AI 在银行业中的应用是什么？

从历史上看，现有的金融服务提供商在创新方面一直举步维艰。麦肯锡的一项研究¹（链接位于 ibm.com 以外）发现，大型银行的生产力比数字原生型银行低 40%。许多新兴银行初创企业正在开创人工智能用例，因此传统银行迎头赶上并进行自我创新就显得尤为重要。

投资银行公司长期以来一直使用自然语言处理 (NLP) 来解析其内部拥有的或从第三方来源获取的大量数据。他们使用 NLP 来检查数据集，以便就关键投资和财富管理做出更明智的决策。

具体来说，银行业正在吸收 AI 技术的预期好处。客户需要数字银行体验：他们可以通过应用程序了解更多服务信息，与人或虚拟助理互动，更好地管理自己的财务。公司需要改善用户体验，让客户满意。采用和部署 AI 解决方案是实现这一目标的途径之一。

虽然 AI 本身功能强大，但将其与自动化相结合可以释放出更大的潜力。人工智能驱动的自动化将 AI 的智能与自动化的可重复性相结合。例如，AI 可以增强机器人流程自动化 (RPA)，从而更好地解析数据分析，并根据 AI 的判断采取最佳行动。其中一个例子是，银行使用 RPA 来验证客户数据，以满足了解客户 (KYC)、反洗钱 (AML) 和客户尽职调查 (CDD) 的限制要求。

金融服务组织出于风险管理、客户体验和预测市场趋势等各种原因正在采用人工智能 (AI)。

人工智能可帮助客户提高财务决策能力。他们更愿意留在使用尖端 AI 技术帮助他们更好地管理资金的银行。

但是，考虑到广泛的行业法规，银行和其他金融服务组织需要制定全面的战略来对待 AI。使用 AI 需要制定周到的框架来降低风险和暴露。

IBM 商业价值研究院在其 《2024 年全球银行业和金融市场展望》 报告中为希望将 AI 工具和实践嵌入其运营的银行发布了一份指南。其中一些关键行动包括：

• 确定银行的人工智能治理和风险状况：每家银行都不尽相同，每家银行的领导者都必须就 AI 风险和部署做出自己的决定。银行在接受 AI 时应认识到，AI 要求银行采取强有力的安全措施来抵御任何潜在风险。
• 优先考虑用例：AI 的部署必须与具体的业务用例挂钩，以产生可衡量的影响，并与组织目标保持一致。具体用例包括面向客户的聊天机器人、个性化投资策略、欺诈预防和信用评分。
• 选择值得信赖的 AI 平台：大多数企业 AI 方法都需要应用多种 AI 模型，以确保企业拥有成功所需的一切。因此，银行需要选择是使用开源模型，还是使用内部构建的模型，或者两者兼而有之。
• 采用混合云架构： AI 要求银行解决现有技术效率低下的问题，并优先考虑应用程序资源管理。通过使用混合云架构，银行可以在公有云和私有云之间切换，从而提高实时数字银行业务的弹性和响应能力。
• 从初始部署中学习：担心风险的银行应实施小规模测试和用例，以评估影响，然后再扩大规模和部署新的实施方案。早期的经验教训非常宝贵，因为它们有助于银行更好地了解需要部署哪些其他基础设施，以及需要在哪些方面做出调整。
• 创建“AI 工厂”：企业一旦制定了可行的战略，为特定用例构建或采用 AI，就应建立一个机构，将 AI 纳入其运营，并使其成为所有开发和业务方法的核心。

采用和部署 AI 的银行可以获得几大好处。

• 增强网络安全和欺诈检测：网络攻击者越来越多地利用 AI 创造出更复杂的欺诈金融机构的方法。他们可以使用  AI 创建的音频² （链接位于 ibm.com 以外）来模仿客户，从而迷惑客服人员。他们可以利用 AI 让网络钓鱼邮件看起来越来越合法。因此，这些金融机构需要利用 AI 算法实时保护员工免受 网络安全 威胁，同时创建工具来帮助客户避免同样的伎俩。金融机构和政府机构还可以利用 AI 系统阻止洗钱或冒名顶替等其他金融犯罪。
• 增强的应用程序接口：银行业务越来越依赖于使用应用程序接口 (API)，使客户能够在各种应用程序上跟踪他们的资金。例如，银行必须向第三方预算应用程序提供 API 许可，以便客户可以监控多个银行账户。 AI 通过采取更多安全措施和自动执行重复任务来增强  API 的使用，使其功能更加强大。
  
