2025 年金融服务和金融科技的 AI 应用

快速阅读: 据《芬格尔》称，本文探讨了预测性人工智能在金融服务中的应用，特别是在KYC和AML合规方面的潜力。通过自动化流程和创新功能，人工智能不仅降低了错误率，还提升了用户体验。然而，数据质量和完整性是其应用的关键挑战。未来，随着人工智能助手和代理的普及，金融服务行业有望实现更高的效率和价值创造。

几周前，我参加了伦敦金融科技周期间举办的多个活动。在活动中，我聆听了众多演讲，参与了多场小组讨论，还与该领域的许多人进行了交流——包括成熟的金融服务公司、成长型企业以及其他处于产品开发早期阶段的生态参与者。

在金融服务领域，最常见的预测性人工智能应用场景是KYC（了解你的客户）和AML（反洗钱）合规。KYC和AML流程包含大量基于规则的重复操作，这些操作需要在执行时做到一丝不苟。小的失误和遗漏导致了2024年近240亿美元的罚款，其中仅美国公司的罚款就超过了30亿美元。自动化这些流程不仅能显著降低错误和遗漏的发生，而且所需的资源仅为传统KYC和AML流程的一小部分。

2024年4月，Visa宣布其基于人工智能的欺诈检测系统通过分析客户的行为模式、地理位置和交易速度，帮助阻止了一年内价值410亿美元的欺诈交易。另一个引人注目的自动化AML功能示例是SEON的交易监控模型和筛查系统，这一系统将客户的手动欺诈审查减少了37%，即超过三分之一。同样，Revolut推出了一项基于人工智能的功能，旨在保护客户免受APP（授权推送支付）骗局的影响，这种骗局常常是洗钱的前奏。该功能使用机器学习模型实时标记潜在的骗局，通过对比正常用户的交易模式与异常情况来识别可疑行为，从而简化了原本繁琐的工作。

此外，其他一些常见的人工智能应用包括：从10-K表格中提取数据；自动化贷款申请处理和客户数据交叉验证；识别客户关系，以减少KYC审查所需的时间和整体成本。金融服务公司还可以将预测性人工智能应用于其他低复杂度、高影响且目前资源密集型的过程。同时，通过更具冒险性的功能，公司有机会为客户提供额外价值并获得竞争优势。

要在由金融巨头主导的拥挤领域脱颖而出并不容易，尤其是对于新进入者而言，这需要一种创新的文化。预测性人工智能为金融科技革新者提供了洞察力，使其能够在投入资金和时间开发新功能之前，更好地预测不同受众群体对其接受、采用或拒绝的情况。它还可以应用于批判性创意过程和原型设计。预测性人工智能在从功能创意到开发的整个过程中大多数步骤都是有用的。例如：

– **验证想法**：通过对历史用户行为模式进行投影到功能原型上。例如，Monzo使用机器学习模型来识别用户行为中的模式，如登录活动、入职流程交互以及客户何时使用某些功能（如付款）。当构建新功能时，Monzo现在可以使用这些数据来预测用户可能如何与提议的功能互动。该模型可以显示特定用户档案是否会使用或忽略该功能，它是否可能会增加对核心或优先服务的参与度，或者是否可能无法激发有意义的参与增长，甚至可能以某种意想不到的方式为用户提供价值。

– **评估新产品或功能在完全开发和推出之前的合规影响**：总部位于美国的Upstart是一家基于人工智能的消费贷款金融科技公司，它使用预测性人工智能工具进行预部署模拟，以衡量其贷款平台是否符合《平等信用机会法》（ECOA）。通过模拟人口统计组等变量来测量是否有任何组别被不成比例地拒绝。为了使模型的发现对监管机构透明，Upstart使用可解释的人工智能（XAI）模型来解析其逻辑并显示决策是否符合监管标准。许多金融服务提供商，包括Upstart，都使用代理模型来模拟潜在偏见。然而，消费者金融保护局（CFPB）尚未为代理模型设定明确的法律规则，这种缺乏清晰度确实意味着使用代理模型会带来一定程度的合规风险。传统上，英国监管机构更关注一般决策的透明度，而没有特别关注人口统计数据。因此，金融机构通常强调向金融行为监管局（FCA）解释结果的重要性。

– **预测流失率并优先开发某些功能而非其他功能**：经过充分训练的机器学习模型能够根据足够的用户数据识别出潜在的流失迹象，而人类分析师可能难以发现这些关联。例如，通常当David收到工资时，他会在同一天检查账户并将工资分配到不同的账户。但在过去四个月里，他一直等到两到三天后才采取任何行动。机器学习模型可以跟踪哪些账户对财务事件反应迟缓，比如David的情况，并在流失发生之前采取措施重新吸引他和其他类似的人，构建新的功能以满足他们的需求或将他们作为目标进行新的宣传活动。

### 采用预测性人工智能的障碍

预测性人工智能模型在公司分配资源之前估计结果，有助于优化研发。然而，采用预测性人工智能的障碍在于预测结果的质量取决于训练这些人工智能模型的数据的完整性和质量。如果数据过时或不完整，预测将不够准确。这是许多较老和较大的金融机构的阿喀琉斯之踵：整合多种格式的孤立数据。在这种情况下有两种解决方案，即数据集成技术，如数据编织架构和基于人工智能的文档理解，可用于弥合遗留系统之间的差距并统一文档，而无需过多的人工干预。较年轻的金融服务提供商作为数字原生代具有数据访问的优势，但也拥有比老对手更少的数据。如果大型成熟金融公司能够利用其深厚的历史数据，它们在开发人工智能模型和工具方面就能获得优势，因为这些模型和工具的性能质量与数据量成正相关。一些数字化的新提供商现在变得足够大，足以引起金融服务领域巨头的重视——Revolut是最明显的例子。

### 未来金融领域和预测性人工智能的发展

数字化已经允许金融领域的公司在运营上呈指数级增长，但大多数公司仍然受到“人为因素”限制的影响，如时区和工作时间。这种情况正在改变。今年年初，高盛为其员工引入了一个内部人工智能助手，BBVA推出了面向客户的人工智能助手。Revolut宣布将在今年晚些时候推出其基于人工智能的助手。人工智能代理和助手的自主特性将使公司提高生产力，并超越财务上可行的传统人力团队所能实现的目标。麦肯锡的市场研究估计，人工智能的采用每年将为全球银行业创造约1万亿美元的价值，通过效率提升和新的商业机会。

随着金融服务公司建立和完善其人工智能采用流程并定义监管框架，人工智能的应用案例将继续扩展，超出KYC和AML合规自动化的范围，并在新功能创意验证、原型测试和流失预测等领域变得普遍。像Visa避免了价值410亿美元的欺诈交易这样的成功故事，以及越来越多的公司优先考虑人工智能助手和代理，人工智能的采用和集成变得更加重要。

Visa的成功得益于数据的获取和质量，企业分为两类：一类拥有几十年的数据点分散在各种数据库和系统中，另一类数据稀疏但统一访问。值得注意的是，看看哪种方式将成为人工智能采用更有利的起点：深厚的数据储备和长期经验，还是数字化原生系统和灵活团队。

(以上内容均由Ai生成)