银行搞人工智能都是瞎扯蛋

　　人工智能从1956年诞生开始经历了几波几折，直到2016年谷歌AlphaGo战胜人类，再次掀起了人工智能的热潮，银行也不例外，几乎所有银行科技部门都把人工智能挂在嘴包，搞搞创新，但是银行搞人工智能真的是瞎扯蛋。
　　人工智有发展历程
　　众所周知，人工智能发展三要素：数据、算法、算力，再加上最新的专家经验要素，我们看看银行具备几个？
　　一、数据：银行基本上不具体条件
　　我们从深度学习和机器学习两个方面来看，可能技术了一点，大家不好理解，我尽量用非常浅显的语言来描述。
　　1、深度学习主要是指语音识别、图像识别、视频分析、文本理解和处理这几方面。
　　举例来说，如果想训练一个人脸识别的模型，我们首先要有上千张的人脸相片，这些人脸相片根据算法提取出来特征，然后将特征这些参数固化在一个数据公式中，就是所谓的模型了。这样这个模型就能对每一个人的人脸进行识别。那银行有这些数据吗？答案是有的，但是他们的数据因为各种各样的规定是不能随便给研发人员取用的。比如开户的时候录取的人脸，这些是严禁拿到训练环境使用的。大家都知道，所谓人工智能就是有多少人工就有多少智能，没有大量的数据，就没有标注好的样本，就没有好的模型。语音、文本类似，都无法取得较好的训练数据。
　　深度学习示意图
　　人脸识别示意图
　　2、机器学习主要是指利用我们的交易数据来寻找我们的画像规律，从而对我们进行风险控制或者精准营销。
　　举例来说：我在某个银行的银行卡，每天钱进进出出有交易流水，银行会根据我们的交易流水来判断我们是个什么样的人？这个人有没有营销潜力？该如何营销他？这就是通过机器学习算法来找出来的规律。
　　机器学习示意图
　　通过精准营销实现交叉销售
　　但是在银行中，这些数据分为这么几种情况：一类是国有大行，总行成立了数据管理部将所有数据上收，各分行各子单位手上没有任何数据。而各分行、子单位在销售一线，想做类似的场景苦于没有数据。如果向总行打报告申请，流程长达一个月，黄花菜都凉了；第二类是农信社，省联社也是将数据全部收上去，各地农商行想做无数据，申请周期长；第三类是小型城商行，他们的数据量比较小，用户规模小，模型使用起来效果不佳。
　　综上所述，就是数据这一关，银行无数提供或者不具体条件，没数据扯人工智能只能是扯蛋了。
　　二、算力：规模小且分散
　　银行因为是国企，所以采购流程非常复杂，而GPU算力是最近几年才用到的，基本上没有进行集采。而各开发中心、子单位可能零星采购了一些自用，这样就造成了总行无管理，算力分散或者浪费。
　　算力示意图
　　三、算法：招不到人
　　算法主要是人，本身人工智能的人才尤其是算法人才就非常的少，银行的面试流程又复杂，很多候选人手握多个offer，银行的体制又决定了薪资竞争力稍弱一些，所以大行一年也招不了几个人工智能的专家。
　　算法示意图
　　四、经验：无积累
　　在人工智能的第四要素中，专家经验主要是指一些先验模型、人工智能标注样本、银行模型等，本身人工智能在银行开展较少，之前积累得非常有限，所以这部分也是空白。
　　通过以上分析，在四个条件中银行一个也不具备，最近3年各个银行也在积极尝试一些落地，但都是效果甚微。科技部门很积极，有创新压力，但是业务部门看不到效果不买单。
　　这就是现状：人工智能本身在所有行业中落地都有问题，银行也不例外。