阿博茨公司副总裁陈大金在3月29日金科创新社举办的“2019金融创新发展论坛暨首届金融科技管理人年会”上分享了“AI+金融的思考与探索”，本期金科微课堂我们邀请大金老师就会议互动平台中大家的提问一一解答。

AI在金融行业应用的切入点和应用的重点业务方向是什么？对于非头部机构来说是否选择低风险、能有效提升效率的AI运用场景更有机会落地？能否举例说明？

陈大金：

AI在金融或者任何行业的落地，首先要对相应的行业不同的业务板块进行投入产出比的分析。一般情况下，会根据数据成熟度、业务优先级以及AI技术的成熟度进行落地场景的ROI分析和选择。目前AI在视觉、语音转写和智能客服等领域的应用相对成熟，在通过人脸识别进行客户身份认证、语音机器人等领域拥有较明显的提效作用，也是重点落地的场景。

AI落地的核心是辅助人工的简单重复工作，而不是取代人类的决策，是为简单重复的工作提效，从事目标明确的任务，而不是去做复杂的判断。AI的应用风险主要来自于技术成熟度，因此目前如果让AI代替人工进行决策，具有一定难度，需要承载一定的业务风险。所以，我们需要理解每种技术的边界，这非常重要。利用AI技术做一些数据分析、处理的工作，或者应用于一些数据逻辑规则明确的场景，则没有风险且效果明显。

目前，阿博茨科技把AI技术应用在文本解析或者图表数据的提取等场景，提效非常明显。当前比较流行的RPA机器人流程自动化领域是非常适合机器视觉和NLP落地的场景。如，阿博茨帮助一些券商去做清算结算的流程自动化，效率可提升80%以上。

阿博茨智能系统对银行的适用性如何？是否有成功案例？

陈大金：

阿博茨的AI技术在银行有几个明确的落地场景，首先是AI驱动的BI，AI能够帮助从数据仓库的数据和结构化数据中搜索数据和做出相应的分析图片，以及进行一些大数据的推荐引擎，这是目前做的比较普遍的；其次就是在银行的RPA方面，包括银行的财务机器人、信息录入机器人，这些都是基于机器视觉和NLP等AI技术，这些应用场景也比较明确。比如，阿博茨和几个银行正在做的一个项目，原来需要由客户经理录入的企业三大财务报表，其扫描件通过自动提取后，辅助客户经理高效完成资料录入。

对于金融行业的数据质量现状，能否满足阿博茨智能系统要求？AI应用对数据治理有何要求和挑战？

陈大金：

金融行业无论是银行，还是券商、基金，数据质量相对其他行业而言，数据量和质量整体都比较高，尤其在投资、风控等领域，基于现有的大量数据 AI技术可以获得明显的提效效果，这也是为什么金融行业是AI落地最多、最成熟的行业之一。

谈到数据治理。首先，数据质量的提升和改进不是一蹴而就的，大部分企业都是边做AI落地，边做数据治理，提升数据质量，补充数据维度，这是一个长期持久的建设过程。

有句话说：没有IA，何谈AI？其中，IA指信息架构。数据治理其实也是老生常谈，包括国外的企业或咨询公司已经做了很多的尝试。早期IBM做数据治理，做了一些流程标准规划，也要求企业各个业务部门按照要求提供准确无误的数据，但是最后往往流于形式，无法执行和落地，主要原因在于，数据是为收集而收集，不知道如何去运用数据产生价值，而数据的采集、清洗、加工的工作量又非常巨大，见效周期长，投入与产出短期内不成正比，从而导致数据治理的推行困难重重。

阿博茨提倡 “以用带建”的理念，即从数据的使用场景或从产品和应用的角度出发，驱动数据建设，逐步完善数据信息架构体系，而不建议一开始就把架构体系做的非常全面和细致。首先要先整合一部分数据，看到一部分数据的使用价值，然后通过这个业务场景驱动另外一部分的数据整合，最终形成一个完整的信息架构和数据图谱体系，是一个循序渐进的过程。

这种方式，让企业在进行数字化和AI转型的过程中，通过适当的投入，见到效果，再加大投入，见到更大的效果，形成良性循序。无论是企业的CEO还是业务部门，也都更愿意采取这种循序渐进、风险可控的方式。

其次，从能量守恒和资源消耗的角度分析一下数据治理。任何数据从采集、加工、处理，到存储都需要消耗能量，需要投入成本，如果产生的业务价值不足以支撑前期庞大的成本支出，则难以为继。因此，企业要有一个明确的IA 蓝图，但不能一下子就摊开做，要计划用3~5年的时间进行数据治理再考虑数据使用问题，而不是用3~5年的时间完善这个蓝图。

借助ETL工具，包括数据交叉校验工具、数据质量评估工具、元数据管理等，可以有效辅助整个数据治理环节中的效率提升，阿博茨科技也开发了很多类似的工具，但是工具“治标不治本”，“本”还是企业要采用以用带建的方式逐步实现数据采集和数据体系的建设。

再次是数据的全面性的问题。一个企业要掌握全部的数据成本太高，所以核心是从自身的业务出发，获取外部的公共的、行业性的数据信息， 然后与内部的数据进行融合计算，提供数据支撑，这是更符合中小企业的务实之选。

AI的落地，需要形成一个数据采集、建模、反馈、优化的闭环，即：数据 -> 算法 -> 使用（产品） -> 反馈 -> 数据。根据这个闭环，追踪算法的准确度、精准度以及算法持续进化的能力（梯度衰减等技术指标）；再将搜集到的反馈信息，作为训练数据，增加数据的维度、数据量、标签和特征等，扩大数据的采集范围。从上述AI的落地的过程可以倒推出数据治理的核心是以使用推动建设，没必要一开始就大而全.

最后从哲学层面去看，AI的落地与王阳明的“知行合一 ”一脉相承。“知”是指知道要采集什么样的数据为我所用；“行”指数据采集之后，场景和目标要合为一体。“知行合一”、“以用带建”和AI落地的数据闭环体系，三者是一脉相承，异曲同工的。

以上内容由刘祯宇、李庆莉编辑整理。