银行业的人工智能：AI 如何重塑银行业

AI 在银行业的应用

从计算资本准备金到评估营销策略，统计分析几乎为银行中的每个决策提供依据。包括数据科学家、分析师、管理者、业务负责人和监管者在内的许多人，都常常需要查看这些分析或其所基于的报告。

机器学习和统计模型的预测可能是这类分析的重要组成部分。然而，以这种方式使用它们并不被视为 AI。

当模型被用于自动化决策时，才称之为 AI。模型的预测会被输入到一个系统中。该系统包含基于预测及其他变量的规则，从而得出决策。我们称之为“AI 系统”。

我所在的团队主要负责开发这类系统，以自动批复新贷款。驱动这些系统的最重要模型称为信用风险模型。

信用风险评估

当您向银行申请贷款时，您会经历一次信用风险评估。这可能涉及在违约情况下的预期损失计算，或您发生违约的概率——也就是由于财务困难而无法偿还贷款的概率。通常，后者的预测决定是否批复（发放）贷款。

我们如何建模信用风险

早在计算机发明之前，银行就已经在进行信用风险评估了。这主要通过“信用评分卡”完成。

如下所示，它会考虑潜在借款人的各种特征。根据您在某个特征下所属的分组，您会获得相应分数，最后将它们相加得到总分。分数越高，违约可能性越低。

信用评分卡示例（来源：作者）

过去，这主要依赖“专家判断”。换句话说，就是穿西装的人拍板定数值。没错，这跟听上去一样带有偏见。如今，银行可以利用海量数据和算力来创建统计最优的评分卡。正如我们稍后所讨论的，这也可能带来更公平的结果。

就数据而言，可用信息非常多。内部来看，银行可访问您的所有交易历史和以往负债行为。外部来看，大多数国家都有覆盖各信贷机构的历史负债与违约公共记录。

所有这些来源都可用于构建模型特征。有些银行甚至会使用设备数据，比如您的地理位置。当然，这时他们可能会触及一些监管与伦理方面的考量。

构建这些评分卡的流程已经发生了巨大变化，但最终产物看起来仍然相似。模型特征会被离散化。这是通过证据权重（WOE）来完成，以最大化各特征分组间的违约率差异。随后，我们可以根据某个分组对违约概率的影响，分配相应分数。因此，与以往一样，总分可用于评估借款人发生贷款违约的可能性。

评分卡如何使用

这些信用评分卡构成了用于自动批复贷款的 AI 系统基础。在其最简单的形式下，就是严格的阈值截断。如果分数低于该阈值，就拒绝放贷。

其他附加规则也可基于银行策略、监管要求或其他特征（如客户年龄）制定。正如下节所述，更复杂的系统可以同时使用多个模型的预测。

在实践中，这些 AI 系统多用于批复个人或小微企业贷款。较大金额的抵押贷款或公司贷款并非完全自动化。这类情况可能过于独特，或金额过大，不能在没有人工最终决策的情况下批复。通常决策仍会借助评分卡。

随着数据采集与自动化的不断进步，您也许会以为底层模型会很复杂。您猜错了。

逻辑回归被用于计算违约概率并创建评分卡。我们在挑战部分会讨论几个原因，涉及模型可解释性、监管与公平性。然而，主要原因在于逻辑回归“足够准确”。

我们所说的违约，发生在由于糟糕的决策或不可控事件导致某人陷入财务困境的情况下。关键在于，这些人并不想违约。这意味着驱动信用风险的底层关系变化缓慢。这给了我们时间来打造线性的特征，以可解释的方式捕捉这些关系。不过，另一些类型的违约并没有这么简单。

欺诈检测与防范

在医学中，机器学习用于预测复杂事物，例如肿瘤是良性还是恶性。现在想象一下，如果肿瘤是有意识的，并且能改变外观以逃避检测。问题立刻变得困难得多。同理，这也是欺诈检测之所以困难的原因。

欺诈有很多类型。在自动化贷款批复的语境下，若借款人从未打算还款，则构成欺诈。他们的目标是拿到贷款后卷款消失。借款人可能夸大月收入、隐瞒其他待还债务，甚至盗用他人身份进行申请。无论采用哪种方式，这类违约都被视为欺诈导致的违约。

欺诈类型（来源：作者）

我们如何预测欺诈

信用风险违约的性质意味着我们可以汇总交易，从整体上把握个人行为。对欺诈而言，单笔交易可能就很重要。我们也会查看更多元的数据源，比如设备数据和通信记录。

另一个考量是，欺诈的形态不断变化，意味着我们需要更快地上线模型。这一切都表明线性模型往往难以胜任。

因此，常会使用随机森林、XGBoost 等非线性模型。如果想引入文本数据，神经网络也能发挥作用。借助这些模型，我们对特征工程的依赖度更低，从而节省宝贵时间，并让我们能刻画尚未完全理解的行为模式。

