英特尔搅局金融业看银联如何AI反欺诈人寿个性化卖保险

机器之心原创

机器之心编辑部

在数据中心江湖叱咤风云的英特尔怎么助力金融笔直业的智能化晋级？

时刻倒回到 2000 年。

坐落纽约的高盛美股买卖大厅里人头攒动，电话声此伏彼起，银职业大客户的订单接二连三，600 名买卖员严重而有序地进行着股票买卖。

现在，这儿只剩下三名股票买卖员。高盛 3.3 万名全职职工中，逾越 9 千名职工都是程序员和工程师。

「高盛是一家技能公司」，高盛 CEO 在近几年的公共场所中反复强调。华尔街的另一家巨子摩根大通也调整了自己的脚步。

摩根大通很早就设立了技能中心，聘任约 4 万名技能人员专门研讨大数据、机器人和云根底设备，上一年还引进了全球创始的机器人来进行他们的全球股票算法买卖。

我国银职业协会数据显现，2017 年职业均匀离柜事务率抵达 87.58%。

金融业的智能化晋级现已成为不行阻挠的趋势，因其重视数据和流程的职业特性，金融业在多年的运作中堆集了海量数据，生长为人工智能技能天然的掘金池。现在，人工智能技能现已渗透进金融职业的前端、中台和后端，成为金融企业展开高质量数据剖析和事务猜测的重要手法。

在这个进程中，强壮的算力渠道、融会贯通的软件算法体系、有用的履行效能将扮演中心引擎的作用。

英特尔凭仗着数十年的数据中心职业客户服务经历，经过超卓的英特尔至强可扩展处理器及各类专业的处理计划集成渠道在挑剔谨慎的金融商场取得一席之地，有用地经过人工智能技能持续驱动金融职业展开，相继推出了金融反诈骗处理计划、信贷逾期危险猜测处理计划、金融职业精准营销战略，并加快 AI 印象剖析才能以推动稳妥职业的智能化晋级。

一、金融职业需求什么样的 AI？

当时，金融职业在技能晋级的支撑下加快革新。一方面，新需求层出不穷；另一方面，潜在危险逐步堆集，金融机构需求具有快速应对的才能。

在危险形式上，传统危险与新式危险也正相互交织。除了层出不穷的传统金融诈骗手法，例如信誉诈骗、盗刷诈骗、歹意套现以及稳妥业骗保等，随同互联网年代呈现的个人信息走漏、垂钓网站、诈骗黑产化等问题，也带来更高频化、精准化的的金融诈骗违法。

「未来 5 年，风控和反诈骗将成为金融机构赢得商场竞争的重要因素之一。一起，这一范畴也将催生一个巨大的商场」。有从业者这样以为。

按现在官方发表的数据核算，金融科技商场规划至少有 4000 亿元至 5000 亿元。尤其是最近几年，金融机构纷繁加大出资力度，运用大数据及人工智能相关技能进步信息处理水平、下降潜在危险，这为金融科技公司大显神通供给了绝佳舞台。

现在，跟着 AI 技能的不断展开，在金融职业的前端、中台和后端，都现已有了相对老练的运用计划。

1）在前端，感知类技能（核算机视觉、语音辨认等）不断走向老练，代表性运用已有客服谈天机器人、语音或许面部身份辨认等。

2）在中台，AI 可以进步根据信息的剖析决议计划功率，协助用户愈加快速地捉住商机。传统的商业智能和数据剖析办法，往往停留在趋势剖析、原因发掘、数据发掘与猜测层面。而 AI 的引进，既延伸了剖析的广度，也进步了剖析的深度。

经过不断学习和完善，进步主张的相关性和特异性，AI 为危险处理、营销、服务等供给根据智能化的剖析和决议计划。

3）在后端，比方职业合规以及 IT、财政等支撑功能中，存在很多高度重复性的作业，AI 的重要运用之一，正是承担起这些重复性的人力作业。

二、定制化的金融 AI 软硬渠道

在 AI 推理商场，英特尔至强处理器现已取得高度认可，占有 80%-90% 的商场。

作为立异之作，第二代至强可扩展处理器更将渠道交融以及核算、存储、内存、网络和安全等功能均进步到了新的高度，供给比前代产品高出 25%-35% 的功能，且具有多项新特性，进步灵活性与安全性，增强内存功能，改善整体具有本钱，进步用户的生产力。

