人工智能改变银行业的方式和挑战

多年以来，各大银行一直站在利用技术帮助企业前台和后台业务的最前沿。因此，各大银行会以各种方式利用人工智能技术提供帮助也就不足为奇了。在全球范围内的许多大型银行，特别是那些行业领导者们都在利用人工智能技术保持竞争优势，为客户提供更好的、相关性更强的服务和产品，并帮助改变很多后台流程。

在最近的AI Today播客中，来自USAA(一家服务于军事机构的大型美国银行)的Casey Royer分享了他对银行如何采用人工智能技术的看法，并介绍了他们是如何利用人工智能技术丰富USAA银行产品，提高他们的运营效率和效益，并为该银行不断增长的客户群提供更大价值。

使用人工智能进行欺诈检测

USAA成立于1922年，该银行位于德克萨斯州，是一家多元化的金融服务企业，并且是财富500强之一。该银行的业务主要是为在美国军队中服役或者曾经服役的军人及其家庭提供银行业务、投资和保险服务，客户数量超过1240万。总体来说，该银行客户群的地理分布极为广泛，并且对在线和移动产品存在比较多的需求，因此，USAA一直以来都对先进的技术进行了广泛投资，并经常站在新兴技术的最前沿。确切地说，USAA是第一家为客户提供移动存款服务的银行。

正由于USAA拥有着庞大且分散的客户群体，这就要求他必须不断创新，以便为客户提供最好的服务。他们采取的方法之一是使用人工智能技术为客户改善产品和服务。USAA的独特之处在于没有实体网点。这意味着，他需要更强大的数字化系统，用以处理各种不同的业务，并且为每一位客户提供积极的体验。该银行认为，人工智能是非常重要的技术方向，能够帮助其为客户提供更多超个性化产品，实现自动化监控，并且改善各种后台操作。

毫不奇怪，USAA在人工智能技术上的第一大投资就是欺诈监控和欺诈预防。对于银行而言，这是一个很大的目标，因为在通过数字媒介使用大部分银行业务的时候，这是很主要的安全问题之一，对于USAA提供的各种各样的产品和服务而言更是如此。目前，他们正在使用人工智能技术来了解和分析客户如何使用应用程序，在哪里使用应用程序以及在同应用程序进行交互时表现出了哪些典型的行为，以此分析用户的模式，并检测出任何潜在的异常和可能发生的欺诈行为。

Casey表示，通过这些欺诈预防的方法，使得银行能够实时监控欺诈行为，仅通过这些强化的欺诈预防方法，每年就可以为客户平均节省约1亿美元。这种额外的保护是他们为客户提供优质服务的另一种方式。这可能是该银行最迫切也最有影响力的人工智能应用，与此同时，USAA还在努力寻找利用人工智能技术改善客户体验的其他方式。

投资自然语言处理(NLP)技术

目前，他们正在努力改善客户和银行业务体验的另一种方式就是通过智能方式改善在线对话。这意味着要考虑识别中的语言模式，并且努力开发对话式人工智能模型，该模型可以同客户互动，并且帮助他们实现自己的财务目标。USAA非常专注于为客户提供可操作的对话模型。

很多大型银行——例如美国银行、Capital One等银行目前都使用了人工智能聊天机器人，以帮助其客户完成各种任务。聊天机器人能够7*24全天候地与客户互动，从而打破了传统银行营业时间的局限。当客户遍及世界各地时，这一点就变得非常重要。客户越来越喜欢和聊天机器人进行各种事务性的对话，这让银行的下一步投资变得合乎逻辑。

与此同时，这也让他们能够进一步思考如何为每位客户提供定制和个性化在线体验。人工智能的超级人性化模式让你能够将每个人视为一个人，而不是作为某个群组或者广泛类别中的一员。其中的应用场景包括个性化内容、个性化建议或指导、行为分析、推荐系统以及为了个人利益将信息和数据结合在一起的其他方式。人工智能现在开始允许银行根据客户的居住地提供更多个性化的保险产品，了解他们是否会很快回来，并且提供各种服务来帮助他们调整家庭或其他个人服务。没有人工智能的话，这一点是无法大规模实现的。在真正实现超级人性化之前，该行还有很长的路要走，而内部关于如何选择优秀前进之路的讨论也一直在继续。

变革性技术的挑战

实施变革性的技术并不总是一片坦途，人工智能技术也是如此。你需要确保拥有合适的团队和内部专业知识，并且要有数据的使用权、可用的数据、资金以及资源对项目进行投资，并且还需要相关方在技术部署之后愿意采用它。Casey谈到了在USAA实施人工智能技术和数字化产品的过程中遇到的一些困难和挑战。其中，最大的挑战之一是数据的使用权。

USAA拥有大量的数据，这不足为奇，但最大的问题是如何实时访问这些数据，以了解发生了什么。另外，这也为训练数据带来了挑战。数据本身是存在的，但是很难访问，如果项目团队没有准确的信息，那么更新和改进人工智能模型就将变得非常困难。

实际上，除了USAA之外，很多企业都面临着类似的问题，而最近的层出不穷的数据泄露事件更是雪上加霜，让这种挑战变得更加严峻。USAA了解到，如果他们拥有一个集中的机器学习区域，并针对多个特定任务或数据集有针对性的设置的话，就会更加成功。

另一个重要的挑战是人工智能技术的实际实施。最大的挑战之一是内部的接受度和投资回报率。人们害怕被人工智能取代并丢掉自己的工作。为了让向人工智能技术采用的过渡更加顺畅，从增强智能开始的方式可能会更加有效。