缺点在于，这些仍然是预测模型。我们希望在欺诈发生之前就将其捕获。使用预测模型需要带有欺诈标签的训练数据集。换句话说，我们得先等欺诈发生！

这也是我们会用无监督方法（如聚类算法）或单类模型（如孤立森林）来评估潜在欺诈案例的原因。这些方法有助于识别行为独特的客户，或更一般意义上的离群点。

对抗性机器学习

在欺诈问题上，我们还必须担心攻击者会直接针对模型。这也是欺诈模型与人工智能重要分支——对抗性机器学习——相交汇的原因。

该领域旨在发现模型中可被攻击者利用的隐蔽弱点。有人可能诱骗模型做出错误预测，或泄露敏感信息。投毒攻击则是将伪造数据注入训练过程，在我们不知情的情况下破坏模型。

就贷款自动化而言，前者最为突出。本质上，欺诈者会试图让自己看起来像优质客户。他们会想方设法降低自身被感知的信用风险，比如人为提高收入或在申请中撒谎。欺诈模型用于弥补信用风险模型的潜在薄弱点。但它们本身也必须接受潜在对抗攻击的评估。

归根结底，欺诈的多样性和本质决定我们往往需要依赖更复杂的模型。在某些情况下，这些模型可以标记潜在欺诈案例，随后由人工进行更为彻底的复核。

在 AI 层面，欺诈模型通常与信用风险模型并行运行于自动批复贷款的系统中。它们相互补充，因为它们试图预测的是出于不同原因导致的违约。

欺诈检测与信用风险评估的目标都是获取新客户——合适的客户。一旦获取到客户，银行还将面临另一个问题：如何留住他们？接下来的两节将探讨 AI 能提供的帮助。

客户流失

银行会使用类似的 AI 策略来预测客户是否会离开。这可能意味着销户或更换房贷提供方。客户也可能不直接离开，但会减少业务往来，例如取消透支、注销信用卡，或将大额资金转至其他银行。

银行希望在这些事件发生之前介入。他们会尝试通过更低利率、折扣或其他特别权益来说服不满的客户。大量工作都可以实现全自动化。

银行会使用模型来预测个人或企业是否可能错过未来还款（即出现拖欠），或彻底违约。同样，银行会希望在这发生前介入。他们可能提供理财建议或债务重组机会。甚至一条简单的自动提醒信息，提示未来的还款日，也可能行之有效。

客户服务与聊天机器人

另一个自动化能发挥作用的领域，是当客户主动向银行寻求支持时。他们可能需要开立储蓄账户或进行在线支付方面的建议。许多此类咨询都高度重复，AI 驱动的聊天机器人可以应对。这能更快地提供答案，并将更复杂的任务留给人工处理。

这也是可以应用最先进 AI 的领域。许多公司正在将其聊天机器人升级为采用大语言模型（LLM）和生成式 AI。这些强大的模型显著增强了银行的聊天机器人，使其能处理更复杂的咨询，甚至提供个性化建议。不过，对后者我们应保持谨慎。这与银行所处的高度监管环境有关。

银行业应用 AI 的挑战

银行业中 AI 面临的真正挑战往往不是技术性的。围绕数据管理和模型开发的问题在很大程度上已被解决。阻碍先进 AI 方法落地的问题，更多来自银行所处的环境、既有流程，以及对风险的低容忍度。

监管、可解释性与透明度

自 2008 年金融危机以来，可以说，银行在自主决策方面已没有那么多回旋余地。他们面临更严格的监管环境，规定其需要保留的资本准备金规模、可承担的风险水平，甚至可实施的技术类型。最后一项意味着，某些任务只能使用特定类型的模型。例如，资本准备金可能必须用线性模型和预定义特征来计算。

对放贷决策的过程，往往需要澄清与说明。这意味着需要向监管者解释模型如何做出预测。尽管这不一定限制可用模型的类型，但确实带来了一些阻力。正如前文所述，这也是信用风险建模偏好线性模型的原因之一。使用非线性模型所带来的性能提升，往往抵不过解释它们所增加的负担。

请参考Cynthia Rudin 的见解：

在其他一些应用中，采用更先进的方法是有意义的。客户流失模型和客户服务机器人通常面临的监管审查较少。

对于欺诈预测而言，性能的明显提升足以支撑为解释黑箱模型所需开展的工作。在这种情况下，您不得不使用 SHAP 等可解释 AI 方法来解释模型。并且，您很可能还需要解释可解释 AI 方法本身。

如果您想进一步了解 SHAP 与可解释性，请参阅这篇SHAP 值入门和这篇关于可解释 AI的文章。

数据隐私与安全

银行可接触到您生活中的细枝末节。想象一下，如果有人拿到了您所有历史交易、每一次光顾的商店。

必须严密做好安全防护以避免数据泄露。这也是银行会回避 LLM 等新技术的主要原因之一。使用此类模型往往需要通过其 API 将数据发送至第三方。其安全风险远大于潜在收益。

