互金公司的AI野心，還要經歷幾重考驗？

未來幾年小風口可能不斷，但大風口只有一個，即人工智能。 在互金行業，早已掀起“AI熱”，不管有沒有數據，有沒有場景，幾乎所有公司都在宣傳自己是應用人工智能的金融科技公司。 這裡面有虛有實。 不過不容否認的是，網絡借貸會產生大量數據，也需要大量數據的分析來強化運營，因此網絡借貸確實是人工智能非常理想的應用場景，也是目前最成熟的應用領域。

當然，應該看到，發展到現在，金融領域的AI應用還是主要集中在藉貸風控環節，在其他方面是否可以有所作為？ 整個網絡借貸要實現全部AI化，還有多少坎需要邁過？

數據不足、經濟周期的複雜性等製約智能風控

毫無疑問，風控是金融領域最適用AI技術的環節，也是迄今為止收穫最大的環節，借助大數據和AI技術，通過分析各種與信用弱相關的行為數據，形成風控能力，互金 公司可以為缺乏足夠信用數據的群體提供借貸服務，雖然衍生了一些問題，但無可否認智能風控是互金十年以來的最大收穫。 通過AI構建風控能力，互金公司得以實現借貸業務的拓展，形成收入和利潤。

智能風控帶來的變革已經不用多說了，各種研究浩如煙海。 不過智能風控的主要應用還是在消費信貸領域，在服務於實體經濟中的生產環節方面，互金以及AI都還缺乏作為。 主要原因在於數據的缺乏，中小企業以及個體工商戶的數據不足，即使有財務數據等也存在真實性問題，而訂單也還沒有線上化，缺乏足夠的數量和維度來判斷風險，對於AI而 言巧婦難為無米之炊。

如果有足夠數量和維度的數據，生產環節的信貸服務可以很多火起來。 網商銀行已​​經為超過155萬的線下小微經營者（已經發放了小額貸款，靠的是支付寶收錢碼積累的大量線下小微商戶交易數據以及口碑網積累的商戶數據。只要有 足夠的數據，解決以往的融資困局不是難事，難就難在數據量不足，尤其是中小微企業，線上化數據著實有限，讓AI無從下手。

除了數據不足，運用AI技術服務於生產領域的借貸，還面臨算法的挑戰，即使有一定量的數據，但與消費不同的是，生產環節有周期性，既有“補庫存、消化庫存”這樣的 小周期，有行業興衰週期，還有宏觀經濟的大周期，判斷風險時需要考慮的變量大大增加。 這對於AI算法的精準性提出了挑戰。 AI可以戰勝圍棋高手，因為圍棋雖然複雜但變量終歸是有限的，AI可以演算到人所不能演算的很多步驟，從而戰勝人類。 但運用AI預測行業周期與經濟周期就很難，變量實在太多。

因此AI要成為整個借貸風控領域的核心，還需要數據基礎的完善以及技術的進步。 未來整個生產領域（商品與服務的生產）如果更多地應用電商平台、支付工具、SaaS、行業應用軟件等，而數據又可以有規制地流動，則會為AI的應用提供更充足的燃料 。 算法模型的進一步完善，可以整合更龐雜的數據維度，則有可能對風險的判斷更為精準。

AI應用正從風控環節擴展到服務支撐環節，需要更好的算法

在風控之外，AI技術也在應用於借貸過程的其他環節。 風控可以看做是互金企業增收的關鍵環節，而其他環節如客戶身份識別、客服、質檢、信息交互、IT系統運營維護等，則是藉貸服務的支撐環節，對風控、獲客 等核心環節提供支持，沒有這些環節，業務就無法展開。 如果將AI技術應用進來，對於增加收入作用不是很明顯，但可以提昇運營效率，降低運營成本，並在一定程度上提升用戶體驗。

這些環節背後的技術主要包括語音識別、自然語言處理、生物識別等，相對來說算是AI領域研究已經比較深入的技術。 另外用到的一些技術如情感識別、模式識別等，則屬於相對新興的研究。

在這些方面行業有越來越多的探索。 2017年8月，螞蟻金服開放AI客服能力，可以實現對客戶問題的迅速應答，縮短服務時間；近日，科大訊飛與興業銀行、京東金融聯合推出了搭載金融服務功能的智能音箱，用戶可以 通過智能語音在線交互辦理註冊、登錄、綁卡、賬務信息查詢、信用卡業務語音辦理等業務；玖富集團與中科院自動化研究所合作，成立“面向金融的智能語音服務聯合實驗室”，在語音 交互、自然語言理解、情感分析、聲紋識別、多模態人機對話等領域進行探索，搭建基於語音交互的用戶身份管理、客服和質檢系統；拍拍貸成立了智慧金融研究院，推進 智能技術的應用。 此前拍拍貸在系統底層軟硬件基礎上構建一系列算法，用來支持圖像識別、自然語言處理、複雜網絡、語音識別等等，最終服務於風控、客服、質檢等環節。 研究院的成立是繼續完善這些體系的研發。

這些探索標誌著互金行業對於AI應用的探索正在從風控環節向整個借貸環節的精細化管理與高效化服務方面發展，行業不僅通過AI來做風控，還試圖通過AI來降低客服、質 檢、身份識別等環節的成本，提供效率和體驗。

以質檢機器人為例，互金公司需要確保從獲客到風控再到客服每個環節的對外信息輸出是準確的，這就要檢查客戶經理、客服人員的語音服務記錄，工作量非常龐大 。 沒有AI技術就沒法做完全意義上的質檢。 而藉助質檢機器人，將各種語音轉化為文字，對文字再進行機器審核驗證，檢查不合規的部分。

由此來看，金融在運用AI方面，已經走在前列。 這也比較正常，金融領域一直是IT行業的最大客戶。

與前面提到的智能風控相比，智能風控的業務邏輯是利用機器找出數據之間的聯繫，以及各種數據維度與信用之間的聯繫，而其他環節的AI應用邏輯則是通過 數據來訓練機器，讓機器可以承擔部分固定性工作。

這不一定是要減少人的工作機會，而是減少各種無效環節，將更多時間分配到有效的溝通中。 例如客服一天撥打的電話可能有相當一部分是空號，或者打通了以後但客戶並不想進行溝通，這就浪費了客服以及公司的時間。 AI技術則將撥打環節交給機器，如果打通了，再通過交互來判斷客戶的溝通意願，如果確實有溝通必要則將電話轉接給人工客服。 這樣就使客服效率獲得提升。

當然，目前在AI技術應用於這些方面，還是有不少技術難題需要克服。 這些領域運用最多的是語音識別與語義識別。 在語音方面，對於方言的識別，對於嘈雜環境下的語音識別，都還沒有得到有效的解決。 在語義識別與自然語言處理方面，客戶語義的反轉，機器通常也無力應對。 舉例來說，客戶說能否介紹一下借款方面的利率為題，機器對此進行回應，客戶又說“不好意思說錯了，是想諮詢還款期限的問題”，這時候對人而言很 輕鬆地進行下一步的思考，但對機器而言，目前的語義分析與自然語言處理技術通常還做不出合適的判斷。 這些都需要AI技術的進一步成熟。

除了技術需要進步，企業還需要一定規模的資金與人員投入，並且經歷較長的時間的開發，以及不斷的迭代，才能達到預期的效果。 技術真正成熟後，AI在降低運營成本方面的作用才能顯現出來，不過這是以前期的投入為前提的。