Colección de citas famosas - Mensajes de felicitación - Cinco pistas, ocho expertos, el mundo de la IA a los ojos de la Oficina de Regulación Bancaria.

Cinco pistas, ocho expertos, el mundo de la IA a los ojos de la Oficina de Regulación Bancaria.

¿Quién dice que los elefantes no pueden bailar?

Para todos los bancos, 2020 es una prueba definitiva sin previo aviso, y también es la confrontación de tecnología financiera más intuitiva. La epidemia ha provocado que el tráfico de las sucursales se desplome hasta casi cero, desafiando los niveles de servicio en línea de los bancos en todos los aspectos y poniendo a prueba qué parte de la mayor inversión en tecnología a lo largo de los años ha logrado realmente la digitalización y la inteligencia.

A medida que entramos en 2021, los bancos están marcando el comienzo del mejor momento para recuperarse con cautela y están listos para hacerlo.

El año pasado, los bancos trabajaron más duro para deshacerse del estereotipo del elefante dando vueltas, se despidieron de la vergüenza de verse impulsados ​​por diversas innovaciones en el pasado y trataron de seguir adelante. ola de tecnología financiera y nueva infraestructura digital Asumir un papel más activo y abierto y seguir avanzando a un ritmo rápido y ágil.

Ningún banco no quiere adoptar la IA y nadie quiere perderse el futuro de la transformación digital inteligente. En el proceso de clasificar el diseño general de la IA de docenas de bancos y compartirlo con muchos invitados a la "Cumbre del Ecosistema de IA Bancaria", descubrimos gradualmente los desafíos y dilemas de la IA bancaria, y esas dificultades y peligros también son oportunidades.

Seguridad de los datos y protección de la privacidad

La IA bancaria se detuvo por primera vez debido al dilema de los datos que enfrentaba la propia IA y los estándares regulatorios de datos cada vez más estrictos.

Mientras la dimensión tecnológica sigue avanzando, un tema en el que los bancos deben pensar es: ¿cómo equilibrar la innovación empresarial y la protección de la privacidad?

Los "Cursos abiertos de la serie de aprendizaje federado" organizados por Lei "AI Financial Review" llevaron a cabo una discusión sistemática y en profundidad sobre este tema. Yang Qiang, director de inteligencia artificial de WeBank, señaló directamente en la primera clase: "El poder de la inteligencia artificial proviene de los grandes datos, pero en el proceso de solicitud real, se trata principalmente de datos pequeños".

Wang Jianzong, ingeniero jefe adjunto de Ping An Technology, también señaló en la clase: “La tecnología de IA tradicional debe aprender o extraer algunas características relevantes de datos masivos, utilizar la teoría matemática para ajustarse a un modelo matemático y encontrar la relación correspondiente entre la entrada y la información. resultados, como la profundidad. Los pesos y sesgos de la red de capacitación durante el aprendizaje. El efecto del modelo está estrechamente relacionado con la magnitud, la calidad y la autenticidad de los datos.

Un ejemplo típico es el crédito bancario. Control de riesgos: la mayoría de las aplicaciones de IA ahora se basan en datos, el control del riesgo crediticio requiere mucha capacitación en datos, pero hay muy pocos casos de control de riesgos de préstamos grandes. "Si desea construir un modelo de aprendizaje profundo, no es suficiente utilizar una muestra pequeña para un préstamo tan grande", explicó Yang Qiang.

Los datos pequeños deben "reunirse en torres" y enfrentan la posibilidad de vulnerar la privacidad. Para ello, se ha acelerado la legislación en materia de ciberseguridad y cumplimiento de datos, y también se ha castigado severamente el abuso de datos y de los rastreadores.

Aunque la "Ley de Seguridad de Datos" aún se encuentra en estado de borrador, el borrador establece claramente que, bajo la premisa de proteger las organizaciones ciudadanas y los derechos e intereses relacionados, se centrará en el uso de los datos en sí y en el uso de los datos. como elemento clave para promover el desarrollo económico.

Los datos se consideran el campo petrolífero de la nueva era, pero ¿cómo pueden los bancos explorar herramientas de minería más eficientes y compatibles a través de la IA?

