.
특히, 지지체가 아닌 속성 모두 네트워크 노드 및 에지가없는 속성 있다는 것을 알고리즘 라이브러리. 천천히 우리는 속성을 가질 수 있으며, 이기종 네트워크를 지원합니다. 나중에, 우리는 또한 지식 맵을 지원합니다. 우리의 알고리즘 라이브러리는 알고리즘의 풍부한 라이브러리에 네트워크의 특성, 학생들에게 서비스를 제공에 대한 지식의 스펙트럼을 커버 그래서, 그들이 가서 알고리즘의 합리적인 사용 할 수 있습니다.
우리는 또한 더 많은 업계에서 널리 인기주의 메커니즘은 여기에있는 자신에게 더 나은 해석 가능성을 제공합니다. 주의 또한, 우리는 또한 적응 폭과 깊이를 수행 할 수 있으려면, 그것은 위의도 경로 더 중요한 경로를 선택할 수 있습니다. 이것의 장점은 우리가 학생들에게 제공 사업이 줄을 넣을 때, 그들은 이성적으로, 비즈니스 만든 행동 뒤에 이유를 분석하고 그 후속 작업에 대한 영감을 제공 할 수있을 것입니다, 이것은 더 나은 얻을 수있다 인간 - 기계 협력. 우리 금융 내부 AI +에 걸쳐 인간 - 기계 협력이 매우 중요한 측면이라고 생각. 완전히 기계의 밖으로 사람들은 매우 어렵고, 지금은 알고리즘의 일부는 그들이 더 나은 상호 작용 완료하기 위해, 그들에게 영감을 제공 할 수 있습니다,이 알고리즘 자체가 홍보입니다, 알고리즘은 좋은 업그레이드를 얻기 위해 장면을 결합 할 수 있습니다.
몇 년 전, Alipay의 많은 라인 마케팅의 지불을했다. 우리는 모든 기업이 부당 같은 상을, 만든 줄 수 없다. 우리는 그 기업에게 더 많은 인센티브의 발행에 참여의 높은 수준을 제공합니다. 그래서 여기에 우리가 마케팅 비용을 절감하기 위해 자신의 돈의 일부에 더 민감보다 적극적인 기업, 누구인지 찾기 위해 같은지도를 사용합니다. 이러한 방법으로, 회사는 지난 6 개월 또는 매우 중요한 실용적인 의미의 하나 인 올해의 시간보다 더 많은 이벤트를 만들기 위해 돈을 동일한 금액을 사용할 수 있습니다. 그것은 또 다른 의미는 우리가 때문에 데이터의 부족으로 오늘날의 비즈니스 신용이 매우 어렵다 할 것입니다이다, 우리는이 사업은 업스트림 및 다운 스트림의 대응하는 숫자가 아닌 방법이 없다고 결정했다. 기업이 강한 것 상환 해당 업스트림 및 다운 스트림, 다음 회사의 상환 능력과 의지가있는 경우 우리는 데이터 관찰을 소유했다. 우리가 어떤 알고리즘을 사용의 가능성에 대해 생각하고 그래서이 회사 사이의 예측이 관계 추론 업스트림 및 다운 스트림의 특성을 잘지도하는 것은 특정 업스트림 및 다운 스트림하지 않습니다. 개인, 개인 식별에 회사가 더 정확 많은 경우, 일이 좀 더 할 것입니다.
한편, 위의 착륙 시나리오에 더하여, 우리는 더 많은 장면을 착륙했습니다. 금 드레스로 5 개 개의 빨간색 개미, 스크래치 뒤에있을 것입니다 매년 실시, 사실, 우리의 목표는 쓰기 - 오프의 속도를 향상하고, 할 수있는 새로운 온라인 상인의 일부를 아래로 당겨하는 것입니다. 더 불 브러쉬 얼굴 보수를 순간 "당신은 당신입니다"생체 인식뿐만 아니라,있다뿐만 아니라 인증 방법의 도움으로 더 잘 할 생체 외의 장소 방법이 없습니다. 사기를 다루는 또한 노드가 검은 경우로, 적절한 조치를 확인하고 그 둘레에 큰 경계의 확률이 검은 색 것으로, 예를 들어, 어떻게 사기 중개인 등을 확인 할 수 있습니다. 자산도 손실을 사용할 수 있습니다 이러한 방법을 효과적으로 감소시킬 수있다.
지능형 마케팅
기계 학습, 메인 이미지의 응용 프로그램의 앞에 말하기와 자연 언어 처리의 조합을 말하고자하는 지능형 마케팅에 추가.
