人工智能在金融科技领域有哪些应用场景？（上）——基础介绍

人工智能在金融科技领域有哪些应用场景？（上）——基础介绍

人工智能

定义：人工智能即是让计算机系统模拟出感知、推理、学习、决策等人类行为。

五要素行业分析框架：基础实施、算法、技术方向、具体技术、行业解决方案。

金融科技领域的应用则属于最终的行业解决方案层

---

 

一、基础设施

大数据和硬件是人工智能的基础设施

大数据是人工智能的前提条件。数据即是信息，数据是进一步深加工的原材料，有了大数据的基础，才可以运用人工智能算法去解决具体问题。金融领域在数据方面有先天优势。首先，金融领域属于强数据导向的行业，且存在大量的标准化数据，例如公司的财务数据、股市债市的历史交易数据等等。其次，金融数据十分注重实效性，对人工智能的需求高。

在有了海量数据的前提下，随即产生的是对海量数据的计算需求，AI芯片应运而生。目前AI芯片发展的重点是针对神经网络等架构实现高速运算的核心硬件，即算力提高阶段。

---

二、算法

算法是人工智能的核心

机器学习是人工智能的一个分支，是指通过模仿人脑，在经验学习中改善具体算法的性能；深度学习也是人工智能的一个分支，是指使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。

深度学习分类：

有监督：更强调人的作用。利用给定的训练数据，集中学习出一个函数（模型参数），当新的数据到来时，可以根据已知的函数预测结果，在这个过程中，训练及中的目标是由人标注的。

无监督：无监督学习目标不是告诉计算机怎么做，而是让计算机自己去学习怎么做事情。在无监督的深度学习中，输入的数据没有被标记，也没有确定的结果，数据样本类别未知，需要计算机根据样本间的相似性对样本集进行分类（聚类，使类内差距最小，类间差距最大）。

半监督学习：介于前两者之间，使用半监督学习时，将会要求最少的人员从事工作，同时，又能够带来比较高的准确性。

机器学习步骤：

训练：通常需要通过大量的数据输入，或采取增强学习等非监督学习方法，训练出一个复杂的深度神经网络模型，训练过程由于涉及海量的训练数据（大数据）和复杂的深度神经网络结构，需要的计算规模非常庞大，通常需要GPU集群训练几天甚至数周的时间。

推断：利用训练好的模型，使用新的数据去“推断”出各种结论，如视频监控设备通过后台的深度神经网络模型，判断一张抓拍到的人脸是否属于黑名单。