这十大应用构筑未来金融生活，你应该要知道！

点击上方关注，All in AI中国

几个星期前，我作为Swish的机器学习主管，参加了Fintech论坛。

在两次会谈和引人入胜的讨论之间，我举办了一个研讨会，讨论人工智能在金融科技行业的应用。

如果你参加了研讨会并想要了解更多，下面是一个较长的版本，其中包含示例和技术说明。如果你没有机会参加研讨会，此分析将为你提供有关金融行业人工智能的所有信息。

Fintech

金融业以极大的兴趣关注着技术进步。像摩根大通这样的大银行已经成为像区块链这样的颠覆性技术的早期采用者。

人工智能（AI）是一种范式转换技术，它正在无缝地改变我们生活、移动、互动、购物的方式。金融业也不例外。

金融科技是金融行业尖端技术使用案例的统称。

在本文中，我们将介绍人工智能的十个应用程序以及该技术的细分，即机器学习。

个人理财和保险的人工智能

＃1.数字金融教练/顾问

交易机器人是人工智能中最受欢迎的用例之一，可能是因为应用范围非常广泛——跨越多个级别的所有行业。

在金融领域，交易机器人可以用来为用户提供财务辅导/咨询服务。

将它们视为数字助理，帮助用户浏览其财务计划，储蓄和支出。这种服务增加了用户参与度并改善了用户与他们交互的金融产品的整体体验。

数字助理可以使用自然语言处理（NLP）构建，自然语言处理是一种机器学习模型，可以以人类语言的格式处理数据。可以添加一层产品推荐模型，允许助手基于算法和人类用户之间发生的交易来推荐产品/服务。

Sun Life已经部署了这个应用程序的一个示例，它创建了一个虚拟助手Ella（https://www.sunlife.ca/ca/About+us/Newsroom/News+releases/Announcement/Sun+Life+introduces+Ella+an+interactive+digital+coach+to+help+Clients+navigate+and+maximize+their+benefits+and+pension+plans?vgnLocale=en_CA&id=123117），通过允许用户保持他们的保险计划，帮助用户获得福利和养老金。该助手根据用户数据发送用户提醒，例如"健康福利即将到期"或"你的孩子将很快将失去福利"。

数字助理还可用于其他与财务相关的场景：股息管理、定期续保、接近交易限额或支票兑现通知。

＃2.交易搜索和可视化

聊天机器人也可用于银行业务，专注于搜索任务。

管理员将允许机器人访问用户的交易数据（银行交易），并使用NLP检测用户发送的请求的含义（搜索查询）。请求可能与余额查询，消费习惯，一般账户信息等有关。然后，机器人处理请求并显示结果。

美国银行使用这样的机器人（称为Erica：https://promo.bankofamerica.com/erica/）作为其客户群的数字金融助理。人工智能机器人很快被采用——三个月内就有了100万用户。

机器人提供了用户友好的交易搜索，使用户能够在他们的历史数据中搜索特定商家的特定交易，避免他们在每个银行对账单中寻找这些交易的麻烦。机器人还计算信用和债务总额，这是用户必须在计算器上自行完成的任务。

＃3.客户风险状况

银行和保险公司工作的一个关键部分是根据客户的风险评分对客户进行分类。

AI是一个很好的工具，因为它可以根据客户的风险状况从低到高自动分类客户。

在分类工作的基础上，顾问可以决定为每个风险配置文件关联金融产品，并以自动方式将它们提供给客户（产品建议）。

对于此用例，XGBoost或人工神经网络（ANN）等分类模型将根据顾问提供的历史客户数据和预标记数据进行训练，从而消除数据引起的偏差。

＃4.承保、定价和信用风险评估

保险公司提供承保服务，主要用于贷款和投资。

人工智能模型可以提供客户信用风险的即时评估，然后允许顾问制定最适合的报价。

使用AI进行承保服务可提高提案的效率，并改善客户体验，因为它可加快此类操作的流程和周转时间。

加拿大金融服务集团宏利（Manulife）是该国第一家使用人工智能作为其承保服务的公司，这使得许多加拿大人购买基本人寿保险变得更快，这是解决加拿大"保护缺口"的关键。（http://manulife.force.com/Master-Article-Detail?content_id=a0Qf200000Jq4krEAB&ocmsLang=en_US）

保险公司使用一种特定的人工智能决策算法（AIDA），该算法通过以前的承保方法和赔付进行训练，并且可以具有不同的分类过程，例如大额损失赔付或价格。

这种方法的适用范围不限于保险，它也可以用于贷款的信用评分。

＃5.自动索赔流程

正如我们所知，保险业的运作遵循一个标准流程：客户订购保险，并为此付费。如果客户有问题（健康保险的疾病、汽车保险的车祸、住房保险的水损坏），她需要通过提出索赔来激活她的保险。 这个过程通常是漫长而复杂的。

交易机器人可以将用户体验转变为更愉快的过程。

通过图像识别、欺诈检测和支付预测功能得到增强，整个用户体验得到升级——减少了摩擦，降低了公司成本，减少了操作任务（电话、背景调查），减少了错误。整个过程花费的时间更少，成为客户和保险公司员工的无缝体验。

机器人所做的是负责整个周期：它以对话的形式逐步引导客户完成整个过程。

Swishbot是我们从头开始构建的交易机器人，保险公司可以使用它为客户服务。

它要求提供损坏的视频或照片，并将其上传到数据库。它接收处理索赔所需的所有信息。然后，机器人可以通过欺诈检测方法运行应用程序，查找异常和不合规数据。

然后它转到调整模型，在那里它提供了支付值的范围。一旦设置了所有数据，就可以将人工干预包括在审计目的中。此时，机器人可以根据已经过训练的支付预测模型计算并提出支付金额。