스마트 마케팅 아이디어, 채널 세 사람 사이 카티 제품에 불과하다. 그렇다면 당신은 바로 그것을받을 수 있나요? 사실, 군중은 고정되어 있으므로 어떻게 인공 지능과 창의성 사이의 결합을 고려할 않습니다. 우리는 복사와 이미지 사이의 연결을 확인하는 것입니다 생각합니다. 마케팅 사본의 많은 과거 자신의를 작성하는 마케팅 전문가이며, 우리는 이미지 후 일부 이해 한 후 그 희망, 일부 연결을 할 수 있도록 자신을 복사한다. 우리는 자신의 금융 신체의 많은, 둘째, 우리는이 팬 산업 마케팅 모드를 많이 축적해야하기 때문이다. 한편 지난 몇 년 동안, 우리 스스로가 이런 식으로 지적이고 창조적 인 학습을 생성하기 위해, 일부 광고 용어를 가지고 있고, 그 버트와 유사한 이러한 모델과 함께 강화를 통해 후술 될 수 있습니다. 여기에 두 가지 경우입니다 :
이러한 방법으로, 운영자의 최종 사본이 더 나은 수있는 마케팅을 수행하는 그들을 돕는 창조적 사본을 생성하기 위해, 적절한 인력을 제공합니다.
스마트 보험
내가 말하고자하는 세 번째 부분은 스마트 보험입니다. 지능형 보험 청구 범위에 사용하는 경우, 어떻게 효율성의 주장이보다 정확하고 빠르게 확인합니다. 우리 자신의 보물 같은 주장은 상호 보안 제품을 출시했다. 우리가 찾고있는 효율 주장을 강화하기 위해, 인간과 인공 지능을 결합하는 방법이 있나요. 우리는 OCR 이미지가 추출 그들 중 일부는 일부 정보에 대응하여 식별 할 수 있어야합니다. 당신이 효율성을 개선하는 데 도움이 더 나은 주장 요원 할 수 있습니다, 뒤에 지식 맵을지도에 쿼리를 할 경우 대부분의 정보는 질병에 관한 것이다.
기술 자체는 더 나은 효율 요구를 달성하기 위해 노력하고있다. AI 모델 자체에 대한 진화의 과정에서 축적 된 데이터의 많은 양의 큰 향상이다. 한편 시스템이 자동으로 주장의 타당성 자체가 빠르게 개발할 수 있습니다 보험 사업을 결정할 수, 수동 결정을 할 필요가 없습니다 상호 보험 청구의 경험을 정착 후 플랫폼을 매핑합니다.
스마트 고객 서비스
네 번째 부분은 스마트 고객 서비스입니다. 그들 중 많은 사람들이 더 나은 경험을 가질 수 AI + 금융 서비스의 앞에 싶지. 이것은 또한 영리하고 지능적인 보조 고객 서비스 관련 업무에 업계에게 회사의 많은 작업을 수행하는 이유입니다.
2015에서 우리는 AI 기술의 많은 중간에 목표를 자동으로 차지하는 비율을 높일 수 있습니다, 지능형 비서을 시작했다. 그런데,보다 직접적으로,보다 신속하게 질문에 대답하기 위해, 그리고 더 어려운 문제의 일부, 우리는 여전히 서비스의 수동 부분을해야 할 것을 AI 희망.
올해, 우리는 또한 다른 회사 지능형 고객 서비스 능력을 가질 수 그래서, 주로이 방법으로 손톱을 통해이 서비스를 외부 역량 강화를 호출합니다. 기술이있는 많은 사용 내부 자연 언어 처리 기술의 일부 관련이 있습니다.
지능형 금융
마지막으로, 금융 정보에 대해 이야기. 이것은 CFPA이라고 중국 최대의 농촌 금융 기관, 프랫 & 휘트니의 일에 관한 것입니다. 농촌 중국의 많은 지역에서, 많은 사람들이 금융 서비스를받을 수 없습니다, 우리 자신이 지금 통계, 성인에 수행 한 세계도 50 %, 농촌 중국에이 그림이 더 큰 비율 될 것입니다 금융 서비스를 즐길 수없는 존재한다. 우리는 전통적인 신용 모델 업그레이드 밝혀졌다 함께 같은 금융 기관을 원한다. 그것은 방문에 인공 방법은 신용의 라인을 통해 전통적인 대출 밝혀졌다. 소위 인공 방문, 대출 임원의 수는해야이 사람이, 자신의 위험 부담 비율이 얼마나 많은 신용 결정하기 위해, 자신의 경험과 이해를 바탕으로, 대출 질문을하는 것입니다있다. 이 모델의 장점은이 경험이 역할을하는 군중에 이동할 수 종종 경험이다. 그러나 당신이 널리 모집 더 많은 사람들이하지 않는 한, 그렇지 않으면하지 않습니다,이 서비스를 승진 중국어 시골에 가고 싶다면 우선은, 대규모 확장 아니라, 단점이있다. 그러나 미래에 많은 사람들이 또한 위험의 효율성에 대한 몇 가지 문제를 가져올 것이다.
우리는 모델 라인 완전 자동 모드가되기 위해 노력하고, 연습은 함께 결합 지능, 개인 또는 공유 학습의 공유라는 것을 통해 우리의 정보 및 기타 정보를 넣어하는 것입니다. 데이터 프라이버시의 보호의 경우, 데이터가 AI 모델을 구축하기 위해 함께 같은 방식으로, 눈에 보이지 않는 달성하는 데 사용할 수 있습니다, 다음 라인에 배치 된 CFPA이 모델의 결과는,하자 CFPA 이 방식에 따라 농촌 신용 한도를 업그레이드 갈 수 있습니다. 이러한 방법으로, 중국의 많은 농촌 지역에 일부 포함 된 금융 서비스를 거쳐야하기 때문에 그 자체가 의미의 강력한 데모를 가지고있는 동안이 모델은 물론, 국내에서 많은 기관으로 확장 될 수 있지만 즐길하지 않습니다 그들은 더 나은 수 있으며, 더 합리적이 서비스를 통해 금융 서비스를 즐길 수있다.
