本文来源：时代财经作者：刘子琪张昕迎

图片来源：图虫创意

2022年，是“金融科技发展规划”第二个三年的开端。而近年来，AI风控技术与金融行业的结合愈发紧密。

此前，根据艾瑞咨询《2020年中国AI＋金融行业发展研究报告》，AI风控约占到了2019年AI金融市场规模的45%。AI技术与风控的结合也被银行等金融机构视为最有价值的技术落地场景。

其中，银行是AI风控的主要投资者。2019年，银行业在AI风控中的投入为67.51亿元，占银行业在AI技术总投入的60.44%。据据艾瑞咨询研究院预计，2022年银行在AI风控的投入将达到115.90亿元；中期来看，未来银行对于AI风控的投入占AI总投入的比例将保持在50%以上。

近日，爱分析首席分析师张扬在接受时代财经采访时表示：“以银行信贷业务为例，机器自动审核已经替代了人工审核，这种机器审核所依赖的算法模型基于对AI技术的运用。目前，AI模型已经附入银行线上业务的生产系统之中，并且正在产生实际效果。”

多方入局

无论传统金融还是互联网金融，风控都是一个绕不开的关键话题。

随着业务的数字化、线上化进程不断加快，基于传统的业务拓展模式所发展起来的传统风控方式和管控手段已不能适应大部分业务创新的需要。

在面对金融机构业务在线上化的过程中可能会面临虚假申请、伪冒交易、内容违规等风险，AI技术在金融行业风控上的运用已远远走在了合规管理运用的前列。

如今，AI风控是金融数字化最主要的应用场景，也是最有价值的应用场景。

据艾瑞咨询《2020中国AI+金融行业发展研究报告》，从2019年中国金融机构AI投入规模结构中可以看出，银行业、互金行业和保险行业是AI技术的主要购买方，其中银行业的业务最为复杂，数据海量，同时风控要求最高，成为了金融领域中AI技术最主要的需求方。

在过去几年中，银行业对于AI技术的投入持续增加。据上述报告预测，2022年银行业在AI方面的总投入规模将超过220亿元，其中在AI风控的投入将达到115.90亿元。

从技术获取途径看，银行业主要依靠与AI公司合作，采购相应的产品和服务，2019年采购规模占投入的85%。

随着银行自建科技子公司等增强自研能力的举措发展壮大，其采购规模将有所下降，不过合作与技术采购仍然会是行业中主要的技术获取手段。

一位曾经供职于外资机构的风控人员表示，“有了AI风控后，很多很费时间的流程就省了。”对于银行来说，在搭建风控体系过程中，绝不是单靠一个模型、一个单点就可以识别的，否则很难真正抵达风险核心、控制全局风险的效果。

目前，在实际应用过程中，银行的AI风控系统能够帮助银行增加30%左右的“降低成本、增加效率”的效能。

上述风控人员称，以前银行对于营销活动的损失没有具体概念，很难判别到底有多少营销费用到了真正的用户手里，有多少被黑产套走了；针对新型诈骗方法，AI风控产品能帮助金融机构实现风控效果、降低获客成本，以及提升运营效率之间的平衡。

不过，因为银行各部门之间存在严重的信息壁垒，且金融领域的数据对用户隐私要求较高，AI风控操作起来具有挑战性。

张扬在接受时代财经采访时表示，“对于大额贷款，AI的风控效果还不足以去替代线下。”

其进一步解释称，目前的AI风控更多适用于小额贷款，对于几十万甚至上百万的大额贷款，还很难做到线上风控。“但是AI风控需求将长期存在，未来的增量主要体现在对公业务，最好能在提升大额信贷风控的效果方面出现突破。”

此外，在多数场景下AI技术都与个人隐私密不可分，也曾因信息滥用、隐私泄露等风险而受到诟病。“机器在进行训练时，需要获取大量用户行为数据，不过因为有些数据受到《个人隐私法》的保护，AI风控目前还面临着数据源的挑战。”张扬说。

除银行业外，最近几年，有不少金融机构选择和第三方智能风控公司合作构建智能风控体系和平台。

源起基金合伙人廖浪桥近日向时代财经表示，“公司目前有一小部分涉及到AI风控系统。”廖浪桥指出，相较于头部基金公司来说，在AI落地的过程中，一些小公司承担不了过高的成本。“例如现在像大数据存储可能就需要投入上千万，这对一些小公司来说都算是天文数字了，所以实施起来比较难。”

AI如何落地？

时下新技术层出不穷，金融风控领域弥漫着“唯AI论”的气息。

AI在金融的商业化、规模化落地，信贷风控是最典型也最为人熟知的场景之一。以银行为例，如今的人工智能，可以根据海量数据开发和训练信贷风控模型，利用算法在贷前评估预测用户的还款能力和还款意愿，在贷中实时监控借款人，对可能出现的违约进行事前干预。往常需要六个月时间走完流动性贷款，现在可以实现秒批秒贷、智能催收等等，大大节约了时间。

张扬表示，与人工相比，AI更“聪明”，经验也更加丰富。“在设计贷款风控模型时，AI可以通过机器学习，生成上万条海量特征，这个肯定是人工做不到的。特别是对于小额贷款，很多时候通过专家等人工制定的规则其实并不像机器那样直接有效。”

此外，在响应的及时度上，机器也明显快于人工。张扬举例称，现在一些线上的小额贷款，基本上都能实现几分钟放款，这主要是由于审核、风控环节的时间被大大压缩。“利用人工去判断，至少需要几分钟甚至几个小时的时间，但是用机器去判断可能基本上都是秒过。这是传统的风控很难做到位的，只有AI风控才能做到。”

除了及时性，AI还具有强烈的自主性，能在不断的自主学习中“自我成长”。若前期发放的贷款出现了逾期、坏账等“机器判断失误”的状况，AI也可以对原模型进行追溯调整，并在这个过程中实现自我成长。

目前，金融机构越来越注重对AI风控的自主研发，此外，也有不少外部厂商，为银行、保险公司、证券公司等终端甲方用户提供AI风控服务，并最终落地于黑名单、数据管理、反欺诈、授信、评分、额度等多项业务。

作为数据使用方，金融机构可以通过隐私计算技术，来安全、合规地融合行业数据和外部数据，为具体的业务场景提质增效。

隐私计算技术服务商洞见科技的合伙人、副总裁李博近日在接受时代财经采访时表示，隐私计算正处于大规模商业化落地早期，金融领域头部客户不断落地商业化市场需求。洞见科技自主研发的金融级隐私计算平台InsightOne在金融领域的应用场景很多，主要包括基于隐私计算的联合风控、联合营销、反电诈、反洗钱、精准投放、资产扫描、精算定价等。

李博告诉时代财经，在风控场景中，可以基于洞见科技InsightOne隐私计算平台，构建金融机构与外部机构之间安全可控的数据协作通道。

他指出，在原始数据不出库的前提下，通过使用金融机构内部客户数据和外部合作数据联合构建风控模型，并基于模型进行实时预测。

在银行信用卡账单分期业务中，通常存在行方内部数据维度有限的问题，此外，通过API查询补充客户标签的方式不仅存在泄露行方大量存量客户信息的风险，也会造成极大的成本浪费。李博对此称，“以洞见科技与某股份制银行合作项目为例，在该行信用卡账单分期有效模型案例中，洞见科技为该行建立了账单分期营销模型，实现最终模型KS值达到40%以上，在保障客户信息安全的前提下，有效改善了业务效果。”