En el primer discurso de la "Cumbre Ecológica de IA de la Industria Bancaria", el Dr. Yan Qiang, científico de seguridad blockchain de WeBank, llevó a cabo una discusión en profundidad sobre la seguridad de los datos y el pensamiento de protección de la privacidad necesarios para los bancos. . Señaló:

En la era de la economía digital, el desarrollo de la IA en la industria bancaria debe respetar la "isla de datos", que es la ecología original de la industria de datos, la tecnología de protección de la privacidad es la clave para. romper el "juego de suma cero" de la integración del valor de los datos y requiere un gran avance en el "doble ciclo" de producción colaborativa de datos privados.

Blockchain es la mejor tecnología para transmitir confianza y valor a los datos. Blockchain puede complementar o mejorar los problemas de calidad de los datos comunes en las aplicaciones de inteligencia artificial y computación de privacidad.

Muchas rutas de tecnología de IA, como el aprendizaje federado, la computación confiable TEE y la computación segura multipartita, también están tratando de implementar escenarios de negocios bancarios centrales.

AI Financial Review descubrió que, además de WeBank, Bank of Jiangsu también está explorando la dirección del aprendizaje federado en 2020. Cooperaron con el equipo de seguridad de Tencent y, con el apoyo de Federated Learning Technology, desarrollaron e implementaron conjuntamente operaciones de tarjetas de crédito inteligentes basadas en Federated Learning Technology. Realizar capacitación sobre el modelo de control de riesgos financieros.

Base de datos del banco

Con "datos" como línea, el proceso de actualización de las oficinas frontal, intermedia y administrativa del banco es claramente visible.

Si la discusión sobre tecnología bancaria en los últimos años se centró más en aplicaciones inteligentes en el front office, ahora la construcción del middle y back office ha comenzado a tomar protagonismo, discutiéndose su valor e impacto. sobre la importancia de la transformación digital de los bancos.

Uno de los módulos importantes es la transformación y actualización de la base de datos bancaria.

Hemos informado que desde que Oracle ingresó al mercado chino, ha tenido una ventaja abrumadora en el mercado de bases de datos bancarias y ha sido la primera opción para muchos bancos en compras.

Debido al uso prolongado de Oracle, muchos bancos han desarrollado una grave dependencia de la ruta. Li Zhongyuan, jefe de tecnología de bases de datos distribuidas en Ping An Bank, también dijo a "AI Financial Review" que la migración y reconstrucción del sistema requieren muchos costos. Desde una sola máquina hasta un grupo de varias máquinas, la probabilidad de fallas y los costos de mantenimiento aumentarán, lo que supondrá un gran desafío para la operación y el mantenimiento de todo el sistema. (Para obtener más información, consulte "Cuando la industria bancaria comienza a cambiar, cuando las bases de datos nacionales "se rompen")

Sin embargo, a medida que las necesidades de innovación de los bancos se vuelven cada vez más complejas, las bases de datos tradicionales se vuelven cada vez más incompetentes en términos de límites técnicos. La falta de coincidencia, los costos y la controlabilidad; la fuente única de base de datos de adquisiciones también coloca al banco en una posición muy pasiva.

El surgimiento de la computación en la nube ha sacudido la posición casi monopólica de Oracle en el mercado de bases de datos, y los principales proveedores de nube de Internet han entrado al campo de batalla.

Li Gang, vicepresidente de Tencent Cloud, dijo que las bases de datos basadas en la nube tienen dos ventajas: bajo costo y fácil expansión. Puede ejecutarse en cualquier servidor de PC X86 y, en teoría, tiene una escalabilidad horizontal ilimitada, incomparable con las bases de datos tradicionales como Oracle.

Como resultado, miles de bancos nacionales obtuvieron más opciones y comenzaron a migrar de bases de datos centralizadas a bases de datos distribuidas. Comenzó un largo viaje relacionado con "desplazar grandes máquinas".

Esta reforma ya tiene pioneros. Por ejemplo, Zhangjiagang Bank colocó su sistema comercial principal en la base de datos Tencent Cloud TDSQL en 2019. Por primera vez, un banco tradicional eligió una base de datos distribuida nacional como su sistema central. En 2020, también se puso en producción el sistema central de tarjetas de crédito de Ping An Bank, y el nuevo sistema central también adoptó una base de datos nacional.