其间，金牌处理器 6200 系列，特别是干流的金牌 6248 处理器、金牌 6240 处理器、金牌 6230 处理器身为英特尔至强可扩展处理器渠道的国家栋梁，加强对双 FMA 通道的支撑，FMA 功能进步了 2 倍，可以习惯更杂乱、更多样化的运用场景。

面向深度学习运用，英特尔开源了一款功能增强库，是英特尔为了协助开发人员充分运用英特尔架构，推动深度学习的研讨和运用而创立的根底库。

在该库中，包含了高度矢量化和线程化的构建模块，支撑运用 C 和 C++接口施行深度神经网络, 具有广泛的深度学习研讨、开发和运用生态体系，适用于：Caffe、TensorFlow、PyTorch Apache、Mxnet、BigDL、CNTK、OpenVINO东西包等丰厚的深度学习软件产品。

为了有用进步深度学习模型在英特尔架构根底设备上的运转速度，英特尔 MKL-DNN 供给了很多优化的深度学习基元，比方矩阵乘法和卷积模块、矩阵乘法和卷积、内积等单元，可运用于不同的深度学习结构，以确保通用构建模块的高效施行。

为大幅进步了深度学习在 CPU 上的功能，英特尔还和很多开源社区协作，把英特尔 MKL-DNN 集成进各种深度学习结构。

如早在 2016 年，经过英特尔 MKL-DNN 优化的 Caffe，选用 E5-2697 v3 处理器，相关于原始的 Caffe 功能取得 10 倍进步。在最新一代铂金 9282 处理器上，ResNet-50 上完结了每秒 7736 张图画的抢先功能。

现在，英特尔 MKL-DNN 已成为很多深度学习结构在 CPU 上的根本装备。

在数据剖析层面，英特尔开源了 Analytics Zoo「大数据剖析 +AI」渠道，将 Spark、TensorFlow、Keras 以及 BigDL 等软件与结构集成到一个一致的体系，并扩展到大型 Apache Hadoop/Spark 集群，用于深度学习所需的分布式练习或猜测。

Analytics Zoo 可在大型英特尔至强可扩展处理器的集群上运转，它答运用户直接在既有的大数据根底设备上开发和运转深度学习运用程序。经过 Plain Old Java Object(POJO)、本地 Java API 或 Scala/ Python 模型加载 API，可无缝集成到 Web 服务中。

针对边际侧的视觉处理提速，英特尔还特意推出 OpenVINO 东西套件，经过英特尔 AVX-512 以及选用 VNNI 的英特尔深度学习加快技能，在英特尔架构渠道上，将核算机视觉相关深度学习功能进步 19 倍以上。

OpenVINO 根据通用 API 接口在 CPU、GPU、FPGA、VPU 等各种硬件设备上均可运转。凭借这一东西套件，开发者无需改动软件，即可快速完结硬件晋级和算法移植。

三、四大计划落地，针对性攻破

环绕金融反诈骗、危险猜测、客户营销、智能核保等多个场景，经过英特尔与我国银联、我国人寿上海数据中心、万事达卡以及我国安全等协作伙伴的经典事例，咱们将具体论述实战中的布置和运用。

1、金融反诈骗：三层交融的「三明治」模型

在金融范畴树立反诈骗运用模型时，一般面对短少满足的用户前史买卖数据的难题，且绝大多数数据都源自正常买卖行为，10-100 万份正常数据中仅有 1 份非正常买卖数据。

传统的模型首要依托不断树立、更新根据用户行为特征的规矩库。当买卖发作时，体系调用既定的规矩引擎来监测该笔买卖潜在的危险。但跟着事务场景的增多，买卖规矩杂乱度不断进步，传统的规矩体系风的资源耗费和监控时延的压力持续添加。

