人工知能がリスク管理分野に参入すると、生身の人間は職を失うことになるのでしょうか？

スティーブ・ジョブズの「電話の再発明」は携帯電話を再定義しただけでなく、世界を変え、人類をモバイルインターネット時代に近づけ、金融と組み合わせてインターネット+金融の包括的なモデルを形成しました。

[[213242]]

現在、中国のモバイル決済は確実に世界をリードする地位にあります。スマートフォンの使い方さえ知っていれば、中国の一級都市では財布を持たずに旅行できる。一般大衆はすでにインターネット金融時代の利便性を体験できる。

最近のAlphaGoの成功により、AI（人工知能）は、かつての網羅的な方法に頼ってゲームに勝っていた「ディープブルー」（IBMが開発したチェスロボット）ではなく、自律的な推論と学習の能力を備えていることが人々に認識されました。人々は、いつか人間が人工知能ロボットに「打倒」されるのではないかと心配せずにはいられません。

現在、人工知能は自動運転車、画像処理、音声認識などで画期的な応用を実現しています。金融分野ではどうでしょうか？

[[213243]]

李開復教授はかつて、人工知能の応用における 3 つの要素、すなわちデータ、データ処理能力、商業的収益化シナリオについて講演しました。金融業界における人工知能による問題解決のプロセスは、これら 3 つの要素によく一致しています。おそらく、金融分野は人工知能による破壊的変化に最も適したシナリオでしょう。

金融サービスのフロントエンドでは、バークレイズ銀行やシティバンクなど多くの伝統的な銀行がすでに人工知能を活用して顧客向けのサービスをカスタマイズし、金融商品を開発しています。 中国の招商銀行も新たな人工知能ビジネスモデルの試験運用を開始した。将来的には、人工知能と機械学習技術により、金融業界のフロントエンドでより便利で正確なサービスを顧客に提供できるようになるだろう。

では、金融アプリケーションのバックエンドはどうでしょうか? 特に情報セキュリティ、投資リスク管理、資産管理などの面では、タッチスクリーンの携帯電話の後ろに隠れている顧客や中央銀行のデータを持たない顧客の場合、銀行はユーザーが紳士であるか嘘つきであるかを自分の目で見分ける方法がありません。現時点では、金融バックエンドは従来の金融リスク管理手段ではカバーされていないか、またはアクセスが困難であるため、「インターネット+金融」ビジネスは、より広範なインターネットデータと人工知能手段を組み合わせて、より広範囲の金融顧客の問題を処理する必要があります。

このような観点から考えると、新しい金融時代において、自律学習機能を備えた AI は本当に従来の金融リスク管理を「覆す」のでしょうか? インターネット業界で数十万次元のデータを処理するために人工知能を導入し、金融業界で数万または数千次元のデータを処理するために「次元削減」を導入した場合、効果的な次元削減攻撃が形成されるでしょうか？

金融シナリオにおける機械学習の実用化について話す前に、まず金融リスク管理の標準的な業務プロセスを整理します。通常、リスク管理業務には、フロントエンドページでのユーザー情報の提出と収集、不正防止、コンプライアンス、ロジック検証、アプリケーションスコアリングや電話調整などのコア意思決定クレジット、および最終回収が含まれます。

この一連のビジネス プロセスに直面して、新しい金融リスク管理分野が直面するデータの問題点は、一般的にいくつかのカテゴリに分類されます。

不正行為防止

ビジネスプロセスに関しては、AI の自律学習があらゆるリスク管理ノードで役割を果たしてきました。たとえば、詐欺対策の分野では、インターネット環境において、金融リスク管理が直面する従来の個人による詐欺が、組織化された大規模な集団による詐欺やそれに関連するリスクへと急速に進化しています。従来の不正防止対策は、依然として、契約内の借り手と貸し手の数など、第一級のリスクを識別するための単純なルールに基づいていますが、第二級、第三級、さらにはより広範なネットワークのリスクに対する適切な解決策はありません。

AI学習におけるグラフベースの半教師ありアルゴリズムは、この要求を完璧に解決します。申請者、携帯電話番号、デバイス、IPアドレスなどのさまざまな情報ノードに基づいて巨大なネットワークグラフを構築し、ルールベースと機械学習の不正防止モデルに基づいてリアルタイム識別を実行できます。

コア認可決定

従来の金融リスク管理では、アプリケーションスコアリングプロセスで、スコアリングカードシステムに基づいて銀行ローン記録などの強力な信用データをモデル化することがよくあります。しかし、新しい金融業務では、顧客ベースがさらに「沈下」してより多くの収入層をカバーし、新しいグループの強力な信用データが大量に欠落していることがよくあります。金融機関は、消費データ、オペレーターデータ、インターネット行動データなど、より多くの弱い金融データを使用しなければなりません。

基礎データにおけるこのような変化は、従来の信用スコアカードに大きな困難をもたらし、次のようなことに反映されています。

• インターネットの行動やオペレーターのデータの多くは構造化されておらず複雑であり、従来の手動の方法ではモデリング前の機能エンジニアリングを完了するのは困難です。
• データの種類と範囲が大幅に拡大したため、新しいモデルでは何千もの処理済みの弱い変数特性に直面することが多く、スコアリング カード システムではこれを統合して吸収することができません。
• 新しいオンライン金融サービスのリスク環境は頻繁に変化します。従来の手動の反復モデルではリスクの変化のスピードに適応できず、反復的な最適化は遅すぎます。

AI 学習は上記の問題に対して独自のアプローチを採用しています。複雑なデータの問題に直面して、ディープラーニングに基づく特徴生成フレームワークは、大規模なリスク管理シナリオに成熟して適用され、インターネットの行動や時系列、テキスト、画像などのオペレーターの非構造化データのディープ特徴処理と抽出を実現し、モデル効果が想像以上に向上しました。

[キャプション] 上図は、大規模な信用貸付シナリオにおけるモデルの重要な特徴のリストです。機械学習の特徴の割合が専門家の手動の特徴の割合を上回っています。

多くの実践により、データ管理の課題に対処するには、適切なモデルを使用してさまざまなデータの最大価値を引き出せることがわかっています。インターネット広告、検索、推奨などの技術におけるAI学習手法の成熟した応用は、異なる機械学習モデルを使用して異なるタイプのデータを処理することです。これを金融シナリオに移植することで、複雑な統合モデルは数千次元の弱い変数を簡単に処理し、それらをデフォルトリスクに正確にリンクできます。

モデルの反復が遅い問題を解決するのは、AI が最も得意とする分野です。 かつて、インターネット企業は毎日膨大な量のユーザーデータを生成し、検索モデルと推奨モデルを継続的かつ頻繁にオンラインで最適化する必要がありました。自己反復の頻度は金融分野よりも速く、正確であり、これは手動反復で解決することがほぼ不可能な問題でした。そのため、金融リスク管理では、モデル特性、融資グループ、モデルのパフォーマンス、ビジネスフィードバックなどの監視を通じて、AI学習モデルはオンラインでの迅速な自己反復を実行できます。

実際、AI学習が解決しようとしている問題は非常に明確です。データの適応と融合、グループ不正防止、特徴エンジニアリング、モデル構築とトレーニング、パフォーマンス監視と自己反復メカニズム、ディープラーニング、半教師あり学習、オンライン学習などの技術はすべて、インターネットレベルの機械学習技術の「次元削減」を金融分野に適用し、新しい金融シナリオにおけるデータの一意性を解決することに重点を置いています。そのため、近い将来、ビッグデータと組み合わせたAIリスク管理が主流のオンラインリスク管理モデルになる可能性はありますが、その日はどれくらい先でしょうか?