正在播放国产一区_亚洲精品字幕在线观看|HD中文字幕在线播放,少妇莹莹的放荡生活,日韩欧美综合一区,国产欧美一区二区三区96精品

小明：

金融是一個高風險的行業。而且由于它在國民經濟當中的重要地位，單個金融機構的風險可能引發多米諾骨牌效應，牽一發動全身。現在的金融機構，比如老百姓接觸最多的銀行，是怎么防范風險的？

鄒明：

簡單點兒說，銀行是吸收存款、釋放貸款產生利差，這個是銀行收入的一個主要的來源。在這個過程當中就會產生風險：如果這筆貸款回不來，風險如果不能被有效管控，貸款產生損失的話，那自然大家的存款就會受到損失。這是一連串的資金鏈。

銀行的風險主要指銀行在吸儲和投資的過程當中，怎么保證資金的安全性問題。通常我們說，在銀行風險管理里邊有三道防線，簡單點說就是事前、事中和事后，會有整套的風險稽核的業務手段來保障整體的風險是可以預見的、可以防范的，當風險發生之后，我們也會有相應的手段去應對的。

比如說我是一個企業主，我想為我的公司的經營申請貸款。對于銀行的客戶經理來講，他需要對這個客戶進行相應的評級工作。所謂評級就是衡量這個客戶的信用等級是高、中還是低，從而來決定我們要不要和這個客戶簽約。這是在事前的階段。

事中的階段是說，我們要去衡量當這筆貸款發放出去之后，他的業務狀況是否能夠保證有足夠的還款能力。銀行的員工需要查看這個客戶的相關信息，比如說他的廠房、員工、實際的生產資料購買和使用的狀況，以及最終商品售賣的情況。如果這個企業本身就是一個入不敷出的經營狀態的話，銀行是不可能給他貸款的。

事后我們要不斷去了解這家企業的經營狀況，它是不是持續有比較健康的現金流？他的業務開展是不是順暢？特別是銀行給他放出的貸款是不是用在他原本去申請這筆貸款的目的上。整個流程我們要看服務對象本身的情況、經營的要素、對于合同的執行的狀況是否符合他和銀行簽約的條款和內容約束。這是整個對于這筆業務的風險保障的一個流程。

傳統的風控手段其實需要大量的人工介入，出于兩個原因。一方面，過去我們在大數據時代之前，業務人員沒有足夠的信息來支撐他做出足夠的判斷。另一方面，從信息化、數字化的層面，沒有比較好的技術手段將這些數據變成能給他足夠洞察的結果。

小明：

俗話說“道高一尺，魔高一丈”，盡管金融機構在科技化領域走在了前沿，但仍然避免不了有心人鉆空子，比如媒體廣泛報道的“羊毛黨”。對于越來越科技化、隱蔽化的黑灰產、欺詐行為，銀行如何應對？

鄒明：

對于金融詐騙或者金融犯罪的這些行為，其實銀行一直在行動。

還是先前說的三道防線，每一道防線都會不斷地監控可能發生的外部風險事件、內部存在的風險合約等等。薅羊毛這個事有很多方面，它是屬于反欺詐的分類。

對于欺詐行為的識別：什么樣的人，在什么樣的時間，通過什么樣的渠道，和銀行產生了一次什么樣的交互。這些特征綜合在一起，是否構成一個欺詐的行為，在銀行內部有一個不斷升級的反欺詐的特征識別庫。這個庫會用到我們的數據中臺、知識圖譜等技術。到下次再有類似的特征發生的時候，很快就會關聯到這個特征庫，再去做相應判斷。

第二個點通常叫“欺詐團伙發掘”。欺詐這種行為，特別是薅羊毛這種行為，往往不是一個人在戰斗，背后通常有一個利益群體。我們會綜合一些例如資金交易往來等的數據，將一些經常有交易往來的客戶識別出來。在這個基礎之上，我們可以構建出一個疑似欺詐團伙的圖譜。把這些團伙找出來之后，再結合相關的特征，不僅可以防止他們去產生一些欺詐、薅羊毛等行為，還可以把這些團伙的知識固化在我們的知識庫當中，未來不斷升級，防止更多類似的或者跟他有關聯的欺詐行為。

小明：

您剛才提到，銀行業務人員每天面對大量業務和復雜的流程，想必工作是千頭萬緒。企業的數字化怎么能幫助他們理清頭緒呢？

鄒明：

我理解這個問題，應該是分成三個步驟：數據的收集整理，數據的組織和關聯，數據的應用。

銀行會有很多的數據，不一定都來自于業務系統數據庫，也就是說它需要處理很多結構化數據，還要處理很多非結構化數據，這些數據可能甚至包括一些紙質的文檔等等。金融機構經過這么些年的信息化建設，過去這些系統是我有個新的需求，就去建一個系統。豎井化的銀行IT架構，自然就造成了數據的相互割裂。

