AI访谈 | 丰业银行高管：机器学习面临四大挑战，年轻人该如何学习AI？

银行科技郭少圳 · AI Trends 2019-09-25 阅读：9254

关键词：机器学习 人工智能 AI

机器学习绝对是银行业务的未来。

丰业银行总部位于多伦多，在全球开展业务，该银行在一系列业务中应用了人工智能和机器学习技术。随着丰业银行在人工智能和机器学习领域持续探索，该行也面临诸多挑战，包括如何更好地处理AI的“黑箱”问题。

该行全球风险管理副总裁Vishal Gossain使用人工智能（AI）和机器学习（ML）来构建预测模型，以帮助银行为客户定制零售产品。随着丰业银行在AI/ML领域研究的不断拓展，该行组织结构也不断调整优化，新增了数据、业务洞察和分析方面的执行副总裁（EVP）职位。Gossain在管理大型团队，以及管理北美、拉丁美洲、欧洲和亚洲的零售资产组合方面拥有丰富经验。

最近，Gossain接受了AI Trends的采访。

AI Trends：从您在银行风险管理、信用卡和贷款领域多年的经验来看，人工智能和机器学习对您的业务有何影响？

Vishal Gossain：我们的银行一直在三个不同领域使用AI和机器学习。

第一个领域是产品，我们试图预测客户的特定行为（风险或收益），并相应地量身定制相关产品。这种预测的准确度越高，为客户提供的产品也将越好。此外，我们已开始在网络风险、欺诈等新领域中使用AI和机器学习。

第二，我们使用AI和机器学习来创造更好的客户体验。例如，我们在联络和呼叫中心中使用聊天机器人，并在电话系统中使用自动语音分析以分析客户情绪。此外，服务客户的过程涉及大量文件，如果我们能做到文件处理的自动化，则客户体验可大幅提升。

最后一类是流程自动化，例如工资的核算处理，这些均可通过AI提高效率。

AI Trends：人工智能和机器学习在银行业的应用前景是怎样的？

Vishal Gossain：机器学习绝对是银行业务的未来。模型越复杂，我们就越能更好地预测客户的行为和未来的行动，从而帮助银行为客户提供更合适的产品。例如，如果年轻人想要购买房屋，我们可以向他们提供即时抵押或信用卡预批准服务；如果我们可以减少所需的文书工作，那么客户的体验和满意度会提升，从而成为我们的忠诚客户。因此，如何更准确地预测客户的行为将变得更为重要。

其次，我们将更多地使用AI来预测与洗钱和信用欺诈有关的异常模式。相较人工而言，AI可以做得更好，因为它可以获取更多的数据，并监测到人类可能无法监测到的异常行为。

同时，AI可以自学，这非常重要。因为我们构建的大多数模型都是静态的，需要更新，有时这种更新需要三到五年才完成一次。但到那时，消费者的行为已发生了很多变化。而人工智能的应用，使得模型可以自学并与不断变化的消费者行为保持同步。就像互联网为知识共享和存储带来了深刻变化一样，人工智能将给银行业带来根本性的改变。其中，提升客户体验和流程自动化仍将是重要领域。

AI Trends：我相信您的工作涉及到大量的数据分析工作，银行是否采取一些措施来防止数据偏差等问题的出现？

Vishal Gossain：数据偏差是所有银行面临的问题，我们以多种方式解决这种问题。首先，我们确保用于训练模型的数据是无偏的。例如，我们删除了可能导致性别和宗教偏见的变量。我们会在更长的时间内训练模型，以确保模型不会偏向某些偶然因素。有些消费者特征与其信用风险并无多大关系，我们将确保模型不会偏向此类特征。此外，我们还对模型进行独立审查。

不过，人们在生活中所做的每个决定通常都会产生偏差。一项研究表明，一些法官在他们最喜欢的足球队输掉比赛后，往往会在审判时给出更长的判刑。而我们的工作是建立可接受的偏差水平，并随着模型预测越来越准确后，使得实际偏差水平与此相符。

AI Trends：哪些关键的AI工具、技术和软件对您的工作很重要？

Vishal Gossain：我将从不同角度回答这个问题。我们使用有监督学习、无监督学习和强化学习三种技术，我们还在探索分析等新领域。我们还大力投资数据加密技术。

