人工智能開源軟件應用領域與場景案例（四）

當今社會，互聯網金融發展迅猛，很多金融機構都利用人工智能技術，開發人工智能平臺和軟件，提高自己的服務水平。

智能金融，已是大勢所趨，今天我們著重介紹兩個應用項目:智能銀行網點、證券智能風控。

一、智能銀行網點

(一)、背景與需求

傳統銀行存在業務流程繁瑣、辦事效率低下，高櫃隔離，服務水平低的問題，同時傳統銀行存在著面對客戶營銷不精準，金庫管理手段落後等難題。

(二)、基於人工智能技術的解決方案

以某銀行機構為例，當客戶進入網點，以人臉識別技術來識別客戶，智能引導客戶在機器人上完成交易。在渠道運營上，分析挖掘網點的自助交易，清機加鈔，設備運行，設備故障等歷史數據，實現設備加鈔規劃，實現故障診斷預測的功能，同時基於客戶畫像，推送差異化的產品和服務。在網點大堂，實現網點智能機器人與客戶之間智能語音交互，智能導流，自動識別異常行為並啟動安全預案。

(三)、開源技術選型思路

基於TensorFlow、Scikit-learn、Spark MLLib等開源人工智能軟件構建面向銀行實體渠道智能運營的AI算法引擎。

其中，客戶行為識別採用CNN深度學習算法實現，現金頭寸預測結合RNN深度學習算法，ARIMA時間序列算法時間序列算法預測自助設備未來清機週期的現金加鈔頭寸。

加鈔線路規劃採用優化的K-Means聚類算法和蟻群算法解決加鈔網點分組和線路優化問題。

設備故障診斷採用C4.5決策樹算法，分類產生用於診斷和預測故障的知識規劃。

客戶營銷基於銀行全渠道交易數據和改進的RFM模型識別客戶生命週期，並採用協調過濾算法，實現對客戶個人金融產品和服務的增強營銷和交叉營銷。

二、證券智能風控

(一)、背景與需求

券商目前面臨著合規監管和內部管理的壓力，在加強全面風險管理體系建設並實施落地方面存在著迫切的需求。

(二)、基於人工智能技術的解決方案

以某機構為例，通過知識圖譜技術構建證券行業風險知識圖譜。研究基於深度學習技術和集成分類模型融合技術，實現風險預測。研究基於預訓練技術和參數調優技術促進預測精度的泛化能力提升，從而實現精準風控模型的構建。研發的系統包括信用風險、市場風險、操作風險的預測和管控的功能，和知識發現，客戶分析，市場分析的信息服務功能。

(三)、開源技術選型思路

底層開源平臺包括sklearn和TensorFlow,採用的算法包括word embedding,改進的autoencoder,改進的貝葉斯分類器，LSTM等。解決了包括文本特徵提取問題，精準分類問題等。開源技術用於系統中的模塊包括文本分析、深度學習、知識圖譜等。