Gartner吕俊宽：AI“多点开花“ 落地还得“因地制宜“

如今，AI在各行各业的“多点开花”已成为不可忽略的趋势，金融行业也通过AI制定数字化战略，走在了追逐AI浪潮的前列。

那么金融行业为什么要投资AI？AI能帮助金融行业解决哪些问题？金融行业在AI技术的实践过程中遇到了哪些挑战，又可以为其他行业提供哪些借鉴？Gartner高级研究总监吕俊宽一一作出了解答。

Gartner高级研究总监吕俊宽（CK Lu）

AI可以解决“无银行账户”用户的问题

据统计，全世界约有31%的人没有银行账户，其中印度约占21%、中国约占12%、美国约占7%。而现在提倡的“普惠金融”就是要让“无银行账户”的用户也可以享受到金融服务。吕俊宽表示，在这个过程中，AI的作用就是服务这些“无银行账户”的用户。

吕俊宽进一步解释说，传统的数据分析更多地是通过人为方式制定规则、对结构化资料进行高效率的分析，而“无银行账户”的用户带来的往往是非结构化的资料。这就必须要用AI来制定规则，即为每一个人提供定制化的服务。这也是AI与传统数据分析方法不同的地方。

“不要用投资回报率衡量AI是否成功”

吕俊宽认为，各行各业投资AI的三大动机是用自动化取代繁琐的人工工作、提升客户体验、降低成本。“但目前AI仍处于投入阶段，如果企业单纯地关注AI带来的收入增长，可能难以找准AI投资的点。”

吕俊宽举例说，最近两年最受追捧的AI应用之一就是客服机器人，但却很少有企业通过客服机器人达到投资回报率的目标。因为在使用AI应用的过程中，并不代表可以裁掉相应比例的员工。“企业CIO目前面临的问题是，很难从投资回报率的角度证明投资AI是有回报的。”

那么应该如何衡量企业部署AI的成功与否呢？他认为，首先要看通过AI可以帮助企业提升多少效率；第二，就是AI到底对客户体验的提高有多少帮助。

金融机构在运用AI时遇到哪些问题？

据吕俊宽介绍，金融机构在运用AI技术时，主要面临六大问题。

第一、商业价值，金融机构在使用AI以后，目前很难证明投资AI是可以带来回报的；

第二、资料管理，例如银行里很多数据是分散的，很难进行集中管理和分析；

第三、人才问题，许多IT人员负责运维或资料管理，并没有足够的能力在AI时代发挥专长；

第四、工具问题，过去两年AI的应用多以SaaS（软件即服务）为导向，耗时较长却只能解决单一问题，那么未来如果有数百个AI应用需要部署，投入的成本将是巨大的；

第五、规模问题，例如某个模型在实验室里运行准确率可以达到95%，可是一旦上线，或是进行更大规模的分析时，准确率就会大幅度下降；

第六、采购决策，每个部门各自采购，会造成投资浪费。

“AI没那么了不起，还是需要人工干预”

AI的广泛应用不禁会让人们担心自己的工作被取代，那么具体到银行，原有的IT人员或业务专家的角色会有哪些变化呢？

“AI其实没有我们想像得这么了不起。”吕俊宽介绍道，“现阶段的AI很多都是‘半监督学习’的。也就是说，AI制定规则或筛选数据，还是需要人工干预的。”

他举例说，比如将银行的全部数据用作数据训练，那么成本会很高。“这时候就需要银行的业务专家将数据进行精简提炼，再用AI训练模型，最后还需要专家修正模型，才能做出好的AI应用。”

吕俊宽表示，AI应用已经对整个金融机构的结构、人员带来完全、根本的改变。如何把原有的IT人员和业务人员转化成在AI时代可用的人才，这已经变成对金融行业人力资源管理的一大挑战。

AI落地还得“因地制宜”

对于AI技术如何在企业规模化落地，吕俊宽根据银行规模的大小给出了针对性的建议：

对于规模较小的银行，其业务场景虽然并不复杂，但是可能没有足够的资金对AI进行投资，所以可能主要以业务为导向，同时要与大银行已有的服务相匹配。

对于中型银行，其业务场景就比较复杂。但相对于头部银行而言规模比较小，因此更加灵活，好的AI应用就能帮助它提升一个层次。

对于头部银行，优点在于能够保证投入AI的资金充足。但头部银行竞争压力较大，其主要面临的是文化问题，而不是资金、资源的问题。“所以头部银行要做的就是从项目到产品上的文化改变和公司治理。”