平安银行-2017全球软件架构技术大会_金融科技大数据及AI技术架构和应用-2017.10-23页-2mb

金融科技大数据及AI技术架构和应用总结

核心内容

本文档主要介绍了平安银行在金融科技领域对人工智能（AI）和大数据技术的应用与架构设计，重点阐述了AI和大数据技术在银行零售业务中的战略价值与实际应用。通过技术趋势分析，平安银行聚焦于AI、大数据和云三大技术领域，以实现提升效率、增强体验、强化风控等目标。

主要观点

1. 技术趋势与成熟度

• 人工智能正处于全面繁荣阶段，与各种场景结合解决复杂问题，将成为未来10年最具影响力的技术。
• 区块链和物联网正在接近成熟度的最高峰，将改变平台生态与商业模式。
• AR/VR技术将不断优化“身临其境”的体验，增强人、组织与事物之间的互动透明度。

2. AI技术架构

• AI能力集成于产品体验：涵盖OCR识别、声纹识别、图像识别、智能客服等应用场景。
• AI引擎架构：
  • Wrapper子层：通过REST API等方式封装非标AI组件，便于系统集成与运维。
  • 算法子层：核心算法引擎，提供监督学习、非监督学习和模型集成等基础模型组件。
  • 工具子层：提供TensorFlow、Scikit-Learn等AI研发工具平台和环境支持。
  • 基架子层：提供计算、存储、网络等基础IT设施资源，如IaaS云、GPU、分布式存储等。
• AI应用的总体架构：采用平台化+服务化方式，结合API和SDK，实现AI能力的灵活调用与集成。

3. 大数据技术架构

• 大数据平台目标：整合多源数据，建立统一的数据底层，支持实时和非实时数据处理。
• 数据获取：通过数据中心、爬虫、采购等方式获取10PB的多元化数据。
• 数据打通：实现数据融合，发挥数据价值。
• 数据应用：聚焦业务场景，寻找与业务结合的切入点，实现精准营销、智能风控等目标。
• 大数据技术栈：包括Hadoop集群、流式计算、图谱、NoSql、多维分析等，日新增数据100T，日计算Job 7万+。
• 标签系统：构建1000+个标签，支持用户画像、行为分析、资产评估等，为千人千面营销提供数据基础。
• 客户关系图谱：支持借记卡、信用卡交易关系、管户人关系等，未来将扩展同事关系、空间相似关系等。

4. 大数据应用场景

• 风险控制：整合内外部数据，利用数据挖掘技术构建全方位风险控制体系。
• 欺诈识别：基于设备指纹、决策引擎等技术，形成反欺诈体系。
• 客户价值分析：综合评估客户信息，识别核心价值客户，制定发展策略。
• 产品分析：评估贷款、理财产品表现，优化产品策略。
• 网站及APP优化：分析客户使用行为，指导网站设计，提升转化率。
• 人员效能分析：分析员工效能、考勤、展业等数据，识别影响因素。
• 精准营销：基于用户画像，提供个性化产品推荐，提高营销成功率。
• 智能投资顾问：基于投资组合理论，为不同风险偏好客户推荐产品组合，实现一键理财。
• 敏捷BI：通过图表直观展示业务表现，辅助决策。
• 智能客服：利用知识图谱技术，实现7*24小时在线智能客服。

关键信息

AI应用示例

• 智能客服：集成语音识别和自然语言处理（NLP）技术，实现意图识别、情感分析、信息标准化等功能。
• OCR识别：支持身份证、发票等识别，提升业务处理效率。
• 声纹识别：用于客服质检和身份验证。
• 图像识别：包括人脸识别、物体检测、图像分类等，应用于客户识别和安全验证。
• 算法模块：支持算法上线服务、机器学习平台、模型自动调参组件。

大数据应用示例

• 数据获取：日新增数据量达100T，涵盖金融、非金融、用户行为、网站爬虫数据等。
• 数据应用：构建1000+个标签，用于精准营销、客户画像、资产评估等。
• 标签市场：包括基本信息、资产信息、负债信息、行为信息、交易信息等，支持个性化外部标签配置。
• 客户标签系统：支持用户基本信息、行为信息、资产信息、算法类标签等多维度标签管理。
• 信用评分体系：整合社保公积金、交易信息、社交信息、资产信息、人行信用、身份信息等，构建全面的信用评估模型。

技术发展方向

• AI方向：持续推动AI技术在银行零售业务中的应用，构建智能产品和服务。
• 大数据方向：提升数据处理能力，优化数据平台架构，实现更稳定、更安全、更高效的计算能力。
• 云方向：依托云平台，提升系统灵活性与可扩展性，支持AI和大数据技术的快速迭代与部署。

总结

平安银行在金融科技领域通过AI和大数据技术的深度融合，构建了高效、智能、安全的技术架构与应用场景，提升了业务效率、客户体验与风控能力。未来将继续深化AI与大数据技术的应用，推动平台化、服务化、智能化的发展，以应对不断变化的金融市场需求。