개요
전반적으로, AI 및 금융은 상호 보완 적이다. 우리는 많은 경우 전에 이야기로, AI는 그래프 신경망 또는 다른 깊이 학습하여 위험 관리 능력을 향상시킬 수 있습니다. 예를 들어, 위의 달러를 마케팅뿐만 아니라 검은 색과 회색에 대한 생산의 정도 저장이 회사의 신용 한도를 개선 상단에 더 효과적이다. 이것은 효율성과 경험,보다 빠르고 정확한 서비스를 사용자에게 제공 할 수의 측면에서 더 나은 금융 장면과 결합 될 수있다.
AI는 금융 장면이 몇 가지 주요 장면 전통적인 전기 공급 업체와는 달리, 더 제공하지만, 사실의 내부는, 모든 장면이 다릅니다. 또 다른 예를 들어, 당신의 백성의 지불의 사기는 반드시 경우 신용 사기를하지 않습니다. 이 레이블 정의 데이터가 동일하지 않습니다 정의, 동일하지 않습니다하는 문제를 포함, 케이스가 내부의 작은 장면을 잘라 할당 된 데이터의 큰 금액을, 보이는, 데이터의 양이 그렇게 완벽하지 않습니다 심지어 많은 장소에서, 우리는 필요가있는 데이터 사기의 많은 우리의 시스템의 범위 내에 있지 않기 때문에, 예를 들어, AI는, 사실 우리는이 점 레이블에없는, 우리가 지금 전투 사기로하고있는 접근 레이블하지 않은 사회 전체의 산업은 싸울.
그래서 해결 방법이 문제는 AI 자체에 대한 주요 테스트이지만, 또한 기회를 가져올 것이다. 네트워크가 동적으로 고려하는 경우, 예를 들어, 그것은 더 복잡 할 것이며, 네트워크 앞 말하기. 어떻게 동적 네트워크 모델을 구축? 그 자체로이 할 수있는 매우 어려운 일이다. 때문에 큰되면, 심지어 간단한 쿼리를 할 데이터의 크기와 양, 난이도 자체는 매우 크다.
표본의 크기 경우, 백 번 열 배 이상 켜져 양, 회귀 분석, 로지스틱 회귀 선형도 간단하지만 매우 어려운 일을하고 있습니다. 이것은 또 다른 문제를 포함 할 것이다 뒤에이이 엄청난 문제를 오늘에 대처하는 방법, 그리고 다음 기계의 무리에 적용 할 수있다, 더미 기계는 그 기계는 더 낮은 비용 만드는 방법 비용을 가지고 기계 가동률이 일어나도록 알고리즘 문제의 문제는 확실히 하나의 지점이 아닌 단일 지점 아니며, 그것은 운영 문제의 단일 지점이 아니라 전신적인 문제.
이 대립 문제를 해결합니다. 사실, 당신이 사용하는 각 지불, 모든 비즈니스에 대한 오늘날, 사람과 시스템 뒤에 있습니다. 현재 가능한 서비스의 성장 양, 시스템까지 그 캔 해안, 어떤 사람들은 어떤 사람들은 대립 정상적인 서비스, 사람들을 즐길 수 및 시스템이에 있는지, 내부에 양모 당겨하려면 오늘합니다. 두 가지 고려해야 할 문제는 인간 - 기계 협업입니다 있습니다.
우리의 관점에서 시간의 짧은 기간에 적어도 금융 장면있는이 사람들을 걸러 어렵다. 이제 우리가 원하는 많은 것들을 본 경우에 인간과 기계를 결합 더 잘 할 수있다, 인공 지능의 접근 방식은 비즈니스 전략에서 일부 영감, 아이디어, 도움말 운영 직원에 대한 일부 설명, 인력을 제공 할 수 있습니다 좋은의 설립 이후이 긍정적 인 피드백이 더 잘 할 수는 AI 접지에 기여하면서 각 사용자에게 더 나은 모델을 추출합니다.
물론, 금융 부문에 직면 인공 지능의 응용 프로그램의 공정성을 해결하는 방법, 현재의 개인 정보 보호는 큰 도전이다. 그것은 이러한 기회와 도전을했다, 중국 최근 몇 년 동안이 점점 더 많은 실무자가 직면 한 문제를 극복하기 위해 갈 의향, 금융 스마트 분야에 대해 배울하고자합니다. 보기의 전 세계 산업 지점의 금융 산업은,이 그림은 적어도 최고 수준이며, 지금 우리의 지능 금융 부문은 여전히 세계의 선두에서 걷고, 어떤 샘플 캔 모방, 금융 + AI 혁신을 수행하는 방법에 대한 다음 사업이,이없는 큰 도전과 기회.
