21世纪经济报道记者陈植上海报道

随着AI在数据分析的应用日益广泛，众多金融场景受益匪浅。

(相关资料图)

普华永道数字化总监黄旭向记者透露，目前不同金融机构在AI+数据应用方面成效显著，比如一家大型股份制银行正将数据智能应用在反欺诈风险防控。具体而言，这家股份制银行一方面运用知识图谱技术，解决电信诈骗数据拓展问题，从而更高效地识别查询新开户风险账户与僵尸账户，一方面根据风险特征建立模型库，将后续案例数据，通过实时计算当前案例与历史场景特征的偏离值，计算案例的涉案概率同时，运用大数据与人工智能技术，快速建立个人及时风险预警规则等模型，对风险事件进行实时分析和决策。

“目前，这家股份制银行已建立反欺诈防控策略和规则模型的企业级统筹管理架构，并赋能电信诈骗业务场景的风险挖掘，完成个人涉案账户风险控制的数字及智能化转型。”他告诉记者。

此外，保险公司在AI+数据方面也颇有建树。比如一家大型保险公司针对持有一款财产保险的客户，将他们的基本信息、保单信息、车辆信息、理赔信息、险种纤细等数据进行整合，探查这款产品生效后一年内的客户加保寿险的可能性。在AI+数据的加持下，保险公司通过针对性营销，令相关客户的加保成功率大幅上升，保险代理人的人均产能也随之提升约25%。

值得注意的是，AI+数据的日益普及，也考验各行各业企业机构的综合能力。

近日，从事仿真、高性能计算 (HPC)与人工智能 (AI) 解决方案研发的Altair（ALTR.Nasdaq）发布一项国际调查显示，尽管全球多数企业广泛采用并实施企业数据与AI战略，但它能否成功，主要取决于组织、技术和财务等三大方面。

就组织方面而言，众多受访企业正在努力填补数据科学领域大量的职位空缺，但人才短缺和提升现有员工AI技能水平所需的时间，仍是企业采用 AI+数据战略所面临的普遍问题；就技术方面而言，逾半数受访企业表示企业面临诸多技术限制，极大地阻碍AI+数据计划的发展；就财务问题而言，尽管受访企业希望扩大AI+数据战略，但团队与技术人员都面临着来自财务方面的层层阻碍。

一位国内银行AI风控人员也告诉记者，为了提升针对金融欺诈团队的识别能力，他们一方面需引入更多结构化异常信息（包括静态数据、交易数据与时间序列的组合），一方面需通过构建AI模型对交易链路、交易网络与欺诈团队结构进行深度挖掘，但这都需要银行提供大量资金支持与招募更多精通AI的人才，目前他们遇到的主要挑战，是银行财务人员更看中降本增效，对AI+数据所需的长期资源投入“认识不够”。

“目前，我们一面引入第三方AI科技机构进行资源赋能，一面也通过内部沟通，要求银行增加相关AI人才招募等投入，解决当前AI+数据的瓶颈与摩擦。”他告诉记者。

在业内人士看来，尽管AI+数据模式仍面临组织、技术与财务方面的三大挑战，但全球数据科学与机器学习正呈现三大重要发展趋势。

一是边缘人工智能市场将出现爆发式增长，即在金融等各行各业企业的数字化转型实践加速与万物互联的共振下，边缘设备及其产生的数据量激增，但由于大量边缘侧数据转移至某个中央的公共设备进行处理并不现实，因此越来越多企业会选择直接在靠近数据产生的边缘侧进行分析，通过本地分析大大降低能源消耗，并消除将数据卸载到远程计算机系统所涉及的隐私问题。未来，边缘设备将变得更智能。

二是数据分析将驱动业务价值，让决策更精准。即以决策为中心的数据和分析将逐渐替代以数据分析为驱动的决策。这要求数据分析的AI人员更需“走进”业务，让业务人员具备数据分析能力和思维，在工作环节令决策和数据合二为一。

三是越来越多企业将使用自适应AI系统应对内外因素变化。随着实时数据处理、流式传输和共享需求的增加，推动更多企业向数据分析驱动型企业转变。因此企业需部署自适应AI系统以频繁采集大量数据，并迅速适应变化和差异。

“但要实现完全自动化的决策并不容易，未来影响企业决策的因素将越来越复杂，这些因素将对决策智能模型产生干扰，影响最终决策的正确性，因此需要一个更灵活、更强大的增强型AI系统来处理这些复杂的因素，从而帮助自动化决策智能的实现。”Altair RapidMiner产品开发高级副总裁Ingo Mierswa表示。

记者多方了解到，为了破解 AI+数据在金融、汽车设计生产、工业制造智能化等场景的瓶颈与挑战，众多科技平台纷纷寻找技术解决方案。

“就全球视野而言，赋能企业数字化转型的数据服务商数量众多且类型丰富，不仅包括服务工业、金融、零售等特定行业数字化转型起家的服务商，还包括通用型AI技术、数据分析产品提供商。在数据驱动业务发展和智能决策成为企业数字化转型重要趋势的背景下，如何将企业积累的海量且复杂的数据高效利用起来，挖掘并发挥数据的更大价值，打通企业设计研发-生产制造-营销销售-运维等全生命周期的数据流通和全流程数字化转型，成为现阶段企业亟需回答的经营新挑战。”Altair大中华区总经理刘源告诉记者。尽管众多各行业企业都在努力实现全流程数据驱动，但部门之间、人员之间仍存在孤立现象，令企业难以正确并高效利用快速增长的数据，导致企业在应用AI技术和AI产品过程中会产生多种“摩擦”。这些数据分析所存在的“摩擦”，将成为企业数字化转型过程中的不稳定因素，导致项目失败、成本和人员投入浪费等。

上海市数据科学重点实验室主任肖仰华指出，数据+AI等数据智能是以数据作为分析内容，以知识的发现和应用为核心内容的智能形式，以期让机器具备人类的高阶认知能力，包括理解、推理、决策、解释、规划等。在这种情况下，数据驱动（领域预训练大模型）与知识驱动（动态知识图谱）双系统的连续交互是实现数据智能的关键；低代码、插件化、能协同、可解释、高性能、全流程覆盖是数据智能的功能性要求；复杂决策是数据智能的目标。

“随着AI技术演进和需求的变化，数据智能应用场景由智慧出行、智能搜索等大规模简单应用场景逐渐向智慧医疗、智能工业等小规模复杂应用场景转变，从以人为中心逐步发展到人机物并重。要真正发挥数据智能对企业的赋能作用，数据与领域知识的深度融合将是必要条件。”他强调说。

（文章来源：21世纪经济报道）