在数据方面，如果没有足够数量的数据，任何模型都无法构建。同时，数据的存储也很重要。我们使用Hadoop存储数据，目前正向云过渡。我们将主要使用Google Cloud Platform，某些领域则使用Microsoft Azure。

一旦获得数据，我们将使用软件来构建模型，然后硬件也变得很重要。我们越来越多地使用GPU。我们一直在使用NVIDIA DGX盒（面向数据科学家的专用系统），并且还利用了基于云的GPU。

构建模型后，我们必须对其进行部署。为了进行部署，我们使用了一些非常强大的系统。你可以想象我们拥有的数据量。我们使用的系统是为特定目的量身定制的。例如，我们将FICO系统用于零售产品，将ORACLE用于洗钱。我们越来越多地利用新的快速的API来部署我们的模型。

为了开发模型，我们越来越倾向于敏捷方法。例如，我的团队目前与跨职能团队一起运行了6个敏捷实验室，以助力构建新的反洗钱模型。

AI Trends：在您的工作中使用和实施AI和机器学习面临的挑战是什么？

Vishal Gossain：主要有四个挑战。首先是数据。我们银行拥有约2500万客户。这些客户的数据分散在多个系统中，把这些数据集合统一起来并获得以客户为中心的视图非常困难。但我们需要所有交易和所有产品的统一视图，以便我们可以使用该视图来帮助客户。还有一个是数据隐私和保护的问题，我们必须确保客户的数据和隐私不被泄露或侵犯，这对我们来说是一个大的挑战。

第二个挑战是技术。银行业面临一个难题，它们依靠强大的技术系统为客户提供服务，但这些系统的迭代速度赶不上AI和机器学习的发展速度。因此，银行可以构建一个非常复杂的AI模型，但却无法在发展滞后的零售系统中高效运用此模型。

第三个挑战是人。市场已经涌现出了一批数据科学家，但同时仍有许多经验丰富的从业者利用其基于经验的判断来开展业务，他们仍不大适应利用模型来做决策。对他们来说，模型可能不像消费者行为那样直观。因此，在保守派人士和新型数据科学家之间，有一些分歧和争论。但我们的文化还是必须朝数据方向发展，要主要根据数据而非专家经验来做决策。

第四个挑战是应用人工智能和机器学习后的可解释性。模型变得越来越精确，但“黑箱”问题也越来越突出——与逻辑回归相比，要理解新的复杂模型（例如深度学习）为何做出某个决定变得非常困难。因为，在回归模型中，我们确切地知道什么变量对模型有影响，也知道客户得分高或低的原因。但在新模型和新技术中，决策可视化、透明性、可解释性成为挑战，但这一挑战并非不可克服。

克服挑战后，收获可喜。例如，丰业银行是最早在催收业务中投入深度学习模型的银行之一，迄今已为我行每年产生超过1000万美元的增量收入。

AI Trends：AI对丰业银行的组织架构有什么影响？在过去的几年中，产生了哪些新的岗位？

Vishal Gossain：我们的组织架构出现了重大变化。目前，我们有了一个新的EVP职位，主管数据、业务洞察和分析，我们还有了一个新的分析组，这些岗位在此前是不存在的。人工智能和机器学习正催生出更多数据导向的职位。

AI Trends：您对有兴趣从事AI工作的年轻人有何建议？他们应该学习什么？他们应该寻求什么样的工作经验？

Vishal Gossain：学习确实非常重要，这是年轻人踏上事业的垫脚石。许多机构或高校都提供了一些相关课程，比如麻省理工学院、加州大学伯克利分校等。他们还应该选修诸如Python之类的编程课程，并积累一些实践经验。此外，来自云服务提供商的云计算认证可能会有所帮助。拥量分析相关专业的本科、硕士乃至博士学历，也能帮助年轻人在任何领域应用AI和机器学习技术。

而对于那些经验丰富的专业人士来说，他们绝对可以在工作中学习AI，现在市场上也有很多自学课程。尤其对于那些能力突出的程序员、分析员来说，自学肯定能帮助他们掌握AI和机器学习的相关知识和技能。

专题推荐：金融毛细血管

零壹智库推出“金融毛细血管系列策划”，通过系列文章、系列视频、系列报告、系列研讨会和专著，系统呈现“金融毛细血管”的新状态、新功能、新价值、新定位。