2017年被福布斯和财富杂志称作人工智能应用元年，深度学习技术的发展让AI技术在行业的落地逐步成为可能。以金融业支付识别为例，2012年利用传统机器学习的图像识别技术仍旧存在25%的误差识别率，同年卷积神经网络（深度学习算法之一）的出现将误差率大幅缩小至了15%。虽然人工智能为金融服务提供了智能化助力，但人工智能技术在金融场景的落地离不开大量金融数据集的训练。以机器学习技术为例，主流采用机器学习算法模型都离不开大量标注数据的训练，在数据训练完善机器学习模型后，AI技术才能逐步服务于金融场景。因此AI技术落地于金融机构时，金融机构所拥有的金融场景数据的数量和质量将直接影响AI本身的能力。在新基建政策下，人工智能正式纳入国家重点战略中，鼓励人工智能技术与各行业融合。但在鼓励发展的前提下，央行对于金融数据的监管政策，让AI+金融产业的发展陷入了瓶颈。以银行业为代表的传统金融企业开始寻找新的解决方案，来平衡金融数据监管和智能化的转型需求。

数据隐私政策和AI技术中的“数据孤岛”困境

从政策角度上，2019年10月央行下发《个人金融信息（数据）保护试行办法（初稿）》（下称办法），办法虽然目前仍处于征求意见稿阶段，却向市场释放了整治金融大数据行业的信号，掐断了金融机构间的数据交互和外部采购渠道。同年10月12日，北京银保监局发布《北京银保监局关于规范银行与金融科技公司合作类业务及互联网保险业务的通知》（下称310号文），其中明确了辖区银行业不得采用外部征信数据作为放贷依据，同时严禁辖区银行机构和以“大数据”为名买卖金融数据的企业开展合作。

其次，在金融业信息化发展阶段中，分散的系统建设是其必然阶段，而在智能化转型的今天，零散的信息系统和分散的数据管理成为了AI落地金融行业的一大瓶颈，进而产生了“数据孤岛”困境。早期互联网金融机构和传统金融机构试图通过数据库间的交互或者数据采购的形式来完善自身数据能力的不足，然而在金融数据的强监管时代，“数据孤岛”困境却更加的严峻。AI技术在金融服务场景的落地也将面临重大的挑战。

从市场需求侧来看，对于智能化转型的需求最为旺盛的当属银行业。根据艾瑞的统计，2019年中国金融机构中针对AI的投入规模来看，银行业以56.5%的投入占比遥遥领先。在智慧化转型过程中，银行和AI公司业率先提出两类较为主流的解决方案：通过“金融中台”的构架打造，将“数据”，“技术”，“业务场景”进行集成，在解决数据孤岛的同时，完善AI部署坏境；利用联邦学习技术框架，拓宽外部数据资源，提升AI模型能力。

中国金融机构AI投入结构

由内：大金融中台战略-重塑银行业数据环境，提升AI部署能力

从AI落地角度上，数据治理将作为“数据孤岛”困境解破局核心之一。18年下半年，互联网金融行业开始掀起“数据中台”战略。围绕数据的采集，存储，计算，加工，标准化等流程，来尝试打通各个分散系统间的数据关系。而对于银行等大型的传统金融机构，单一的“数据中台”部署是不足以解决AI技术落地所面临的数据困境的（AI算法模型的训练数据需要进行标注，优化，聚类等更复杂的流程）。19年作为国有六大行之一的农业银行，提出了“厚中台，薄前台，强后台”的战略来应对数字化转型面临的挑战。进而金融业中台战略也将从单一的数据打通（数据中台）逐步延伸到数据标注，AI算法模型模型训练，参数调优，数据优化等多个AI环节，在解决“数据孤岛”困境的同时，强化了银行的AI部署能力。

