应用AI技术，对当前金融领域中信用评估、金融反欺诈、贷款风控、非法集资资金检测、金融舆情分析等核心重点业务进行全面的数字赋能，有助于重塑金融安全新生态。

　　传统金融底层存在大量的个人信息及交易数据，互联网金融的诞生导致其数据量在传统金融的基础上呈指数级增加，大量的非结构化数据难以通过人工的方式进行审核与分析。金融领域关键业务中缺乏科学、高效的数字手段，这越来越成为制约金融行业稳健发展的短板。国家相关金融主管部门高度重视金融科技工作，自“十三五”时期起，中国人民银行印发的《中国金融业信息技术“十三五”发展规划》明确将金融科技作为金融发展的重要方向，把发展人工智能(AI)、大数据、区块链、云计算等新一代信息技术作为未来金融发展的重点研究方向。随着新型金融模式的开展，2020年，中国人民银行等8家机构发布的《关于进一步强化中小微企业金融服务的指导意见》进一步明确了AI技术在金融相关场景中的使用价值，也指明了AI的落地方向——鼓励金融组织机构运用AI、大数据等技术建立风险定价和管控模型，改造信贷审批发放流程。深度应用AI技术已经成为金融行业下一阶段发展的大趋势。

　　博彦泓智科技(上海)有限公司(以下简称“博彦泓智”)作为国内领先的数字科技服务企业，至今在金融行业中已为中国银行、中国农业银行、中国工商银行、中国建设银行、交通银行等五大银行，以及兴业银行、上海浦东发展银行、招商银行、平安银行和国家开发银行、中国农业发展银行等商业银行与政策性银行提供了高质量的数字技术服务。尤其在前一阶段社会普遍性快速扩张、盲目加杠杆的时期，博彦泓智通过AI技术助力各银行金融机构有效识别以钱炒钱、违规骗贷等金融乱象，最大可能规避了服务金融机构产生金融风险的可能，有力保障了金融安全。

　　AI赋能金融安全技术架构

　　博彦泓智的AI赋能金融安全技术架构如图1所示，主要分为数据层、算法层、算法成果层和应用层等4个层次共27个技术模块。博彦泓智主要通过以下3个步骤完成AI金融中从数据抽取到顶层应用的全链路流程。首先，在最下方的数据层中，通过网络爬虫以及API获取等方式得到金融行业结构化文本、非结构化文本、图片、音频、视频数据，为顶层应用提供数据支持。其次，在算法层中，先对获取的数据进行抽取与清洗，再使用光学字符识别(OCR)、人脸识别、文本语义分析等深度学习算法对提取到的数据进行抽取、分类、识别和预测，得到个人征信图谱、企业关系图谱、异常行为数据库以及金融舆情知识库。最后，通过算法成果层中的各项图谱与知识库为顶层应用进行赋能，现有的顶层应用包括信用评估模块、金融舆情分析模块、金融反欺诈模块、非法集资监测模块和贷款风控模块。

　　AI赋能金融安全应用领域

　　●信用评估

　　信用是金融的根本。过往的贷款审批存在审批效率低下、不够标准化和规范化的问题。应用机器学习以及知识图谱构建等人工智能技术，能够根据客户的资料信息对客户信用进行科学研判，从而对个体风险进行量化，使整体的信贷资产质量也有了量化指标。

　　当前，信用评分的建模技术已发展多年。在具体实践中，最近的信用评估技术所使用的模型已从百种升级至具有数千种不同模型的高度复杂的综合方法。该方法通过各种验证框架和具有多种学习算法的集成，使信用评估获得更高的准确性。其中，信用评分卡模型(标准评分卡)是主要的一种方法，它以逻辑回归作为基础模型，并分为4种评分卡：申请评分卡、行为评分卡、催收评分卡、欺诈评分卡，再通过机器学习的回归预测产生不同等级的数字信用分数。基于客户的信用分数，银行可决定客户所能持有的金额权限，从而规避金融风险。

　　据统计，在采用数字化信用评分之前，小额消费信贷的审批平均需要12小时，在使用AI赋能的数字信用评分技术后，大部分该类贷款的审批可缩短至15分钟以内完成，信用卡的审批只要一两分钟，甚至几秒钟。数字信用评分加速了整个信贷决策过程，降低了小额贷款成本，为普惠金融的开展提供了可能。同时，快速的审批过程也显著提高了客户的满意度。

　　●互联网金融反欺诈

　　对金融机构而言，金融反欺诈存在于多种场景中，如网络支付、网络借贷、消费金融、网络营销以及手机银行欺诈等。在不同场景中，反欺诈往往面临多种不同的问题。以信贷欺诈风险为例，白户风险、黑户风险、恶意欺诈、身份冒用、以贷养贷、中介风险、传销风险等都需要金融机构一一核实，这使得金融机构陷入两难境地，冒进可能会导致资金的风险，不拓宽新用户则意味着市场份额的损失。