根据 AI 的金融反诈骗模型经过「对规矩的自我学习」，可以完结更为精确和客观地判别。

因为仅依托机器学习对序列化的买卖特征学习才能缺少，一起单一的深度学习模型对单笔买卖内的特征学习才能有限，所以，我国银联联合英特尔提出多层机器学习 + 深度学习模型，大幅进步反诈骗模型的功能。

针对学习前史买卖数据缺少的问题，运用建模进程渠道可从少数的原始字段中衍生出了几百个特征因子，概括成当笔 / 上笔买卖、长短时计算以及可信特征变量等 6 大维度，并经过这些特征工程来协助模型进行更好的学习。

在「三明治」多层反诈骗侦测模型，英特尔构建「GBDT—>GRU—>RF」三层架构。

首要，针对单一深度学习办法 (例如 RNN) 在单笔买卖内特征学习才能上的缺少，英特尔树立 Analytics Zoo 东西，在结构的前端引进 GBDT 模型进行特征优化，并将优化后的特征与人工特征相结合，作为 GRU 网络的输入，以此来学习序列间的特征，而且将单笔买卖内的特征时序化。

这一进程可以对数据施行有用的过滤，然后为后续的 GRU 模型供给真实有用的数据。

在中间层，结构并没有直接运用 GRU 网络的输出作为直接的诈骗侦测判别，而是将其作为序列间特征学习的一环，将学习得到的序列间特征与原先的买卖内特征相结合，构成终究买卖特征向量。

终究在此根底之上，为进一步地将时序特征进行交融学习。在结构的终究，这一架构还叠加了一个顶层的 RF 模型，作为终究的诈骗判别分类器。

经过与发卡量和买卖量商场份额坐落世界榜首的我国银联实战协作，英特尔在上百个节点组成的练习集群上展开其反诈骗侦测模型的构建，已在伪卡/套现诈骗侦测等场景中进行了实测，并取得杰出作用。

经过多方位的测评，全新的多层反诈骗模型无论是在召回率，仍是在精确率方面都抵达预期作用。与其他机器学习、深度学习模型，或许多层模型比较，三明治结构（GBDT->GRU->RF）反诈骗模型的精度-召回曲线最优。跟着数据非平衡率的添加，三明治结构反诈骗模型的 F1 值下降最为缓慢。

完结流程化建模和多层反诈骗侦测模型构建后，银联将该套计划进行了封装和整合并供给 API 接口，事务人员输入入参后，即可取得经过智能模型运算剖析后的成果目标。

以三明治结构的诈骗侦测模型为例，可以为伪卡、套现等诈骗侦测场景供给底层模型支撑，事务人员并不需求深入研讨这些杂乱的模型，仅调用上层 API 即可。

在这一立异进程中，英特尔不只为这一新式的反诈骗模型供给了高功能处理器产品作为动力引擎，针对三明治结构诈骗侦测模型供给了有针对性的优化手法和东西，然后协助整个反诈骗模型进一步进步了功率。

2、信贷逾期危险：深度学习+机器学习双剑合璧

现在，商业银行针对信贷逾期危险猜测首要有两类运用场景，一类是在借款前就进行的贷前危险评价，其首要重视猜测成果的时效性和可解说性; 另一类是针对借款发放后的贷后危险猜测，其首要重视猜测成果的精确率和可解说性。

朴实的深度学习往往是一个黑箱状况，缺少可解说性，而这正是金融机构所垂青的——他们需求可解说的信息和条件算出特定的猜测成果。这些解说可以辅导金融客户改善事务流程、改善客户体会。

模型交融可有用进步算法的可解说性和精确性，不同模型的学习练习原理不同，所学到的常识也不一样，将其交融可进步练习作用。或直接运用不同模型的成果文件进行交融，或运用一个模型的猜测成果作为另一个模型的特征进行练习，然后得到新的猜测成果。

例如，将树模型 XGBoost 和 LSTM 交融，使猜测才能得到进一步增强，一起又确保了模型的可解说性。

XGBoost 现已开源，根据英特尔架构优化 TensorFlow 深度学习结构所构建，答应模型与 Scikit-Learn 结构中的其他分类器或回归器协同运用，经过调用英特尔针对数据剖析和机器学习的加快库，充分运用英特尔架构的硬件资源，加快练习和揣度进程。

