隨著AI在數據分析的應用日益廣泛，眾多金融場景受益匪淺。

普華永道數字化總監黃旭向記者透露，目前不同金融機構在AI+數據應用方面成效顯著，比如一家大型股份制銀行正將數據智能應用在反欺詐風險防控。具體而言，這家股份制銀行一方面運用知識圖譜技術，解決電信詐騙數據拓展問題，從而更高效地識別查詢新開戶風險賬戶與僵尸賬戶，一方面根據風險特征建立模型庫，將后續案例數據，通過實時計算當前案例與歷史場景特征的偏離值，計算案例的涉案概率同時，運用大數據與人工智能技術，快速建立個人及時風險預警規則等模型，對風險事件進行實時分析和決策。

“目前，這家股份制銀行已建立反欺詐防控策略和規則模型的企業級統籌管理架構，并賦能電信詐騙業務場景的風險挖掘，完成個人涉案賬戶風險控制的數字及智能化轉型。”他告訴記者。

(資料圖)

此外，保險公司在AI+數據方面也頗有建樹。比如一家大型保險公司針對持有一款財產保險的客戶，將他們的基本信息、保單信息、車輛信息、理賠信息、險種纖細等數據進行整合，探查這款產品生效后一年內的客戶加保壽險的可能性。在AI+數據的加持下，保險公司通過針對性營銷，令相關客戶的加保成功率大幅上升，保險代理人的人均產能也隨之提升約25%。

值得注意的是，AI+數據的日益普及，也考驗各行各業企業機構的綜合能力。

近日，從事仿真、高性能計算 (HPC)與人工智能 (AI) 解決方案研發的Altair（ALTR.Nasdaq）發布一項國際調查顯示，盡管全球多數企業廣泛采用并實施企業數據與AI戰略，但它能否成功，主要取決于組織、技術和財務等三大方面。

就組織方面而言，眾多受訪企業正在努力填補數據科學領域大量的職位空缺，但人才短缺和提升現有員工AI技能水平所需的時間，仍是企業采用 AI+數據戰略所面臨的普遍問題；就技術方面而言，逾半數受訪企業表示企業面臨諸多技術限制，極大地阻礙AI+數據計劃的發展；就財務問題而言，盡管受訪企業希望擴大AI+數據戰略，但團隊與技術人員都面臨著來自財務方面的層層阻礙。

一位國內銀行AI風控人員也告訴記者，為了提升針對金融欺詐團隊的識別能力，他們一方面需引入更多結構化異常信息（包括靜態數據、交易數據與時間序列的組合），一方面需通過構建AI模型對交易鏈路、交易網絡與欺詐團隊結構進行深度挖掘，但這都需要銀行提供大量資金支持與招募更多精通AI的人才，目前他們遇到的主要挑戰，是銀行財務人員更看中降本增效，對AI+數據所需的長期資源投入“認識不夠”。

“目前，我們一面引入第三方AI科技機構進行資源賦能，一面也通過內部溝通，要求銀行增加相關AI人才招募等投入，解決當前AI+數據的瓶頸與摩擦。”他告訴記者。

在業內人士看來，盡管AI+數據模式仍面臨組織、技術與財務方面的三大挑戰，但全球數據科學與機器學習正呈現三大重要發展趨勢。

一是邊緣人工智能市場將出現爆發式增長，即在金融等各行各業企業的數字化轉型實踐加速與萬物互聯的共振下，邊緣設備及其產生的數據量激增，但由于大量邊緣側數據轉移至某個中央的公共設備進行處理并不現實，因此越來越多企業會選擇直接在靠近數據產生的邊緣側進行分析，通過本地分析大大降低能源消耗，并消除將數據卸載到遠程計算機系統所涉及的隱私問題。未來，邊緣設備將變得更智能。

二是數據分析將驅動業務價值，讓決策更精準。即以決策為中心的數據和分析將逐漸替代以數據分析為驅動的決策。這要求數據分析的AI人員更需“走進”業務，讓業務人員具備數據分析能力和思維，在工作環節令決策和數據合二為一。

三是越來越多企業將使用自適應AI系統應對內外因素變化。隨著實時數據處理、流式傳輸和共享需求的增加，推動更多企業向數據分析驅動型企業轉變。因此企業需部署自適應AI系統以頻繁采集大量數據，并迅速適應變化和差異。

“但要實現完全自動化的決策并不容易，未來影響企業決策的因素將越來越復雜，這些因素將對決策智能模型產生干擾，影響最終決策的正確性，因此需要一個更靈活、更強大的增強型AI系統來處理這些復雜的因素，從而幫助自動化決策智能的實現。”Altair RapidMiner產品開發高級副總裁Ingo Mierswa表示。

記者多方了解到，為了破解 AI+數據在金融、汽車設計生產、工業制造智能化等場景的瓶頸與挑戰，眾多科技平臺紛紛尋找技術解決方案。

“就全球視野而言，賦能企業數字化轉型的數據服務商數量眾多且類型豐富，不僅包括服務工業、金融、零售等特定行業數字化轉型起家的服務商，還包括通用型AI技術、數據分析產品提供商。在數據驅動業務發展和智能決策成為企業數字化轉型重要趨勢的背景下，如何將企業積累的海量且復雜的數據高效利用起來，挖掘并發揮數據的更大價值，打通企業設計研發-生產制造-營銷銷售-運維等全生命周期的數據流通和全流程數字化轉型，成為現階段企業亟需回答的經營新挑戰。”Altair大中華區總經理劉源告訴記者。盡管眾多各行業企業都在努力實現全流程數據驅動，但部門之間、人員之間仍存在孤立現象，令企業難以正確并高效利用快速增長的數據，導致企業在應用AI技術和AI產品過程中會產生多種“摩擦”。這些數據分析所存在的“摩擦”，將成為企業數字化轉型過程中的不穩定因素，導致項目失敗、成本和人員投入浪費等。

上海市數據科學重點實驗室主任肖仰華指出，數據+AI等數據智能是以數據作為分析內容，以知識的發現和應用為核心內容的智能形式，以期讓機器具備人類的高階認知能力，包括理解、推理、決策、解釋、規劃等。在這種情況下，數據驅動（領域預訓練大模型）與知識驅動（動態知識圖譜）雙系統的連續交互是實現數據智能的關鍵；低代碼、插件化、能協同、可解釋、高性能、全流程覆蓋是數據智能的功能性要求；復雜決策是數據智能的目標。

“隨著AI技術演進和需求的變化，數據智能應用場景由智慧出行、智能搜索等大規模簡單應用場景逐漸向智慧醫療、智能工業等小規模復雜應用場景轉變，從以人為中心逐步發展到人機物并重。要真正發揮數據智能對企業的賦能作用，數據與領域知識的深度融合將是必要條件。”他強調說。

關鍵詞：