信用分数的评估主要是两个维度：还款能力和还款意愿。还款能力和还款意愿在传统的风控角度都有相应的维度和数据做评估，但是同盾其实发现了还有一些创新的数据角度确实可以分析这个人的情况，包括纳税情况、信用情况，包括他的搬家次数、借贷时间等等，都是跟信用有关系的，包括网络点击等等。同盾整个的变量库里衍生出差不多6万个变量库，中间会有30-50个变量会跟这个人的信用强相关，同盾科技通过机器学习，包括深度学习的方式提取出来，对个人信用打分。
同盾科技有一个风险管理平台，客户包括信用卡中心、消费金融、小贷公司、现金贷、汽车金融，他们会利用这些信息评估个人的欺诈风险和信用风险。未来同盾科技会把底层能力继续开放，包括机器学习平台、自动化的训练平台、计算平台等。
人工智能进入“辅助”决策阶段
人工智能最重要的能力或者最关键的能力就是帮助人们做决策。目前在金融业，这方面的应用还不成熟，但是已经有尝试开始落地。
赖开文介绍，IBM认为现阶段人工智能或者认知计算更多强调的是“辅助”决策的阶段。
“辅助”决策的意思是，IBM会给用户决策的建议，这些建议里有一个“置信度”，即这个计算机系统、认知系统认为他的置信度有多少，即判断它再多大程度上是靠谱的。并且“可追溯”，意思是，每个决策建议后面会给出证据，人可以据此作出判断，觉得合理就采纳，如果不合理，就做出自己的判断。
在这方面，IBM的落地项目是，帮日本的一家保险公司做智能理赔。寿险公司的理赔非常复杂，因为病种很多，每个病都很复杂，要分清什么情况赔、什么情况不赔，是很专业的事情。同时，在判断是否应该理赔时，要核查非常多的文档、检查的资料、医生的处方等等。一般复杂大病需要10年以上的员工才能做。这样人力成本的投入是非常高的。IBM通过沃森系统帮寿险做智能的理赔，做两件事情：
第一，从非结构化的数据（从医院拿过来的医生开的处方单、诊疗报告）当中，把关键特征信息抽取出来，包括了疾病名称、手术名称、诊疗结论，不需要通过人去录入。这是通过自然语言的理解、机器学习实现的。
第二，把抽取出来的特征与历史数据进行对比，从而做出理赔决策。
他透露，IBM正在谈中国的保险公司，TOP6的保险公司要把这样的一个认知理赔的方案从日本移植到中国本地。
失业潮不远了
与人工智能大显身手相伴随的，金融行业的失业转岗潮已经是看得见的事情。
赖开文透露，IBM给上述日本的保险公司做完智能理赔的项目之后，该公司理赔的平均时间减少了40%，人员的投入减少了30%，原来有30%的人员转岗去做别的事情了。每年减少支出1.5亿日元。
人员比同行精简，在天弘基金也有非常明显的表现。
刘硕凌透露，天弘基金的AI与金融结合的尝试开始于2015年。很多人问，天弘基金管理15000亿到底有多少人，信用分析团队包括固定收益团队都不大，在业内只能说是一个中游水平的体量。之所以能够用这么少人管理这么多的资产，主要因为有自动化的技术。
但是，这样的“转岗”可能并非坏事。刘硕凌提到，比如天弘基金招进去的一些毕业生都出自于清华北大等高校，这些毕业生去做简单重复劳动就是一种资源浪费，他们可以去做更复杂的工作。
登陆|注册欢迎登陆本站，认识更多朋友，获得更多精彩内容推荐！