下载掌阅APP，畅读海量书库
立即打开
随着近年来人工智能技术的飞速发展，金融领域也开始逐渐尝试利用人工智能技术来提升效率、降低成本。人工智能技术有许多细分类别，它们在其他行业应用较快，但在金融行业应用仍面临着许多挑战。
1.搜索引擎、个性化推荐技术
随着金融服务从线下逐渐迁移到线上，互联网的搜索引擎业务等解决方案也逐渐在线上金融服务中使用。与互联网场景不同，金融服务的广告搜索和个性化推荐要满足更加复杂的规则约束。如推荐理财产品时，需根据不同客户的风险承受能力，推荐适当的产品。
2.图像及视频的识别技术
该技术已经广泛应用于人脸识别、文字识别、自动驾驶、情绪识别、安防等场景中。但在金融领域中，基于计算机视觉的身份识别可能面临着被恶意攻击的风险，金融文档信息提取不能保障百分之百准确度，这与金融行业对数据和文档严格要求不适应。
3.自然语言处理与理解技术
自然语言处理与理解技术如机器翻译、阅读理解、对话生成等，应用在许多金融业务场景中。与自然语言的深层语义理解及生成相比，一些简单的子任务（如文本分类、情感分析、事件抽取等）比较容易实现，更方便切入到金融领域，为金融知识图谱构建、舆情监控等应用场景提供帮助。但面临着无法训练出具有足够专业知识的模型的挑战，缺乏充足语料库。
4.知识图谱技术
金融领域需要的专业性和准确性更高、信息更新迭代更快。这也意味着相应的知识图谱也需要更快更新和丰富其内容。这些特性都带来了更高的成本。为了解决这个问题，可考虑使用一些自动化的辅助手段，不过在金融领域是否能实用，仍需要到具体的实际场景中进行验证。
此外，金融行业的特殊性也对智能金融应用提出了挑战。
1.可解释性差
数据驱动的人工智能方法可解释性不足，而金融领域对于可解释性的需求更为强烈。这已成为人工智能技术在金融领域广泛应用的一大挑战。机器学习领域中关于可解释的研究往往针对决策树或贝叶斯模型，而对于能力出众的深度学习模型往往因为其复杂多变的结构和变换，尚无通用的方法来得到比较有效的模型可解释性。
2.不确定性
金融规则和参与者都随着时间发生变化，使得无论是蕴含在历史数据中的规律还是专家总结的经验，都很难长期适用。这种动态性与人工智能中关于数据独立同分布的假设有矛盾，需要创新人工智能技术。迁移学习可以在某种程度上解决这个问题，通过对不同数据分布下的知识进行迁移，将非当前状态下的数据提炼成相关知识用以辅助挖掘当前状态下的数据中所蕴含的规律。但这一类新兴的算法需要针对不同的场景进行定制化设计，如何在金融行业得到很好的落地实施仍需要进一步深入探索。
3.隐私保护
金融领域对隐私保护要求较高，人工智能算法所依赖的数据往往十分敏感，隐私保护成为智能金融应用的重要挑战。联邦学习技术的提出旨在解决由数据隐私所带来的数据孤岛问题。然而这一类研究的实际落地需要一系列的基础设施的搭建，如不同组织间共同配置的一套统一的数据和计算协作平台、获取用户对这类数据共享协议的授权等。因此，这类技术离真正实用还有很长的路要走。
4.算法预测有偏见
人工智能技术针对金融领域的预测模型及其性能不适应，甚至可能带有偏见，影响金融服务的公平性。由于人工智能模型大多都是通过挖掘已有数据中的规律进行预测的，所采集到的数据中的偏见也会给最终预测结果带来相同的偏见。但若金融领域基于有偏见的预测进行风险控制，则有可能导致带有某些特殊属性的人群无法享受正常的金融服务，有违公平性。这一类问题也是未来人工智能技术若要成功应用于金融领域所面临的一个挑战。
5.连续决策限制多
金融领域很多场景涉及连续决策问题，且对单次决策的评价和衡量存在滞后效应。人工智能技术之一的强化学习所需的数据更大，需要模型能自动生成样本数据，但大量数据难以基于固定不变规则模拟现实金融运行场景自动生成数据，限制了强化学习技术的应用。
6.博弈学习难度大
金融市场是一个经典的多智能体生态系统，其中普遍存在着二阶效应：每个智能体根据生态系统的变化调整各自策略和行为，智能体之间会互相影响。在实际应用中，每个智能体的决策并不透明，或者决策机制差异较大，无法用传统基于统一规则和开放的方式训练模型。
综上所述，人工智能与金融行业深度结合，还有很长的路要走。一方面，金融行业要对人工智能抱有更大的宽容，在应用中不断发展和完善新型人工智能技术。另一方面，人工智能技术研发要充分了解金融行业特殊性，破解难题，推出新型人工智能方法与技术。