与此同时，银行需要谨慎对待数据的使用方式。我们迄今讨论的监管侧重于信用风险。银行还会面临其他法规（如 GDPR），限制其数据收集范围及使用方式。

此外，《欧盟 AI 法案》将限制 AI 的使用方式。这会影响我们讨论的其他应用。例如，他们可能不得使用交易数据向您营销新产品。您可在我们的文章《什么是欧盟 AI 法案？领导者摘要指南》中了解更多相关立法。

伦理考量

银行中由模型做出的决策可能带来严重后果。您可能被拒绝房贷，或者一家企业可能拿不到维持生存所需的贷款。

务必确保这些决策的公平性，且不得歧视某一群体。具体取决于银行，这可能受法律强制，或出于维护声誉的驱动。

自动化有潜力降低不公平。通过集中化放贷决策并提升透明度，我们可以减轻个体人类偏见的影响。因此，更要确保支撑这些决策的模型本身不带偏。实现这一点的方式之一是进行算法公平性分析。该分析会基于受保护变量（如性别、种族与原籍国）来评估模型表现。

银行常用的另一种公平性做法，是允许客户对自动化决策提出申诉。他们也应有权请求反馈，了解作出该决策的原因。这意味着，除了自动通过与自动拒绝外，系统还会有第三个选项——转人工审核。由人工评估自动决策的理由，并纠正不公平的决定。

这也是在所有应用中可能更偏好简单线性模型的另一原因。如前所述，这类模型本身就具有可解释性。更易理解意味着更广泛的人群可以对其进行批判性审视。任何可能导致偏见的问题，都能在模型部署前被识别。

对变革的抵触

监管、安全担忧与伦理考量都为采用先进 AI 方法设置了路障。然而，最大的障碍可能来自银行自身。

银行，尤其是大型老牌银行，非常厌恶风险。他们有一套既定的模型与评分卡构建方式，甚至沿用相同的历史格式！

任何偏离这些方法的举措都需要充分论证，而且您需要说服多层级的治理架构。简言之，大银行动作缓慢。

这也是为何初创与金融科技公司更有条件采用这些方法。他们没有既有流程，通常也更不怕风险。然而，他们又缺乏大银行所拥有的大量资本以及用于满足监管合规所需的人力。随着时间推移，随着先进 AI 带来更多价值，小型玩家也许能逐步削弱这些优势。

持续提升技能的必要性

正如我们所探讨的，在银行业应用 AI 面临的挑战众多，涵盖从合规与模型可解释性到数据隐私与伦理考量。这些复杂性凸显了财务团队不仅要熟悉 AI 与数据科学，更要能够负责任且高效地应用这些技术。

要在这一不断演进的环境中前行，持续技能提升至关重要。确保您的财务团队掌握最新的数据科学与 AI 知识，不仅是优势——更是保持竞争力的必要条件。这正是DataCamp for Business等平台大显身手之处。其提供覆盖数据科学、机器学习与 AI 的系统化培训资源，并配备定制化学习路径与详尽的绩效洞察，帮助您监控进展、量身定制学习体验，以契合您的具体业务目标。

通过投入技能提升，您将赋能团队直面银行业中 AI 的挑战，确保他们在遵循严格监管与伦理标准的同时，能够落地先进方法。想了解更多，请立即申请演示。

银行业中 AI 的未来

展望银行业的 AI 未来，我们必须认识到先进方法将发挥重要作用。

生成式 AI 尤为重要。尽管在面向客户的应用中采用这些模型可能存在风险，但它们在开发面向客户的产品与模型时非常有用。它们不是用来预测信用风险，而是用来帮助构建信用风险模型。尤其在考虑银行业中我们预期要构建的模型的常规性时，这一点更为明显。

许多银行会更进一步。与所有组织一样，银行拥有大量内部文档，包括各类公司治理、历史分析和建模流程。由 LLM 驱动的 RAG 系统，可以将这座信息宝库转化为可检索的数据库和内部聊天机器人。您可以把它看作是一位熟知银行一切、乐于助您快速上手的同事。

有些公司甚至可能愿意承担在面向客户产品中使用 LLM 的风险。这些产品可以将基于客户银行数据的理财建议等自动化。然而，由于幻觉问题与错误建议的严重性叠加，对于成熟银行而言，这种风险很可能仍然过高——至少以当前 LLM 的水准而言。

结语

作为一名在银行业工作的数据科学家，持续学习至关重要，同时也要批判性地思考如何应用新技术。我们讨论了许多潜在应用，包括信用风险、欺诈与客户流失。

需要关注新技术，因为部分领域可以应用先进的 AI 方法。然而，您往往会发现，对数据科学与机器学习基础的扎实理解更为重要。

随着行业成熟，我们也需要对 AI 采取更全面的视角。在机器学习面临更多审查与立法的世界里，负责任的 AI 能力至关重要。我们需要懂得如何解释模型、确保其公平，并保护敏感数据。对银行而言，这些都是新的挑战；若要采用 AI，我们就必须适应。

若想进一步了解负责任的 AI，请查看这门关于AI 伦理的课程。