En la "Cumbre Ecológica de IA de la Industria Bancaria", Zhang Wen, arquitecto jefe de Tencent Cloud Database TDSQL, compartió en profundidad casos típicos de migración y transformación de bases de datos de Zhangjiagang Bank y Ping An Bank.

Tomemos como ejemplo Ping An Bank. Su enorme escala significa que la transformación de aplicaciones es más desafiante. Zhang Wen explicó que para cooperar con esta transformación, la aplicación introdujo una arquitectura de microservicio para dividir y desacoplar la aplicación. La asignación de cuentas se divide en unidades, siendo DSU la unidad lógica. Una DSU contiene 2 millones de información de clientes y una DSU maneja servicios de contabilidad y en línea.

Sin embargo, las bases de datos distribuidas nacionales también se están desarrollando continuamente. Zhang Wen también señaló que las bases de datos distribuidas a nivel financiero actuales enfrentan una serie de desafíos. Además de su escalabilidad y escalabilidad, también debe abordar la alta disponibilidad y la sólida coherencia de los datos, al tiempo que explora costos de rendimiento más rentables y crea una solución madura más fácil de usar y orientada a productos para las instituciones financieras.

Construcción China-Taiwán

La popular palabra clave "Construcción China-Taiwán" ya no es exclusiva de las empresas de Internet. Los bancos no son una excepción e incluso necesitan una oficina intermedia.

La estructura de una institución grande como un banco es extremadamente compleja, con múltiples departamentos y equipos trabajando juntos. Los datos masivos son como un edificio ruinoso que ha estado en mal estado y requiere una gestión oportuna y continua.

Parece que los bancos tienen muchos datos, tecnología y talentos, pero los recursos a menudo van por su cuenta y los departamentos no cooperan y construyen chimeneas para sus propios asuntos, la tecnología es superficial y no se puede vincular; y se profundizó, dando lugar a un gran despilfarro de recursos bancarios.

Sólo con la construcción sistemática y el buen funcionamiento de Taiwán, China, se podrán resolver uno por uno los "nudos muertos" de este enorme sistema.

Wang Yongqing, presidente de la Junta de Supervisores del China Construction Bank, señaló una vez que la construcción de la Plataforma China es un vínculo clave en la transformación de las operaciones digitales de los bancos comerciales y el destino inevitable de los bancos comerciales. 'La transformación digital es ecología y escenarios.

Aunque los bancos comerciales han acumulado ciertas ventajas competitivas durante muchos años de operación y han formado sus propios ecosistemas internos únicos, todavía son cerrados y fríos, y no pueden satisfacer las necesidades de interacción, alta viscosidad, y requisitos de gestión ecológica abierta, somatosensorial y sin fronteras.

Por lo tanto, CCB ha tomado la delantera en el centro de datos y su implementación se puede resumir en 5U (U significa unidad), que incluye gestión de modelos unificados, servicios de datos unificados, vistas de datos unificados y especificaciones de datos unificados. y gestión unificada de datos.

Para respaldar fácilmente a cientos de millones de usuarios y lograr operaciones basadas en escenarios de alta eficiencia y alta concurrencia, China Merchants Bank también ha continuado esforzándose en la construcción de una plataforma intermedia y un ecosistema tecnológico en los últimos dos años. La aplicación China Merchants Bank 9.0, lanzada a finales del año pasado, tiene más de 1.800 requisitos de iteración, y la construcción de la plataforma intermedia digital "10 N" representa una proporción considerable.

¿Cómo construir el centro de datos que necesitan las instituciones financieras?

En la "Cumbre Ecológica de IA de la Industria Bancaria", Zhang Jiaxing, científico jefe de 360 ​​Subjects, resumió los estándares de datos en Taiwán con los "tres vínculos y tres ayunos":

Finanzas Las instituciones se enfrentan a un gran número de usuarios y negocios complejos. Un centro de datos excelente debe lograr acceso multiservicio, interoperabilidad de datos internos y externos y conexión de relaciones con el usuario, así como un procesamiento rápido en tiempo real, un uso rápido y una respuesta rápida a la demanda de datos.

Enfatizó además que los datos y la IA están muy estrechamente integrados. Si la plataforma de datos y la plataforma de inteligencia artificial se construyen por separado, inevitablemente se producirá fragmentación.