在根据深度学习模型 (LSTM) 和传统机器学习模型 (XGBoost/RF) 的借款逾期危险混合猜测模型中，首要是特征剖析和数据预处理，处理包含缺失数据、数据规划、数据不平衡性等方面，以及数据重要特征的剖析。跟着数据集容量的添加和杂乱化，该模型还可以运用不同的预处理东西包和新模型来应对各种类型的数据输入。

第二步，运用深度学习模型和传统机器学习模型别离对样本数据进行练习和推理，并各自得到相关的成果；然后，混合模型会将别离对成果进行加权处理，更新权值并做出猜测。

计划的终究一步，是将本轮的猜测成果从头导入模型头部，根据猜测作用更新特征值和权值，并进行下一轮的猜测。

在软件栈中，左边底层由英特尔至强 6130 处理器和英特尔以太网交融网络适配器 X710-DA2 构建的硬件根底设备；其上是 AI 才能层，布置了英特尔 MKL- DNN 或 MKL、面向英特尔架构优化的 TensorFlow1.10 以及 Python 分发包。

右侧，底层是由英特尔至强 5118 处理器和英特尔以太网交融网络适配器 X710-DA2 构建的硬件根底设备，其上是数据层。在 AI 才能层和数据层之上，布置了借款逾期危险混合猜测运用。

其间英特尔 AVX-512 为 XGBoost 模型供给超卓的并行核算才能。

一个完好的借款逾期危险混合猜测计划包含外部数据处理子体系、在线体系以及离线体系。关于外部数据，一致汇入数据规划与监控渠道，然后由一个服务接口将部分数据送至离线体系。

在离线体系中，来自外部数据子体系和在线体系的部分数据被汇入一个数据集市 (Data Mart)，清洗之后，进入离线的模型练习和算法布置流程，经练习后的模型算法将被导入在线子体系的猜测体系中。

经过某大型商业银行实践布置后证明标明，终究的混合模型计划可以有用地进步 猜测的精确率，并大幅下降猜测时延。

数据显现，与人工猜测计划比较，LSTM 办法的精确性进步一倍，而混合模型计划的猜测精确率可以进步 2 倍以上，一起猜测时延则缩短到了 2 天 (功率进步 10 倍以上)。在线猜测计划 (可放贷危险猜测) 中，每笔猜测时刻均小于 1 秒，明显进步客户满意度。

3、引荐体系：神经协同过滤+宽深模型模型

引荐体系现已成为许多职业拓宽出售和服务的要害东西。例如，有 80% 的用户在 Netflix 上经过引荐来挑选所观看的电影;而 YouTube 上的这一数字为 60%，且根据深度学习的引荐体系在引荐质量方面正取得越来越多的认可。

我国人寿上海数据中心是保费收入逾越四千亿元的超大型稳妥企业中的重要一员。曩昔，他们的营销人员只能经过个人从业经历和公司的主推险种来给客户引荐，而很少考虑到客户本身的需求。尤其是关于没有经历的年青营销员来说，更简单发生误导式的推销。

因而，我国人寿上海数据中心计划以数据为支撑，经过根据深度学习的引荐模型协助事务人员高效地引荐个性化险种，然后处理因事务规划和险种规划不断扩大带来的问题。

经过选用英特尔的大数据渠道 Analytics Zoo，我国人寿上海数据中心引荐体系的命中率为 99.8%，归一化扣头累积增益抵达 0.66，这一成果逾越了预期的数值。可以以为，该引荐体系具有杰出的作用。

作为全球抢先的付出处理计划供给商，万事达卡 (MasterCard) 具有 26 亿张信誉卡，年买卖量达 560 亿笔，经过引进英特尔 Analytics Zoo「大数据剖析 +AI」渠道，构建根据深度学习的引荐算法。

经过与基准 ALS 模型进行比较，万事达卡的深度学习模型有明显的改善。

运用 Analytics Zoo 供给的端到端 AI 与大数据剖析才能，金融企业得以快速地运用自己的数据资源，在其既有大数据渠道上构建深度学习模型引荐体系，无须从头建造，可大幅削减金融企业建造事务引荐体系的本钱与时刻。

