互金公司的AI野心，还要经历几重考验？

未来几年小风口可能不断，但大风口只有一个，即人工智能。在互金行业，早已掀起“AI热”，不管有没有数据，有没有场景，几乎所有公司都在宣传自己是应用人工智能的金融科技公司。这里面有虚有实。不过不容否认的是，网络借贷会产生大量数据，也需要大量数据的分析来强化运营，因此网络借贷确实是人工智能非常理想的应用场景，也是目前最成熟的应用领域。

当然，应该看到，发展到现在，金融领域的AI应用还是主要集中在借贷风控环节，在其他方面是否可以有所作为？整个网络借贷要实现全部AI化，还有多少坎需要迈过？

数据不足、经济周期的复杂性等制约智能风控

毫无疑问，风控是金融领域最适用AI技术的环节，也是迄今为止收获最大的环节，借助大数据和AI技术，通过分析各种与信用弱相关的行为数据，形成风控能力，互金公司可以为缺乏足够信用数据的群体提供借贷服务，虽然衍生了一些问题，但无可否认智能风控是互金十年以来的最大收获。通过AI构建风控能力，互金公司得以实现借贷业务的拓展，形成收入和利润。

智能风控带来的变革已经不用多说了，各种研究浩如烟海。不过智能风控的主要应用还是在消费信贷领域，在服务于实体经济中的生产环节方面，互金以及AI都还缺乏作为。主要原因在于数据的缺乏，中小企业以及个体工商户的数据不足，即使有财务数据等也存在真实性问题，而订单也还没有线上化，缺乏足够的数量和维度来判断风险，对于AI而言巧妇难为无米之炊。

如果有足够数量和维度的数据，生产环节的信贷服务可以很多火起来。网商银行已经为超过155万的线下小微经营者（服装店、超市便利店、烟酒杂货等零售商家，以及餐饮、教育、美容、维修、家政等服务性商家）已经发放了小额贷款，靠的是支付宝收钱码积累的大量线下小微商户交易数据以及口碑网积累的商户数据。只要有足够的数据，解决以往的融资困局不是难事，难就难在数据量不足，尤其是中小微企业，线上化数据着实有限，让AI无从下手。

除了数据不足，运用AI技术服务于生产领域的借贷，还面临算法的挑战，即使有一定量的数据，但与消费不同的是，生产环节有周期性，既有“补库存、消化库存”这样的小周期，有行业兴衰周期，还有宏观经济的大周期，判断风险时需要考虑的变量大大增加。这对于AI算法的精准性提出了挑战。AI可以战胜围棋高手，因为围棋虽然复杂但变量终归是有限的，AI可以演算到人所不能演算的很多步骤，从而战胜人类。但运用AI预测行业周期与经济周期就很难，变量实在太多。

因此AI要成为整个借贷风控领域的核心，还需要数据基础的完善以及技术的进步。未来整个生产领域（商品与服务的生产）如果更多地应用电商平台、支付工具、SaaS、行业应用软件等，而数据又可以有规制地流动，则会为AI的应用提供更充足的燃料。算法模型的进一步完善，可以整合更庞杂的数据维度，则有可能对风险的判断更为精准。

AI应用正从风控环节扩展到服务支撑环节，需要更好的算法

在风控之外，AI技术也在应用于借贷过程的其他环节。风控可以看做是互金企业增收的关键环节，而其他环节如客户身份识别、客服、质检、信息交互、IT系统运营维护等，则是借贷服务的支撑环节，对风控、获客等核心环节提供支持，没有这些环节，业务就无法展开。如果将AI技术应用进来，对于增加收入作用不是很明显，但可以提升运营效率，降低运营成本，并在一定程度上提升用户体验。

这些环节背后的技术主要包括语音识别、自然语言处理、生物识别等，相对来说算是AI领域研究已经比较深入的技术。另外用到的一些技术如情感识别、模式识别等，则属于相对新兴的研究。

在这些方面行业有越来越多的探索。2017年8月，蚂蚁金服开放AI客服能力，可以实现对客户问题的迅速应答，缩短服务时间；近日，科大讯飞与兴业银行、京东金融联合推出了搭载金融服务功能的智能音箱，用户可以通过智能语音在线交互办理注册、登录、绑卡、账务信息查询、信用卡业务语音办理等业务；玖富集团与中科院自动化研究所合作，成立“面向金融的智能语音服务联合实验室”，在语音交互、自然语言理解、情感分析、声纹识别、多模态人机对话等领域进行探索，搭建基于语音交互的用户身份管理、客服和质检系统；拍拍贷成立了智慧金融研究院，推进智能技术的应用。此前拍拍贷在系统底层软硬件基础上构建一系列算法，用来支持图象识别、自然语言处理、复杂网络、语音识别等等，最终服务于风控、客服、质检等环节。研究院的成立是继续完善这些体系的研发。

这些探索标志着互金行业对于AI应用的探索正在从风控环节向整个借贷环节的精细化管理与高效化服务方面发展，行业不仅通过AI来做风控，还试图通过AI来降低客服、质检、身份识别等环节的成本，提供效率和体验。

以质检机器人为例，互金公司需要确保从获客到风控再到客服每个环节的对外信息输出是准确的，这就要检查客户经理、客服人员的语音服务记录，工作量非常庞大。没有AI技术就没法做完全意义上的质检。而借助质检机器人，将各种语音转化为文字，对文字再进行机器审核验证，检查不合规的部分。

由此来看，金融在运用AI方面，已经走在前列。这也比较正常，金融领域一直是IT行业的最大客户。

与前面提到的智能风控相比，智能风控的业务逻辑是利用机器找出数据之间的联系，以及各种数据维度与信用之间的联系，而其他环节的AI应用逻辑则是通过数据来训练机器，让机器可以承担部分固定性工作。

这不一定是要减少人的工作机会，而是减少各种无效环节，将更多时间分配到有效的沟通中。例如客服一天拨打的电话可能有相当一部分是空号，或者打通了以后但客户并不想进行沟通，这就浪费了客服以及公司的时间。AI技术则将拨打环节交给机器，如果打通了，再通过交互来判断客户的沟通意愿，如果确实有沟通必要则将电话转接给人工客服。这样就使客服效率获得提升。

当然，目前在AI技术应用于这些方面，还是有不少技术难题需要克服。这些领域运用最多的是语音识别与语义识别。在语音方面，对于方言的识别，对于嘈杂环境下的语音识别，都还没有得到有效的解决。在语义识别与自然语言处理方面，客户语义的反转，机器通常也无力应对。举例来说，客户说能否介绍一下借款方面的利率为题，机器对此进行回应，客户又说“不好意思说错了，是想咨询还款期限的问题”，这时候对人而言很轻松地进行下一步的思考，但对机器而言，目前的语义分析与自然语言处理技术通常还做不出合适的判断。这些都需要AI技术的进一步成熟。

除了技术需要进步，企业还需要一定规模的资金与人员投入，并且经历较长的时间的开发，以及不断的迭代，才能达到预期的效果。技术真正成熟后，AI在降低运营成本方面的作用才能显现出来，不过这是以前期的投入为前提的。