评价某项人工智能技术在金融领域的应用价值，需要回答三个问题：第一，技术成熟度如何？第二，技术能重点应用在价值链哪些环节？第三，产生了哪些价值？
我们通过定量定性的分析，以及具体应用案例，逐一说明计算机视觉、语音、NLP、知识图谱四项技术如何为金融行业创造价值。进一步地，阐明金融机构应如何获取这些价值。
计算机视觉
计算机视觉技术是指，通过计算机等设备，对客观世界中的目标产生的图像、视频进行分析处理，使得目标能够更好地被计算机所理解，从而取代以往由人的肉眼来识别目标的过程。
计算机视觉的底层技术是神经网络算法，以及基于算法和大量图片数据集训练得到的视觉模型。
其中，人脸识别、活体检测等计算机视觉的标准化场景，其视觉模型一般也是标准化的，这些技术在相应的金融场景中已经得到广泛应用。
此外，还存在很多应用计算机视觉的非标准化场景。比如通过识别无人机图像来对企业资产状况进行评估、对保险进行定价等场景，需要个性化的视觉模型。在金融领域，非标准化的场景应用仍有待发掘，同时也需要场景数据进一步积累。
在金融业实际应用，计算机视觉主要应用在金融机构内部流程、以及与客户交互的自动化，对风险控制、客户服务等核心价值链产生影响。这些影响体现在：对现有重复性的人工作业进行取代、提升，并创造出新的客户交互模式。
例如，刷脸支付是一个典型的计算机视觉技术应用场景。收款方通过对货品类型和数量的识别直接计算出价格；支付方则通过“刷脸”，完成支付过程中的身份认证、风控，避免了相对繁琐的密码等验证方式。这一新型交互方式提升了支付流程端到端的自动化程度，也提升了用户支付服务的满意度。
语音识别
语音识别技术广义上包括语音合成（TTS）、声纹识别等一系列基于语音信号的技术，也包括NLP技术所提供的语义理解能力。本章技术和价值创造不涉及NLP相关部分，但在实际应用案例中不会做刻意区分。
由于电销、客服、回访等场景的广泛存在，语音识别技术在金融机构中渗透相当广泛。在提升用户交互满意度、进一步降本增效上，语音识别的应用价值仍有进一步提升空间。
整体来看，语音识别技术最具价值的应用在于与客户交互、服务相关的环节中，起到降本增效的价值。此外，合规及客户权益保障等相关场景下的应用价值同样不可忽视。
NLP
NLP 是人工智能分支之一，是计算语言学、计算机科学等多学科的交叉技术，能够计算机去处理和分析自然语言，最终目的是实现计算机与自然语言的有效交互。
常见的NLP应用方向包括句法语义分析、信息抽取、文本挖掘、机器翻译、信息检索、问答系统、对话系统等，而机器学习是实现这些应用方向的重要技术手段。
在实际落地中，由于不同垂直领域存在不同的词汇、术语，因此NLP技术一般需要通过大量垂直领域的文本资料加以训练，从而对识别模型进行不断优化后才能真正实现商用。
当前阶段，受限于技术成熟度，NLP技术为金融行业创造的价值还相对有限，仅仅应用在自动化相关的场景下，例如文本合规检查、数据检索等，主要价值体现在帮助金融机构降低运营成本上。
但着眼于未来，NLP技术有望成为金融机构智能分析决策的基础，尤其是与各类大数据分析技术的结合，有可能对于金融价值链造成颠覆。
例如，智能投研平台Kensho基于NLP技术对于海量数据的挖掘、整合、分析，辅助财经新闻人员进行快速数据提取。未来结合知识图谱与大数据分析，智能投研在某些方面可以达到超越人类的投资分析水平，从而产生新的金融商业模式。
在金融实际应用中，NLP往往与语音技术相结合，创造出更加智能的客户交互模式，一方面减少了人工坐席数量，优化了运营成本；另一方面，NLP对于信息的挖掘相对于人工存在优势。
下一步，NLP应用探索的方向将会超越客户交互环节，而深入到金融价值链的各个环节，为金融机构带来商业模式变革与业务增长，如智能投研与智能投顾。
