苏绥，360金融大数据总监，拥有十余年数据安全、数据智能、自然语言处理算法经验。2017年加入360金融，参与知识图谱、智能机器人等多个项目的搭建、运营，在计算机科学和语言学交叉的NLP领域，取得了突出成绩。

　　2019年是金融科技的变革之年。大数据、云计算、人工智能、区块链等技术与金融服务的深度融合，进一步改变了传统金融信息采集来源、风险定价模型、投资决策过程、信用中介角色，在大幅提升传统金融效率的同时也解决了传统金融服务的痛点。

　　在此之前很长一段时间，普惠与风控在金融服务行业处于此消彼长的对立位置。而大数据加AI赋能的风控模型，无疑加码了金融科技企业的普惠能力。

　　在360金融大数据总监苏绥看来，金融科技的本质是让更多人受益，技术杠杆的运用大幅降低了金融服务的准入门槛，同时依托于算法、数据的风险模型建立也将更多的风险防患于未然。

　　在2020年，深度优化AI和大数据在金融服务各个环节的应用，以量变谋质变以触达金融科技的“无人区”是360金融算法团队目前的探索方向，这也将为科技服务金融带来更多的可能。苏绥表示，AI+大数据双引擎将加速金融普惠发展动力。

　　——“普惠”VS“风控”

　　互联网、大数据和计算能力，是金融科技创新的基石，也是践行普惠、构建智能风控体系的核心要素。依托于大数据这一生产资料，金融的普惠成为可能，优秀的风险管理也成为了可能。

　　问：“科技向善”是360金融践行金融普惠的准则，请问普惠和风控之间的关系是如何平衡的？

　　苏绥：金融是有门槛的，以目前的技术水平来看，尚无法实现100％的普惠，我们工作最大的价值是降低金融服务门槛。传统金融机构服务的用户层级有限，而我们的服务范围辐射了白领、蓝领、小微企业、城市基层服务人员以及偏远地区的农村，从这方面讲，已经在传统金融基础上取得了很大的突破。

　　普惠与风控是正相关的两个概念。在技术与金融服务融合度不高的情况下，降低批核率是控制风险的最佳解决方案，但是如果对用户风险的区分能力比较强，便可以在稳风控的前提下进行普惠。

　　问：如何对用户风险进行精细化的识别？

　　苏绥：知识图谱等技术的出现减少了传统反欺诈手段对人工审核的依赖。基于知识图谱技术，360金融在贷前、贷中、贷后等环节构建了用户画像，从而实现更精细化的反欺诈。同时，基于知识图谱技术，我们还在工具层面引入了复杂关系网络，由此可以通过和名单客户连接，提取相应指标，综合了解客户的风险大小。

　　另一个应用较为成熟的黑科技是AI因子库。AI因子库有大量的子模型，包括评估模型、子人群模型、利率敏感度模型、还款积极度模型等，基于这些模型，可以快速的进行风控迭代，而且我们的策略更新迭代速度更频繁、更快，可以更早的预知并控制风险。

　　问：今年知识图谱达到了爆发的顶点， 360金融有哪些独特的地方？

　　苏绥：我们的策略更新迭代速度更频繁、更快。一般情况下，我们会同时支持几十组实验并行运行，我们称之为全量策略。在这种情况下，模型在一直进化，而且进化速度更快。另外，公司对风控团队的人员投入也非常大，这使得我们有能力对模型进行精细化处理，对用户做更多画像，由此更精细、更精准的去预测用户的行为。在此基础上，针对不同用户的行为选择，就可以对这些人做差异化的经营。

　　——“千面”金融科技

　　金融是AI技术短期内最被看好的应用领域，数据驱动下的风险定价能力也越来越成为金融行业发展的关键问题。科技赋能金融，数据算法、图像及声音识别等技术已在防欺诈等场景中进行应用，并在不断进行优化。

　　问：金融对技术有哪些独特的要求？

　　苏绥：相较于无人驾驶、搜索、电商等行业，金融最大的特点是反馈滞后。一个模型应用数月之后才能评估其效果，这也是金融科技的难点所在。对于算法团队来说，验证模型效果的成本很高。同时，金融行业受到宏观因素、监管、市场的影响，存在更多的不确定性，以上任何一个环节或要素出现变动，都需要对相应的系统、模型进行更改。此外，金融是周期性的，而AI技术是从已有的东西、已有的事实去学习和归纳推理，也就是说是基于历史数据去预测未来，但是金融非常难预测。