4、印象剖析：ResNet+Caffe 优化计划

稳妥职业中的各个险种都对图画剖析有着巨大需求。

例如，车险的投保和出险，需求被投保人在投保体系中上传身份证、行驶证、车辆合格证等证照，再由后台作业人员进行审阅。常用的各类证件、签章多达数十个，悉数选用人工审阅不只费时吃力，呈现过错也无可避免。再例如，日益遭到重视的健康险，也需求相关核保人员判读被稳妥人的 X 光、CT 等印象，然后对被投保人的近期和远期健康状况做出精确评价。

针对该范畴的 AI 运用，英特尔在人脸检测、比对、辨认、活检等各个模块上都有相应的算法和模型可供参考。例如，由英特尔推出的OpenVINO东西套件现已供给了几十个预练习好的 AI 模型，让用户无需从零开始构建比如人脸检测辨认等 AI 运用。

深度神经网络是现在 AI 印象剖析中运用最广泛的网络模型之一，在经典的深度神经网络中，网络层数越多，可以提取到的不同层次的特征越丰厚。一起，更深的网络，可以使得提取到的特征更笼统，更赋有语义信息。

但跟着深度不断添加，退化 (Degradation) 问题也随之发生，即精确率会先上升直至饱满，而持续添加深度，却导致精确率逐步下降。残差网络 (Residual Net，ResNet) 可以有用地处理这一问题。

针对很多盛行 AI 结构，比如 BVLC Caffe、TensorFlow、Apache MXNet 等，英特尔进行了很多的优化作业。以 Caffe 为例，其相较于 BVLC Caffe，英特尔至强可扩展处理器的优势得到进一步开释，完结 1+1>2 的作用。

与面向英特尔架构优化的 Caffe 结构结合层交融技能，使 ResNet 等卷积神经网络在英特尔至强可扩展处理器渠道上进行 2D 图画推理时，可比美乃至逾越现有渠道。

一起，渠道还对 INT8 精度推理有着杰出的支撑，且结构供给的 calibration 等东西可以完结神经网络无缝切换到 INT8, 然后更大起伏进步功能。

一项数据标明，与运用 BVLC Caffe 比较，英特尔至强可扩展处理器单位时刻推理功能可进步达前者的 51 倍之多，推理时长则缩短至前者的 4.7%。

医学印象不只是医疗机构最常用的治疗根据，也是稳妥机构判别被稳妥人健康状况的重要根据。我国安全根据 2D 图画分类、检测及定位上有着十分优异特性的 ResNet 和前沿的 3D 图画切割模型 V-Net 切割网络，选用面向英特尔架构优化的 Caffe 等深度学习结构，对 2D/3D 医学印象进行 AI 推理。

在 2018 年头的肺结节剖析评测中，安全不只在肺结节智能读片技能中荣获全球榜首，更别离以 95.1% 和 96.8% 的精度，改写了「肺结节检测」和「假阳性筛查」的世界纪录。高效的医学印象剖析才能将协助稳妥公司精确地剖分出所核实的稳妥是否是骗保的行为，然后大幅进步其稳妥事务才能。

根据 AI 的印象剖析可以有用助力金融机构进步事务处理功率、防备诈骗危险并进步用户体会。经过 Caffe、TensorFlow 等深度学习结构，此类运用现已在稳妥职业的智能核保流程中，针对病理印象判读、、收据处理等场景取得了广泛的运用。

在各界金融机构都活跃引进人工智能技能的当下，把控危险、下降人力本钱、进步事务价值成为金融职业晋级的要害，英特尔针对各大范畴龙头企业打造出的专业性计划极具针对性和学习价值。

在这个进程中，原有数据库架构和技能资源得以保存，算法才能和 IT 设备根底却在耳濡目染地完结了晋级，事务才能和客户体会进一步进步，英特尔中心至强算力渠道与 AI 算法交融的价值也在计划落地的那一刻得以完结。

本文为机器之心原创，转载请联络本大众号取得授权。

------------------------------------------------