知识图谱
在金融应用中，知识图谱与NLP和大数据分析相辅相成。目前阶段，知识图谱技术的成熟度距离大规模应用尚存在距离，但由于其“金融大脑”得核心地位，未来将有望成为智慧金融生态的基石。
在金融应用场景中，知识图谱与NLP和大数据分析存在高度关联。
知识图谱本质上是一种大规模语义网络，是一种基于图的数据结构，由节点和边组成。知识图谱将现实世界中的“实体”以及它们之间的联系，抽象成图结构中的“点”和“边”，从而形成一张关系网络，为计算机提供了从关系角度去分析问题的能力。
而在金融知识图谱的构建过程中，往往需要借助NLP技术，如知识抽取、实体对齐等。另一方面，单一的知识在模型构建、知识推理等方面，知识图谱与大数据分析的结合同样重要，进而构建智能分析决策能力。
狭义的知识图谱本身只是语义网络，并不具备直接的金融应用价值，本部分所涉及的技术包括图谱本身，也包括基于图的各类分析技术。
在金融领域，知识图谱拥有巨大的价值创造潜力，因为知识图谱技术将成为未来智慧金融生态中最为重要的知识库和“大脑”，在金融价值链的各个环节发挥创新化的作用，带动金融行业新交互模式、经营模式、商业模式诞生。
潜在应用领域1：精准营销
在营销场景中，知识图谱可以通过整合多数据源，形成关于潜在客户的知识网络描述。
针对个人客户，知识图谱通过其个人爱好、电商交易数据、社交数据等个人画像信息，分析客户行为，挖掘客户潜在需求，从而针对性地推送相关产品，实现精准营销。
针对企业客户，知识图谱通过分析其基础信息、投资关系、任职关系、专利数据、诉讼数据、失信数据、新闻报道内容，实现对涵盖企业间的资金关系、实际控制人关系、供应链关系、竞品关系的知识网络构建，从而为企业推荐合适产品和服务。
潜在应用领域2：产品组合设计
精准营销更多涉及到单一产品的推荐和销售，而客户的需往往是多元化的，想要覆盖客户多元化的需求，知识图谱技术的进一步应用必不可少。
在金融业务交互场景中，KYC（了解你的客户）和KYP（了解你的产品）两个过程可以基于知识图谱，将客户和产品相关的快速结构化和知识化。在此基础上，快速针对某一客户的各类需求构建专属的产品组合，实现千人千面的智能产品组合设计，辅助销售人员更好地为服务客户甚至对其进行取代。
潜在应用领域3：风险评估与反欺诈
反欺诈是风控中非常重要的一道环节。反欺诈的难点，一方面在于整合结构化和非结构化的多数据源，构建统一的反欺诈模型，另一方面在于欺诈案件常常采取组团欺诈等新型方式，导致欺诈过程包含的关系网络较为复杂，利用普通的大数据分析难以洞察。
知识图谱作为关系的最佳表示方式，允许便捷地添加新的数据源，还可以通过直观的表示方法有效分析复杂关系网络中存在的潜在风险。比如，在信贷风控场景中，知识图谱可以将借款人的消费记录、行为记录、网上的浏览记录等整合到一起，从而进行分析和预测。
潜在应用领域4：其他创新应用场景
在各种存在大量非结构化文本的场景中，知识图谱技术都可能得到应用，比如针对保险产品条款的知识图谱构建。
由于保险产品条款存在复杂性和专业性，因此投保人很难根据条款来判定自己的损失是否可以得到赔付。马上消费金融利用知识图谱技术，为某保险公司的在线投保平台提供对保险条款的智能解读，方便投保人更好地了解保险条款，从而减少因对保险条款的不同解读引发的纠纷。
互联互通社区
互联互通社区专注于IT互联网交流与学习，旨在打造最具价值的IT互联网智库中心，关注公众号：互联互通社区，每日获取最新报告并附带专题内容辅助学习。
方案咨询、架构设计、数字化转型、中台建设、前沿技术培训与交流，合作请+微信：hulianhutongshequ