　　正因以上难点，金融科技对技术综合能力的要求更高。对从业技术人员来说，我们的工作不仅仅涉及到技术，也要涉足业务。刚刚提到的监管问题其实也是技术问题，因为监管与业务深度绑定，而技术是在为业务服务。虽然其他行业也在强调这个问题，但是金融行业对技术人员对业务的了解和理解的要求更高。如果不懂业务的话，技术就很难落地。

　　问：技术是如何赋能金融服务的？

　　苏绥：对于金融科技企业而言，数据智能部门主要作用在于决策，其本质是赋能金融服务的大脑。随着AI技术本身的提升，AI的能力会越来越强，或者说AI技术上行越来越高的情况下，它在金融服务各环节渗透的深度也会越来越深。

　　从具体落地的赋能措施看，第一，技术的应用提高了金融服务的效率和便利性，这主要体现在服务的在线化和用户体验。另外，从大数据风控的角度出发，AI做的越好，我们的业务便越普惠，整个链条是相通的。效率越高，成本越低，用户的体验也会更好。

　　问：金融+AI今后的发展趋势是怎样的？

　　苏绥：从行业角度看，整个金融行业正在表现出去人工化、在线化和智能化趋势，这进一步解决了金融服务的广度、深度和满意度的问题。从技术的角度出发，所有的数据都将被电子化和结构化，尤其是联邦学习、共享学习等技术的探索，用户隐私保护也将取得长足进步。此外，大型企业都在积极构建强大的数据及算法中台，中小公司则在加速云端化，这将解决信息孤岛、数据融合等问题，打通所有业务闭环。

　　以信用卡办理业务为例，以前需要亲自前往银行柜台，而现在一半以上的申请都可以在线上完成；再比如理财业务，现在很多金融机构会自动推荐适合不同用户的产品。从大的方向来看，金融服务未来的发展趋势必将聚焦于个性化和定制化。

　　另外，虽然我们目前的各个工作环节中都有AI渗透，但是未来渗透的程度会逐步加强。当然，这需要我们一步一步的去深入研究和挖掘。

　　——AI的深度应用

　　目前，金融领域已经被充分的数据化，为AI的应用提供了充分的数据基础。随着人工智能的发展，深度学习被逐渐应用于语音识别和图像识别，以及用户的行为习惯分析。但是随着场景的复杂化，技术的天花板如何突破，已成为技术工作者的下一个工作方向。

　　问：你和你的团队在进行怎样的技术革新？

　　苏绥：首先是质检系统，我们会加大人工智能助手的使用强度。在电销过程中，人工智能助手会实时为工作人员提供回复建议、答复思路及参考答案，以帮助工作人员进行业务引导和转化。严格意义上来说，这并不是新技术，只是AI渗透深度方面需要进一步加深而已。

　　另外，从趋势上来说，如何缩小智能机器人与人工之间的差异，让机器的反应更人性化、让用户在感知层面做到无差别的体验是我们下一阶段的工作目标。不过技术不是没有天花板的，现在还不能说能够做到和真人完全一样的效果，我们能做的是不断的、无限的接近。

　　AI的介入主要还是用于降本增效。而降本增效到一定程度上后就会引发质变，即性能被一点点的优化，优化到一定程度后，会发现原来没有办法做的事情现在可以做了。

　　问：现在能预测今后哪些事情可以实现吗？

　　苏绥：这个很难预测。比方说保险业务，之前深度依赖人工服务，但是现在线上用户的触达、用户保险意识的养成已经达到一定程度了。我们现在便可以通过AI，通过线上操作降低保险业的成本同时提升效率，这也使得越来越多的用户成为互联网保险的用户。举个很简单的例子，之前每年需要交纳6000元的保费，AI的介入可以将成本降低到2000元，这样一来保险业的发展会是另一个天地。量变一定会引发质变，但适用哪些行业目前很难讲。

　　问：新的一年，您和您的团队的工作规划是怎样的？

　　苏绥：从技术层面来说，我们会围绕AI来进行更多业务上的规划，主要包括语音、语义、数据挖掘、知识图谱等领域，继续进行纵深投入。

　　AI在语音和语义的应用有非常大的提升空间。下一阶段我们需要和真实的用户场景及方言进行结合。现在市面上很多语音产品的提供者都是在一线城市工作生活，接触的都是普通话，所以机器的识别准确度比较高。但是如果服务三四线城市的话，服务的对象说方言比较多，准确率就下降了。此外，语义的特征和语音还不一样，很多时候我们不知道用户所处的场景，所以很难做到通用化的语义。目前市场上尚没有一款产品能解决这些问题，因此，接下来我们会往这个方向进行研究，通过更智能的语音识别提高语义识别，再利用迭代模型的设计将语义通用到所有的场景。