　　一般而言，不管何种欺诈，归根到底，都是通过欺诈性申请实现的。反欺诈策略的实质就是探讨数据挖掘等技术来预测欺诈的概率，从而为金融机构发现和拒绝欺诈性交易提供依据。现有的反欺诈模型通常是使用人工经验和设计规则对用户申请进行过滤，该方法不仅需要较大的人力投入，而且存在局限于个体经验的系统性风险，从而产生欺诈误判的可能。AI技术的介入可以最大限度地解决此类问题：通过行为序列、生物探针、关系图谱，可以在网络支付情景中解决冒用他人信息支付的问题;通过人脸识别和文本语义分析、用户行为分析进行精准用户画像，可以解决网络借贷中的用户欺诈问题;通过机器学习中的监督学习可以对海量的用户行为特征、标签进行分类，预测用户的欺诈概率;通过无监督学习，可以对所有用户和所有操作行为进行各纬度数据和标签的聚类，找出与大多数用户和行为差异较大的用户和操作请求，并予以果断拦截，从而有效遏制金融欺诈行为的发生。

　　●贷款风控

　　贷款风控是对贷款主体进行贷前风险评估、贷中审查和贷后管理，包括对公贷款风控和个人信贷风控两大类。传统的线下经济很难实现对贷款主体信用的准确识别和分析，原因有三：其一，贷款提交的数据资料是静态的，同时，由于统计报表的日期滞后，数据资料也是存量过时的，这便使金融机构无法得知当前正在发生贷款主体的数据情况;其二，数据的真实性鉴别成本较高，一些交易对手为了获取融资提供假数据、假资料，对此进行分析鉴别需要投入极高的成本，在日常实际业务开展过程中较难实现;其三，传统信用的获取往往是融入资金方如借款企业提供的，即借款企业提供什么，贷款金融机构就分析什么，融出资金的金融机构处在被动接受地位。因此，资金融出机构很难准确获取借款企业的信用状况，这使金融风险更加难以控制。

　　为应对上述难点，AI技术的赋能必不可少。在对公贷款风控领域，贷款金融机构在贷前通过AI技术就能够从企业的财务报表、近期交易票据、企业资产情况、现金流、抵押物等信息中分辨优质资产情况，确认企业主体的还款能力。同时，AI技术能够以企业主体为维度，分析企业的行为特征、交易特征、关联人员特征等信息，并进行信息抽取，构建集账户属性、交易特质以及资金网络于一体的知识图谱，进而展现更加丰富、立体的“客户主体画像”。在贷中，有别于传统客户经理对企业主体的单据、资产等材料进行审查的形式，AI图像识别、音频识别算法可以对单据、审查过程的影响和语音进行识别分类，在实现降本提效的同时，还能规避遗漏、错误的发生以及操办人员的道德风险等。在贷后，AI技术能够更高效地管理实质贷款发放后直到完全收回之间的全过程，尤其是基于知识图谱的信息抽取技术可以对产业链中的关联性交易进行组织和透视，防止虚假交易的存在，有力保证资金安全和资金用途。

　　类似地，在个人信贷风控中，贷前AI技术能够更高效、准确地审核用户的贷款资质，防止欺诈发生，特别是针对那些以套现偿债或将贷款用于其他非报备目的的用户，AI技术的介入能对其关联交易进行信息抽取，判断贷款人的贷款行为，防止出现逾期及坏账风险。在贷中，算法能对贷款用户近期款项的资金流向进行有效监测，防止出现贷款用途与申请用途不符的情况发生。在贷后管理中，数字技术也能帮助及时发送还贷提醒，并且对逾期的用户进行贷款催收。由此可见，通过AI技术加强风险评估、风险管理的能力，能够有效规避债务风险，降低金融机构的坏账率。

　　●非法集资资金监测

　　随着越来越多的互联网公司和金融机构的兴起，非法集资日渐成为金融领域的主要风险。近年来，相关案件数量及涉案金额不断上升，严重危害人民的财产安全，影响金融稳定。因此，建立非法集资监测预警模型，提高对非法集资资金交易的监测预警能力，对有效防范金额风险的发生具有十分重要的现实意义。

　　传统的非法集资交易监测，主要是根据客户身份识别、企业信用信息、经营范围、资金来源、企业规模、营收和负债情况等信息制定相应规则，实现监测预警。重点监测行为包括短期内资金分散转入、集中转出或返还收益的账户，与客户身份、财务状况和经营业务不相符的资金往来也会被视为可疑账户及非法交易等。具体监测规则覆盖了包括集资人开户、非法互联网金融、集资行为、非法返利行为、集中境外操作等非法集资过程中可能涉及的各个领域。