所以就產生了數據倉庫這樣的一個概念，把割裂的業務系統里的數據都匯總到一個統一的倉庫里，統一組織、統一使用。這是過去在這方面的一個嘗試。但是到了大數據時代，特別是還要解決非結構化數據如何結構化這樣的問題，信息量其實產生了指數級的增長，傳統的數據倉庫也無法支撐大數據時代的數據規模。

我們要解決的問題是，從海量的多源異構的數據里找出有用的信息。明略科技的NLP技術，可以解決非結構化數據結構化的一個問題；數據中臺，比較好地解決了豎井化的各個業務系統當中，數據如何收集和歸并的問題；當這些數據歸并到一個數據中臺之后，知識圖譜可以在這些數據之間構建它們的關聯關系，使得這些數據形成一張大網，彼此關聯起來。有了這樣一個知識圖譜之后，我們就有能力構建相應的行業模型，能夠產生業務價值的大數據智能型的產品。

小明：

接下來這個問題我想不光金融機構，很多其他企業可能也遇到過：企業采購了或搭建了數字化系統，但是業務部門并不愛用，或者并不會用，它就變成了技術部門自嗨的狀況。為什么會出現這種尷尬的局面？

鄒明：

這個問題非常好。第一，傳統信息化系統是有專業程度的，它是為銀行內部一些專業的業務過程服務的。基于這樣的一個出發點，它并不是對于所有人來說都能獲得很好的使用體驗。第二，我們過去的數字化系統的設計和實現，往往都會存在一個問題：對于技術人員來說比較友好，但是對于業務人員的友好度不夠。

正是存在這樣的問題，使得很多的IT系統使用曲線是非常陡峭的。在我們意識到這些傳統系統的問題之后，特意對這個系統的使用體驗去做了一個重新的設計。我們會從關注用戶日常業務場景化的角度去重新規劃整個系統。傳統數字化系統往往是一些具體功能的羅列，我們的產品提供了一種向導型的使用體驗。我們希望直接給客戶推送他需要使用的功能，而不是讓客戶在系統當中去找，從流程上給他提供一個比較平滑的體驗過程，不會讓他產生脫節感。

舉一個例子，對于風險預警這樣的一個話題，過去銀行的業務人員需要主動分析數據，包括報表的形式等，從這些數據當中找到一些疑似的風險點，基于這些風險點做相應的預警的處理。向導式的功能能夠逐步引導客戶去完成業務的處理，對于風險預警，更加自動化地、更加智能地將這些風險擺在業務人員面前。

比方說中美的貿易戰對出口的行業可能會產生一些什么樣的影響？在我們系統當中都會有相應的模型和算法，每天接收來自于外部的海量數據，由這些模型算法自動做出相應的分析，分析之后形成相應的洞察，為銀行的客戶經理提供相應的風險通報，以及可能金融機構應該采取什么樣的措施，由他們來參考如何對這些風險，進行預警。

進一步，我們會在某一些業務領域、某一些業務專題上提供專門的分析的工具。比如說票據業務流程當中會牽涉到很多的實體，有相關的關聯方、客戶、資金，包括銀行自身也是業務參與者。過去，在處理相關業務時候，實際上沒有一個工具來集中看整個銀行所有的票據，往往都是發生在某一筆具體的業務當中，或者是從客戶的角度關聯到這筆業務可能有問題。我們有專門針對于客戶生命周期的分析、針對于資金流水的分析、金融票據的分析，能通過這些專題，有針對性地解決我們的客戶所面臨一些單點的問題。

小明：

我們常說機器學習是一個“黑盒子”，計算機給出結果，但是它如何算出來，我們是不知道的。但是對于金融以及醫藥、法律等其他很多領域來說，知其所以然非常重要。我們能夠通過什么樣的方法打開黑盒子呢？

鄒明：

金融機構，特別是銀行，是存在一些特殊性的。無論是從數據，還是我們基于數據產生洞察的結果，務必精確。所以對于金融機構來講，模型的可解釋性是非常重要的。當下流行的這些機器學習手段以及一些產出，都存在一個可解釋性的問題。可解釋性不高的原因，一方面是我們對于銀行數據的了解程度不夠，再有一個原因是我們產出的模型其實并沒有吃透銀行相關的業務。這兩點也是我們一直在努力的，希望對業務場景的深刻理解，能夠幫助我們去構建更加精確的數據加算法。