En base a esto, 360 también lanzó su propia plataforma intermedia de fusión de datos AI, ajustando la plataforma de datos de nivel superior, los servicios de plataforma respaldados por servicios de datos intermedios, la gestión de todos los activos de datos y el diseño. de toda la arquitectura de tecnología de datos subyacente, integrada con sus propias capacidades de IA.

Zhang Jiaxing también reveló en su discurso en el Yunfeng Club que 360 ​​investigadores de Matemáticas han desarrollado una red neuronal segmentada con tecnología de aprendizaje federada. A través de las características irreversibles de las redes neuronales en el espacio de alta dimensión, los diferentes socios de datos participantes solo necesitan transmitir vectores de incrustación pero no pueden ver los datos originales, pero el modelo final puede producir el efecto objetivo.

Control inteligente del riesgo de crédito bancario

Durante el año pasado, la gestión del riesgo de crédito bancario siguió siendo una de las direcciones más interesantes.

Por un lado, la preocupación proviene de los riesgos de préstamos vencidos y de insolvencia, que han aumentado considerablemente debido a la epidemia. Cómo "estabilizar este cuenco de agua" a través de medios técnicos y comprender la escala del apoyo crediticio se ha convertido en una prueba importante para los bancos, las empresas de consumo y los proveedores de servicios de tecnología de control de riesgos. (Para más detalles, consulte "La epidemia de las guerras crediticias: una prueba de año nuevo para el control de riesgos")

Por otro lado, a partir del segundo semestre de 2020, la "línea roja" para la supervisión de La tecnología financiera o las finanzas por Internet se han ido aclarando poco a poco. Por ejemplo, las "Medidas provisionales para la gestión de préstamos en línea de bancos comerciales" establecen claramente los requisitos de control de riesgos para los bancos comerciales y las normas de gestión para las instituciones cooperativas.

Aunque el control de riesgos inteligente que combina IA y big data ya no es nuevo en la aplicación de la tecnología bancaria, esto no significa que el control de riesgos inteligente sea lo suficientemente maduro: barreras de recursos de datos, acumulación de datos propios, extracción de características de datos. y la mejora del modelo algorítmico se consideran los cuatro principales dilemas que enfrenta actualmente el control de riesgos de big data.

La persona a cargo de un banco comercial dijo una vez que existen problemas comunes de calidad de los datos en el proceso de construcción y aplicación del modelo, incluido el fraude de datos externos (fraude de productos negros) y el abuso de datos internos. Durante la iteración del modelo, muchos bancos solo buscan la velocidad y frecuencia de la iteración, ignorando el efecto final.

Wang Jin, CRO de Baidu Finance y ex director ejecutivo de Ronghui Jinke, señaló además que factores como estándares de datos y sistemas de gobernanza imperfectos, mala calidad de los datos y una alta tasa de faltas, capacidades técnicas insuficientes y falta de talentos científicos y tecnológicos integrales, etc. Todas estas son razones importantes por las que los bancos y otras instituciones financieras no pueden crear buenos modelos.

Wang Jin trabajó en American Express, conocida como la "Academia Militar de Control de Riesgos Whampoa" durante 17 años, y fue responsable de proporcionar sistemas de políticas y monitoreo independiente para más de 700 modelos relacionados con varios productos en varios países alrededor del mundo. En la Cloud Summit, también analizó malentendidos conceptuales en la gestión de riesgos financieros basándose en sus más de 20 años de experiencia en control de riesgos.

“Muchas personas no comprenden particularmente que la gestión de riesgos es siempre una ciencia para encontrar el equilibrio.

"Wang Jin cree que hay tres cuestiones centrales en el equilibrio de la gestión de riesgos:

También analizó los elementos centrales del equilibrio de la gestión de riesgos en los bancos y otras instituciones financieras autorizadas. Cuando se trata de gestión de riesgos, el más importante Lo importante es controlar los datos. “Las empresas financieras deberían pensar en el ciclo de vida de los datos desde el principio. Primero, debemos decidir qué tipo de datos necesitamos en función de la elección de productos comerciales y clientes. ”

La estrategia de datos es un proceso de implementación a relativamente largo plazo. Las organizaciones primero deben establecer los principios y condiciones para la selección de datos: no solo se debe considerar el cumplimiento, la estabilidad y la cobertura de los datos, sino también su frescura. de los datos.

