全文链接：http://tecdat.cn/?p=28158
报告分享|瞻望人工智能银行：当银行遇到AI
在2016年内，AlphaGo机器人击败了Shelter Sedol，后者在世界围棋比赛中多次获胜。时至今日，人工智能（AI）技术曾经获得了更久远的停顿，为许多行业带来了更深远的变动。麦肯锡预计，AJE技术每年能够为寰球银行业发明高达1万亿美元的后期价值。
另一方面，很多银行只是围绕零星的应用案例进行人工智能钻研，这使得它很难实现大型组织的大规模采纳。这背地的起因可能是金融机构不足显著的AJE策略，核心技术的僵化和投资有余，零散的数据资源，以及过期的运作模式（这妨碍了业务和技术团队之间的单干）。而随着新的大风行减速了数字互动的趋势，金融服务行业曾经成为科技领导者要进入的下一个邻近市场。为了竞争和凋敝，传统银行必须成为 "人工智能第一 "的机构，并应用人工智能技术，因为它是建设新价值和独特客户体验的根底。
为了帮忙银行领导人简化他们的人工智能金融愿景，并制订一个 "人工智能第一 "的转型路线图，本文探讨了四个问题。
1.银行到底为什么要 "AI优先"？
2.银行的将来之路是什么？
3.哪些因素妨碍了银行大规模部署人工智能？
4. 金融机构如何转型成为 "AI第一"？
金融机构为什么要 "AI后行"？
人工智能技术能够进步自动化水平，在适当的机会管制下，进步人类决策的速率和准确性。它们在各行业的价值设计前景是无可比拟的，例如，AJE技术每年为金融业带来1万亿美元的增量价值（图1）。
超过25个应用案例表明，人工智能技术能够通过为客户（和员工）提供更多的个性化服务来推动支出。通过进步自动化水平、升高错误率和进步资源利用率来进步绩效，能够缩小开销。此外，AJE技术能够发现新的、未实现的机会，因为更容易接触到大量的数据运行和洞察力（图2）。
更宽泛地说，颠覆性的人工智能技术能够在四个方面大大改善银行的性能：利润的进步，大量的个性化，独特的全渠道体验，以及疾速的翻新周期。金融机构如果不能将人工智能技术置于其策略和性能的重要地位，就有可能被竞争所超过，被客户所摈弃。以后的四个趋势进一步放大了这种危险，包含：随着数字银行的宽泛应用，客户的冀望越来越高；当先的金融机构稳步减少对先进人工智能技术的应用；数字环境正在发明传统金融的脱媒；科技巨头进入金融服务市场，将其视为外围业务之外的要害畛域。
人工智能银行的将来之路是什么？
一个 "人工智能第一 "的贷款人提出的主张和体验应该是：聪慧的（举荐最佳步骤，预测要害抉择，主动抉择或工作），个性化的（实用，及时，基于对客户过来习惯和背景的具体理解），全渠道的（无缝笼罩多种设施，包含物理和在线状况，并提供稳固的体验），并将银行的性能（包含金融背景之外）与相干产品和服务相结合。图3显示了AJE银行如何与批发客户建设全天候的关系，图4显示了一个小公司老板或中等规模企业财务人员的金融体验。
在外部，一个 "人工智能优先 "的组织将通过人工职责的最终软件（"零口头 "概念），并通过在贷款人经营的所有局部用卓越的诊断引擎替换或加强集体抉择来进步经营效率。改善经营绩效的益处将来自于对传统和前沿人工智能技术利用的投资，如机器学习和人脸识别，以及对大量简单客户数据的（近乎）实时钻研。
将来的人工智能第一银行也将领有明天的数字原生企业的速度和速率。银行将迅速开辟，在数周内公布新性能，而不是几个月。金融机构还将与恋人宽泛单干，提供新的价值主张，涵盖每一个谋求、技术平台和数据集，并且是无缝内置的。
参考文献：瞻望人工智能银行：当银行遇到AI.pdf
最受欢迎的见解
1.R语言实现CNN（卷积神经网络）模型进行回归
2.r语言实现拟合神经网络预测和后果可视化
3.python用遗传算法-神经网络-含糊逻辑控制算法对乐透剖析
4.R语言联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析
5.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格工夫序列和MSE评估准确性
6.Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译
8.R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行工夫序列深度学习预测
9.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数工夫序列预测