传统意义上，银行业通常以价值链关系来区分前、后台，面向客户需求，直接创造价值的前台部门，是银行与最终客户的交点；面向经营管理，间接创造价值的后台部门，是实施银行管控决策的支点。早期这种前后台关系实现了银行业对金融服务的有效分工，但传统前后台服务目标不一致，脱节与失配问题逐步显现出来。在智能化转型过程，AI技术落地需要匹配前后台双方的不同业务目标，因而AI在赋予银行业前台更快的业务响应效率时，也需要对后台的决策环境进行优化。同时银行的业务范围较广，包含了“存贷”，“零售金融”等，相应的技术需求和数据维度差异较大。因而在数据中台的基础上，延伸出对技术中台（含AI技术），业务中台的需求。部分银行也会根据业务场景来划分中台构架，例如农业银行在“厚中台”构架中采用 “营销中台”，“对公中台”，“信贷中台”等中台构架，但其中台核心始终围绕“技术”+“数据”+“业务场景”来展开。

农业银行厚中台构架

以金融壹账通的中台解决方案为例，其依托于平安集团的金融场景数据积累自身的科研能力，其自研的Gamma平台，基于“业务中台”，“AI中台”，“数据中台”和“技术中台”四大构架来打造金融中台，为银行业提供从消费金融，零售业务到营销服务多场景的AI部署能力。通过四大中台构架， 唤醒“沉睡”的金融数据，全面改善AI部署环境，让AI技术在金融服务场景中做到真正的落地。

金融壹账通-Gamma O平台

向外：联邦学习技术—重铸金融数据生态，提升AI模型适配性

如果说，大金融中台战略是由内提升AI落地能力，那么联邦学习技术就是向外拓宽数据源来提升AI模型对于金融场景的适配。联邦学习的本质是分布式加密机器学习，通过联合建模的形式，让双方乃至多方企业通过机器学习框架让数据通过加密训练来达到交互的目的，同时联合模型算法也有更高的精确度。通俗来讲，联邦学习技术将多方金融机构的进行加密传输来完成AI算法模型的训练，既保证了数据的私密性，又完成了AI算法模型的优化，在解决“数据孤岛困境”的前提下，提升了AI落地金融服务场景的可能。

作为18年提出的热门新兴技术，目前该技术主要分为三大类：纵向联邦，横向联邦，迁移联邦。纵向联邦学习主要解决两个数据集中，用户重叠部分较大，而用户特征重合较少的情况；横向联邦学习处理的是两个数据集之间特征重合部分较大，而用户重合较少的情况；联邦迁移学习则是在特征数据和用户数据均重合较少的情况，通过迁移学习+联邦学习方式为训练模型匹配合适的数据集。从应用实例上，联邦学习技术目前已经用于银行业风控建模，反洗钱监控等场景。

银行业联邦学习应用

联邦学习类型

从行业生态价值来看，联邦学习技术通过改变金融数据交互的模式，进一步加深了中国银行业对于“开放银行”模式的探索。开放银行是商业银行数字化转型的重要组成部分，强调以用户为中心，以API、SDK等技术实现方式为特点，通过双向开放的形式深化银行与第三方机构的业务连接和合作，将金融服务能力与客户的生活、生产场景深度融合，从而提升金融资源优化配置和服务效率，实现双方或多方合作共赢。而数据共享是银行和第三方机构连接合作的重要基石，通过联邦学习构架，银行机构将各类AI模型和人工智能技术进行开放，未来有望形式以银行业为核心的全新智慧金融生态。

结论与意见

在强监管时代下，基于数据保护和合作限制下，“金融中台”战略和联邦学习技术将为AI+金融产业带来全新的生命力，两者共同结合由内改善金融机构的技术构架和能力，向外辐射金融生态，将AI技术落地于更多的金融场景，推进金融行业的智能化进程。

参考：

1. 艾瑞咨询，《2020年中国AI+金融行业发展研究报告》
2. 艾瑞咨询，《2019年中国数字中台行业研究报告》
3. 北京银保监局，《北京银保监局关于规范银行与金融科技公司合作类业务及互联网保险业务的通知》（京银保监发〔2019〕310号）
4. 雪球网，《个人金融信息（数据）保护试行办法》的初稿已征求意见》
5. 微众银行，《人工智能助力新金融》；2019年11月25日