在发展迅猛、繁荣兴旺的消费金融领域，许多关键流程仍呈现出根深蒂固的“支离破碎”局面，因其低效、耗时、耗费大量人工而制约了市场增长。例如，抵押贷款申请者通常需要花费数周甚至数月的时间，才能完成从提交所需法律文件到签署最终合同的整个审批周期。
不过，人工智能（AI）的最新发展有望令上述流程，尤其是需要处理大量消费者数据的金融决策流程提速。
一般而言，人工智能可以确定、定位和分析数据集，以简化复杂的金融决策，并为客户提供快速而简单的答案。这一计算机智能要素蕴含巨大潜力，有望成为推动消费金融实现真正转型和迈向增长前沿的催化剂。
产业变化助推AI崛起
的确，在当今这个愈发讲究结果即时化的世界中，冗长的申请表格和长达一周的等待时间不应该再成为业务常态。但对一些金融机构而言，很难摆脱传统的银行业务流程，部分原因可归咎于复杂的监管要求和现代化资源匮乏。这为客户体验过程带来了巨大摩擦，从长远来看，可能会影响收入流，因为消费者会转而选择操作更加简便的银行平台。
不过，行业内的显著变化——如数据量增长和更廉价的计算资源，在过去十年内促成了消费金融领域非常积极的变化，尤其是AI采用率的上升。跟进新客户需求的迫切性进一步加快了变革的步伐，为AI应用的蓬勃发展创造了肥沃的土壤。
此外，还需把这些因素纳入到大背景下，即全球17亿无银行账户的人口中，近一半来自亚太地区的八个国家。然而，电信、电子商务和电子钱包的发展共同创建了与这一群体相关的重要数据。与此同时，摩尔定律在过去十年间使数据存储和数据计算的成本呈指数级下降。借助AI工具为行业注入更多洞见的时机已经成熟。
银行业技术的这种转变可能会带来深远后果。除了前端业务操作之外，AI还可以应用于后端IT架构，以增强处理复杂任务的能力，如交易发起、信用审查或风险评估。
AI的实际应用
如今，金融机构可以基于所采用的数据模型、算法和方法论，通过多种方式从计算机中获取具备可操作性的深刻洞见。
监督式学习是如今最常见的机器学习方式，通过这一方式，可教导计算机提供人工制定决策所需的信息和建议。数据科学家可以通过不断向机器“输入”新定义的数据集来持续改良这些模型，这与人类大脑建立学习的良性循环颇为相似。
监督式机器学习在帮助金融机构创造有吸引力的银行体验方面起到了关键作用。回到抵押贷款申请的例子，一旦提交了申请，机器将快速定位并检查申请人的财务历史，以便对其信用表现做出有根据的预测而无需人工介入。
检测金融欺诈是机器学习的另一种实际应用。与旧有欺诈检测模型相比，AI模型更擅长于使用更丰富的变量集来区分良好信用和不良信用。AI模型还能够持续观察这些变量，并发现可能表明异常的变化关系。
虽然上述场景在理论上表现出色，但AI在迈向消费信贷决策的大规模应用过程中，仍有一些问题亟待解决。
可解释性——更好诠释决策
我们现今看到的消费信贷模式是一个相当透明的体系，几十年来消费者都是在这个体系中接受规范的。普通消费者通常对影响他们信用状况的行为有所了解，也知道他们有权要求获得银行系统掌握的个人信息。
但随着机器越来越多地参与决策制定，许多人担心，信贷决策将缺乏理解力和清晰度。幸运的是，伴随着AI应用在金融领域的兴起，提高AI的“可解释性”和消除机器学习所致偏差的各种方法近年来也在蓬勃发展。
数据科学家通过设置流程来消除机器决策中可能引入或固化偏差的某些变量，加强了对AI数据源的控制。借助正确的算法，AI赋能的信用系统甚至可以显著减少对于数据的人工主观解释，使决策制定变得快速、中立且准确。从消费者的角度来看，在金融领域应用人工智能确实大有裨益。
随着传统银行模式向新模式转变，传统流程将很快成为历史。数字银行范式已为提供个性化的交互、快速的服务和相关产品做好准备——这些全部都是下一代个人银行的标志。AI将成为促成这一转变的关键催化剂，它将为不断自我完善并重塑未来客户银行体验的智能生态系统赋能。
Mohan Jayaraman
益博睿亚太区创新与战略发展总裁