第7章 人工智能与金融创新
来源：OCR PDF 页序约 118–135；书内印刷页 106–123。具体应用描述为原书出版时的技术与业务背景。
-
本章解决的问题
人工智能包含哪些主要技术方向？这些技术如何用于金融服务、运营和风险管理？ -
本章的核心结论
人工智能通过感知、学习、推理和交互等能力处理数据并辅助或自动化部分任务。机器学习、知识图谱、自然语言处理、人机交互、计算机视觉和生物识别等可用于投顾、客服、风控、反欺诈及身份验证。应用效果依赖数据、场景和模型治理，不能把自动化等同于准确或无偏。 -
关键概念
- 机器学习：让系统利用数据学习模式并用于预测或分类的方法。
- 知识图谱：以实体及其关系组织知识、支持关联分析的表示方式。
- NLP（自然语言处理）：Natural Language Processing，使计算机处理和理解人类语言的技术。
- 计算机视觉：对图像或视频进行识别、分析和理解的技术。
- 生物识别：利用人脸、指纹等生理或行为特征进行识别。
- 人机交互：通过语音、文本或其他界面实现人与系统的信息交换。
-
重要论据
- 人工智能发展经历不同阶段，应用能力受算法、算力、数据和具体任务限制。
- 金融业务中的大量信息处理、模式识别和重复性服务适合由算法辅助，但高影响决策需要明确责任与复核机制。
- 智能投顾、客服、信贷风控、反洗钱及身份核验属于不同任务，不能用单一模型能力概括。
- 训练数据偏差、模型可解释性不足、错误识别及隐私保护均影响应用可信度。
-
具体案例
- 数字化投顾：通过客户信息和算法分析辅助资产配置或投资建议。
- 智能客服与人机交互：用语音或文本系统处理常见咨询，复杂事项仍可能需要人工支持。
- 计算机视觉与生物识别：用于身份验证或影像信息处理。
- 智能风控和反欺诈：从历史及实时数据识别风险信号，作为金融判断的辅助工具。
-
作者提出的方法
先界定具体业务任务和错误成本，再匹配技术方法；保证训练及使用数据质量，监测模型表现和偏差，并设置人工复核、责任追溯及客户申诉渠道。 -
可能的隐含假设
- 训练样本能够代表实际服务对象，且数据变化可被及时发现。
- 模型识别结果可在业务流程中被恰当地解释和使用。
- 自动化节省的人力成本不会以不可接受的错误、歧视或客户服务损失为代价。
-
与其他章节的联系
人工智能建立在第5章的数据能力和第6章的计算基础上；应用于支付、供应链等第2、4、8章场景，并带来第9章所讨论的模型、操作及数据风险，也可能被第10章监管科技用于监管分析。 -
一句话总结
人工智能可提升金融信息处理与服务自动化能力，但必须限定适用任务并持续治理模型和数据风险。 -
原文依据或页码
OCR PDF 页序约 118–135；书内印刷页 106–123。技术发展、主要分支及金融应用见本章。
自测：①本章列举了哪些人工智能技术方向？②金融机构应用模型时为何仍需要人工复核与持续监测？