该应用程序是一个三合一的机器学习解决方案，具有缓解行业高痛点的潜力。

这是总部位于纽约的保险创业公司Lemonade的使命。在他们网站的主页上，他们要求用户"忘记你对保险的了解"，明确宣布他们通过使用人工智能给行业带来的干扰。该公司自2015年成立以来筹集了1.8亿美元资金。

为了能够重新开始，人们必须忘记

阅读更多关于AI在保险行业中的应用的分析（https://medium.com/swishlabs/tech-for-insurance-how-machine-learning-can-upgrade-the-insurance-industry-97a578ed74f8）。

跨行业

＃6.合同分析器

合同分析是金融业中一项重复性的内部工作。经理和顾问可以将此例程任务委派给机器学习模型。

光学字符识别（OCR）可用于数字化硬拷贝文档。然后，具有分层业务逻辑的NLP模型可以高速解释、记录和纠正合同。

业务逻辑是一种类似于在Microsoft Excel上可以找到的条件格式。可以将公式添加到模型中，例如"如果选中此框，则此框应为空。"该模型可以对现有合同进行模型训练，并学习如何使用此类内容进行操作。

在这种情况下，由于合同的重复性，模型结果的准确性非常高。

摩根大通已经利用了这种AI应用的强大功能（https://futurism.com/an-ai-completed-360000-hours-of-finance-work-in-just-seconds），可以在几秒钟内将36万小时（每年）的工作时间从员工的负担中解放出来。

这些解决方案支持与合同相关的分析，而基于区块链的智能合约正在被更广泛地采用，这是对合同管理的范式转换升级。

＃7.客户流失预测

流失率（或流失率）是所有行业和公司的关键绩效指标。公司需要留住客户，要做到这一点，预测即将到来的流失对于采取预防措施非常有帮助。

AI可以通过提供优先级的客户列表来支持这项任务中的管理人员，这些客户显示出考虑取消其业务的迹象。然后，经理可以相应地处理此列表：提供更高级别的服务或改进服务。

在这种情况下，该模型基于客户行为数据的流失效应，基于客户行为数据。解释变量可以是已下载语句的次数、用户阅读帐户策略的情况、对新闻简报和邮件的取消订阅以及其他流失行为指标。通过处理消费者数据，银行可以通过采用其产品和定价来更好地为他们服务。

所使用的模型一种分类模型，它基于已取消其保单的客户的历史数据和在考虑离开该机构后留下的其他人的历史数据。

一篇关于银行业客户流失预测的研究报告（https://www.researchgate.net/profile/Sami_Nousiainen/publication/47749836_Customer_churn_prediction_-_A_case_study_in_retail_banking/links/0deec51879c7040292000000/Customer-churn-prediction-A-case-study-in-retail-banking.pdf#page=21）表明了消费者研究与针对特定行业的大规模营销的重要性：

大众营销方法无法在当今消费者业务的多样性中取得成功。客户价值分析以及客户流失预测将有助于营销计划针对更具体的客户群。

＃8.算法交易——你永远不会看到的最先进的ML。

大多数算法交易应用都是在投资银行或对冲基金关闭的大门之后进行的。

交易，通常是快速分析数据和做出决策。机器学习算法擅长分析数据，无论其大小和密度如何。

唯一的先决条件是拥有足够的数据来训练模型，而交易所拥有大量丰富数据（市场数据，当前和历史）。

该算法检测通常难以被人发现的模式，它比人类交易者反应更快，并且它可以基于从数据导出的洞察自动执行交易。

这种模型可以由做市商根据快速价格变动寻找短期交易来使用。这些操作是时间敏感的，模型提供了所需的速度。

这方面的一个例子是交易个股与标准普尔500指数中的价格变动，这是一个已知的领先指标（即股票跟随指数）。该算法从指数中获取价格变动并预测单个股票中的相应变动（例如：Apple）。然后立即购买（或出售）股票，并将限价订单置于预测水平，希望股票达到该价格。

＃9.增强研究工具

在投资金融领域，大部分时间都花在了研究上。新的机器学习模型增加了围绕给定贸易理念的可用数据。

情绪分析可用于对公司和经理的尽职调查。它允许分析师一目了然地查看大量文本数据（如新闻或财务评论）的基调/情绪。它还可以提供有关经理如何反映其公司业绩的见解。

卫星图像识别可以让研究人员深入了解许多实时数据点。例如，特定位置（例如零售商店）的停车场交通或海洋中的货轮交通。根据这些数据，模型和分析师可以获得业务见解，例如上述零售商的特定商店的购物频率，货运流程，路线等。

先进的NLP技术可以帮助研究人员快速分析公司的财务报告。提出公司最感兴趣的关键主题。

其他数据科学技术也可以格式化和标准化财务报表。

＃10.估值模型

估值模型通常适用于投资和银行业务。

该模型可以使用资产和历史示例周围的数据点快速计算资产的估值。这些数据点是人类用来评估资产的内容（例如：绘画的创建者），但模型通过使用历史数据来学习分配给每个数据点的权重。

该模型传统上用于房地产领域，其中算法可以针对以往的的销售交易进行训练。对于金融公司，它可以使用财务分析数据点、市场倍数、经济指标、增长预测;所有这些都可以预测公司/资产的价值。

这些模型被投资银行团队用作内部工具。

这是人工智能应用于金融科技的汇总。这项技术每天都在发展，这个名单还在不断扩大。目前，采用人工智能的金融公司将改善其运营、营销、销售、客户体验、收入和整体交易质量。

作者——Corbin Hudson

文章来源：https://towardsdatascience.com/ten-applications-of-ai-to-fintech-22d626c2fdac