• 嵌入式银行业务：这是将银行业务引入非传统体验的过程，例如， 星巴克推出了自己的支付应用程序³。 嵌入式银行业务 有望作为一项服务不断发展，特别是当 AI 可以帮助零售商和其他公司收集和分析有关潜在市场机会的数据、预测信用度并更好地为客户提供个性化服务时。
• 更智能的客户工具：由深度学习驱动的生成式 AI 智能的兴起意味着投资和银行业可以部署更先进的工具来简化客户服务。人工智能驱动的聊天机器人和虚拟助理可以加强客户支持，帮助客户自行解决小问题。人工智能还可以为预算应用程序提供支持，帮助客户更好地管理财务，节省更多资金。
• 新市场和新机遇：他们还利用 AI 进行预测分析，以便更好地洞察客户。AI 驱动的预测分析可以为他们的业务和客户确定新的增长点，并能更好地估计哪些客户存在流失风险。例如，银行可以分析客户的习惯，如登录或存款的频率，并将其与其他数据点进行比较，以确定个别客户是否可能即将注销账户。
  
• 更智能的信用卡和信用评分： 确定信用度是一项重要的银行服务活动。银行需要处理大量客户数据，以做出重要的信贷决策，例如是否接受信用卡申请或批准增加信贷。AI 算法和 机器学习 可以帮助金融机构快速批准或拒绝信用卡、信用增加和其他客户请求。

在银行业引入 AI 并非没有风险和复杂问题。IBM 商业价值研究院的 《2024 年全球银行业和金融市场展望》 研究发现，超过 60％ 的银行业首席执行官对 AI 带来的新漏洞感到担忧。其中包括：

• 网络安全：生成式 AI 技术可用于欺诈预防和合规管理，但也会产生风险。将开放式 AI 工具和技术嵌入银行 IT 系统会带来一些安全挑战，因为 AI 模型对于恶意行为者来说是特别有价值的目标。这就是为什么银行需要一种全面的人工智能治理方法，以有效平衡创新和风险管理。
• 与运营相关的法律不确定性：生成式 AI 模型需要在现有数据集上进行训练才能生效。关于分析公开数据（如新闻报道和解说视频）是否构成侵犯版权⁴（链接位于 ibm.com 以外），仍有一些问题尚未解决。避免这一问题的方法之一是使用根据银行自有数据（如客户服务互动数据或银行自身的专有研究数据）训练的 AI 模型。
• 难以控制结果的准确性：目前，AI 模型无法推理或“理解”其输出结果。相反，AI 模型会检测给定的数据中的模式⁵（链接位于 ibm.com 以外）并生成结果。因此，该模型无法告诉人类员工数据是否有误或不准确。
• 模型偏差造成的偏见：银行越来越多地投资于环境、社会和治理 (ESG) 计划，以此来展示其行为的透明度和责任感。由于 AI 模型是在人类创建的数据基础上训练出来的，它们可能会继承一些影响人类的偏见。银行需要消除在营销产品和确定信誉等因素时的偏见，因为这些因素历来对某些人群产生了负面影响。

银行机构面临着越来越大的数字化转型压力。客户希望获得具有自助服务功能的自动化体验，同时也希望在交互过程中感到个性化和人性化。

银行继续优先考虑 AI 投资，以在竞争中保持领先地位，并为客户提供越来越先进的工具来管理他们的资金和投资。客户继续优先考虑能够提供个性化 AI 应用程序的银行，这些应用程序可帮助他们了解自己的财务机会。

未来，银行将宣传他们正在使用 AI，以及如何比竞争对手更快地部署先进技术。AI 将帮助银行过渡到新的运营模式，接受数字化和智能自动化，并在新的商业和零售银行时代实现持续盈利。