　　然而，规则预警方法也存在一定的弊端，如在有效识别非法集资的同时出现较多“误杀”的情况，在通过规则遴选出的可疑账户的识别数据里，存在大量正常账户因符合可疑账户的部分规则而被“误杀”的情况。这导致规则生成的筛查结果仍需大量的人力进行逐一鉴别。因此，需要在规则预警的基础上，应用AI技术提高监测预警算法的精准度。

　　通过搭建AI技术支撑的大数据算法平台，收集符合非法集资的账户和交易记录的量化特征数据，包括交易对象、交易金额、交易频率、交易方式等，经过数据清洗、数据集成、数据变换、数据规约等一系列预处理过程，把数据集合统一转换成可供分析的结构化数据，最后利用算法模型组合，包括RNN、逻辑回归、SVM、随机森林、lightGBM等方法，学习并拟合非法资金的内在特征，从而实现对监测算法精度的全面提升，降低数字化实时监控对人力的依赖，助力银行有效抗击非法金融行为。

　　●金融舆情分析

　　金融舆情是由组织机构或个人发表的以金融事件为基础的逻辑推理以及个人观点，主要包含金融行业的突发事件、行业发展趋势，其中包含大量的虚假信息以及强烈的主观臆断。金融信息通过不同渠道发布、传播，或许会影响个人或机构的金融行为，甚至影响整个金融领域的发展趋势。因此，及时准确获取突发金融事件并对特征事件进行实时跟踪，准确判断信息的真伪以及是否存在主观臆断，对个人以及特定组织机构的决策行为有着十分重要的参考价值。使用AI技术对金融舆情自动进行分类、抽取以及逻辑推理，能够实现对信息的及时推送、准确定位以及多角度分析和可视化展示，从而提升信息获取速度、数据使用效率和对信息的深度挖掘，主要包括舆情识别、舆情信息结构化、舆情信息分析等3个部分。

　　首先，大量的金融舆情信息充斥在互联网等各种渠道中，内容杂乱、来源不一，其结构、内容的多样性给定位消息和确认消息的可信度造成了很大的困扰。传统舆情信息识别需要基于历史经验进行多渠道信息的对比。然而，单纯的字符检索以及人工对比判定显然无法在海量的互联网数据中达成有效的识别。AI技术则能通过训练文本语义和结构化的图谱数据，实现对多样文本、语音、图片等数据的高效分类和提取。

　　其次，针对信息格式、内容、来源多样的舆情信息，语义分析、多模态信息处理、文字识别(OCR)等AI技术能实现对非结构化的多元异构数据进行高效的抽取和对齐，以实现结构化存储。对于不同来源的金融信息，根据消息来源的可靠性，结合AI分类、抽取技术以及对多渠道信息的对比分析，还能实现对信息置信度的判定、热点话题发现等。

　　最后，通过对实时信息的结构化以及与多渠道信息的对比融合，结合历史信息推断，综合分析事件的发生频率、发展大趋势以及历史影响和关联信息，能够精准判定即时舆情信息是主观臆断还是既定事实，抑或是行业发展趋势等类别，及时获取行业突发事件和热点话题以及进行舆情告警。同时，还可以对已预先设定的焦点话题进行共现分析，深度挖掘话题或事件背后的隐含规律，并以图谱和逻辑链路的形式快速、全面、直观地展示突发事件的关联信息以及发展脉络，为金融决策提供参考。

　　实践表明，机器学习、知识图谱等技术对金融实体的工商、税务、舆情等信息进行自主学习和智能建模，能够有效构建智能化的信用评估系统。对行业构建系统全面的知识图谱，能够实现对交易链进行组织和透视，精确定位虚假交易。通过计算机视觉、自然语言处理以及智能语音等技术，对各类贷款材料进行智能识别及审核，不仅能够实现降本增效，还能降低机械风险和人员道德风险。随着金融创新业务的不断涌现和AI技术自身的不断进步，AI技术在金融领域的赋能空间仍在不断扩展。

　　金融是国家重要的核心竞争力，金融安全是国家安全的重要组成部分，是关系我国经济社会发展全局的一件带有战略性、根本性的大事。在互联网加持下的新兴金融模式层出不穷、金融风险防范持续警钟长鸣的当下，应用以AI技术为代表的新兴信息技术应对金融业务领域风险和挑战，值得广大金融机构积极关注和果断投入。同时，金融领域的广阔空间也值得AI技术企业和从业者共同关注、共同参与。

本文来自《张江科技评论》