Desde la perspectiva de la construcción del modelo, Wang Jin señaló que un excelente modelo de control de riesgos debe tener cinco elementos: diferenciación, precisión, estabilidad, complejidad y confiabilidad. Interpretabilidad. La selección de datos de "materia prima", la arquitectura y el algoritmo del modelo, la aparición de variables derivadas, el seguimiento y la iteración del modelo, la definición de Y y la selección de muestras afectan la "forja" del modelo. En su opinión, sería un estado ideal si los bancos y otras instituciones financieras pudieran ser eficientes y completos en términos de identificación y control de identidad, gestión de seguridad de datos, gestión de modelos de riesgo y sistemas de monitoreo automático.

RPA. y optimización de procesos internos

Hay otra palabra clave que aparece cada vez con más frecuencia en los informes anuales de los bancos, es decir, RPA (Robotic Process Automation). Anteriormente también se llevó a cabo la "AI Financial Review". "Curso abierto de la serie RPA AI" e invitó a cinco ejecutivos de proveedores de RPA a compartir las chispas entre RPA y las finanzas.

La definición de RPA recuerda fácilmente al "banco de procesos" de alrededor de 2012. Tendencia de transformación en. En ese momento, la banca de procesos tenía como objetivo reconstruir los procesos comerciales, los procesos organizacionales, los procesos de gestión y los conceptos culturales del banco, transformar el modelo bancario tradicional y formar un nuevo sistema de gestión bancaria con el proceso como núcleo.

Hoy, La batalla por la transformación bancaria se ha convertido en "transformación digital" en todos los aspectos. Con el apoyo de la IA y los robots, la optimización y transformación de los procesos internos se ha promovido continuamente y la RPA se ha convertido rápidamente en un "arma" indispensable para la digitalización del banco. transformación

Ji Chuanjun, cofundador de Daguan Data, señaló en la "Cumbre Ecológica de IA de la Industria Bancaria" que el valor más obvio que RPA AI aporta a los bancos es reducir la mano de obra, reducir los errores humanos, mejorar la eficiencia de los procesos comerciales y también mejorar las capacidades de alerta y monitoreo de riesgos.

AI Financial Review señaló que algunos bancos estatales han implementado RPA en negocios reales. Por ejemplo, la aplicación de RPA en ICBC cubre operaciones de front-office y circulación de middle-office, soporte de backend y otros escenarios comerciales, y fue el primero en la industria en lanzar una plataforma de automatización robótica de procesos (RPA) a nivel empresarial y promover su. aplicación Un total de 46 oficinas centrales y sucursales en todo el banco han implementado 65,438,020 escenarios

China Construction Bank también introdujo RPA, estableció la primera plataforma nacional de operación y gestión de RPA a nivel empresarial y aplicó 100 escenarios. en negocios ágiles de RD, logrando la automatización de enlaces manuales y la informatización de enlaces de riesgo.

El Banco Agrícola de China reveló que todavía se encuentra en la etapa de construcción de una plataforma tecnológica y utilizará negocios de tarjetas de crédito y. negocios financieros como proyectos piloto para satisfacer las necesidades de RPA. Su estrategia de implementación es construir una plataforma de tecnología RPA unificada para todo el banco y proporcionarla a todos los departamentos de la oficina central y las sucursales que exporten servicios de RPA.

A finales de 2017, Bank of China International, filial del Bank of China, ha verificado el concepto de RPA. El equipo puso en producción con éxito 20 robots, realizó más de 30 tareas de procesamiento automatizado que involucraban diferentes procesos comerciales en diferentes posiciones y también cooperó con fabricantes de RPA.

Ji Chuanjun también compartió la implementación actual de AI RPA en varios escenarios típicos en los bancos en la Cumbre de la Nube:

Por ejemplo, el crédito inteligente es el proceso central para todo el banco: el El proceso de concesión de crédito se divide en tres etapas: antes del préstamo, durante el préstamo y después del préstamo. Involucrando vínculos profesionales como consulta de datos, procesamiento de datos, estados financieros y flujo bancario.

Y es necesario completar el ingreso de información básica y la revisión de informes, y una gran cantidad de trabajo repetitivo en estos enlaces se puede completar automáticamente en función de tecnologías como AI, OCR y PNL.