누가 코끼리가 춤을 출 수 없다고 말했나요?
모든 은행에게 2020년은 예고 없는 궁극적인 시험이자 가장 직관적인 금융 기술 대결이 될 것입니다. 전염병으로 인해 지점 트래픽이 0에 가깝게 급락하여 모든 측면에서 은행의 온라인 서비스 수준이 저하되었으며 수년에 걸쳐 증가하는 기술 투자 중 얼마나 많은 부분이 실제로 디지털화 및 인텔리전스로 전환되었는지 테스트했습니다.
2021년을 맞이하면서 은행들은 철저한 검토를 실시하고 이전을 준비하기에 가장 좋은 시기를 맞이하고 있습니다.
지난 1년 동안 은행들은 코끼리가 돌아서고 있다는 고정관념을 없애고, 다양한 혁신에 밀려나던 과거의 딜레마에 작별을 고하며, 더 많은 책임을 다하기 위해 노력해왔습니다. 금융기술의 물결과 새로운 디지털 인프라를 바탕으로 활발하고 민첩하게 전진하는 적극적이고 개방적인 사람입니다.
AI를 수용하고 싶어하지 않는 은행은 없으며, 디지털 혁신의 미래를 놓치고 싶어하는 사람도 없습니다. 수십 개 은행의 전반적인 AI 레이아웃을 정리하고 '뱅킹 AI 생태 클라우드 서밋'에서 많은 게스트와 공유하는 과정에서 우리는 점차 뱅킹 AI의 과제와 어려움이 기회이기도 함을 발견했습니다.
데이터 보안 및 개인 정보 보호
은행 업계의 AI는 AI 자체가 직면한 데이터 딜레마와 점점 더 엄격해지는 데이터 규제 기준으로 인해 먼저 차단됩니다.
기술적 측면이 계속해서 발전하는 동안 은행이 고려해야 할 문제는 비즈니스 혁신과 개인 정보 보호의 균형을 맞추는 방법입니다.
Leifeng.com AI Financial Review가 주최하는 'Federated Learning Series Open Course'에서는 이 문제에 대해 체계적이고 심도 있는 토론을 진행했습니다. 첫 번째 수업에서 WeBank의 최고 인공 지능 책임자인 Yang Qiang은 "인공 지능의 힘은 빅 데이터에서 나오지만 실제 응용에서 접하는 대부분의 데이터는 작은 데이터입니다."라고 직접 지적했습니다.
Ping An Technology의 수석 엔지니어인 Wang Jianzong도 수업에서 “전통적인 AI 기술은 엄청난 양의 데이터에서 학습하거나 일부 관련 기능을 마이닝하고, 수학적 모델을 맞추기 위해 수학적 이론을 사용하고, 입력값과 결과를 찾아야 합니다.”라고 지적했습니다. 딥 러닝에서 훈련 네트워크의 가중치 및 편향과 같은 대응, 모델 효과는 데이터 크기, 품질 및 데이터 신뢰성과 밀접한 관련이 있습니다.”
전형적인 예는 은행 신용입니다. 위험 통제: 이제 대부분의 AI 애플리케이션은 데이터를 기반으로 합니다. 신용 위험 통제에는 많은 데이터 교육이 필요하지만, 대규모 대출에 대한 위험 통제 사례는 거의 없습니다. "딥 러닝 모델을 구축하는 경우 이러한 대규모 대출의 소수 샘플만 사용하는 것만으로는 충분하지 않습니다."라고 Yang Qiang은 설명했습니다.
작은 데이터는 '타워에 모여야' 하며 동시에 사생활 침해의 가능성도 있다. 이를 위해 네트워크 보안 및 데이터 규정 준수 분야의 법률이 가장 빠른 경로에 진입했으며 데이터 남용 및 크롤러도 엄중하게 처벌되었습니다.
'데이터 보안법'은 아직 초안 상태이지만, 초안에는 데이터 자체의 활용에 주의를 기울여야 하며, 데이터를 핵심으로 활용하는 것을 촉진해야 한다고 명시되어 있습니다. 시민단체 및 관련 권익 보호를 전제로 하는 요소입니다.
데이터는 새로운 시대의 유전이라고 불리지만, 은행은 어떻게 AI를 사용하여 보다 효율적이고 규정을 준수하는 채굴 도구를 찾을 수 있을까요?
'은행 산업 AI 생태 클라우드 서밋'의 첫 번째 연설에서 WeBank의 블록체인 보안 과학자 Yan Qiang 박사는 금융 산업에 필요한 데이터 보안 및 개인 정보 보호 사고에 대해 심도 있는 논의를 진행했습니다. 은행. 그는 다음과 같이 지적했다.
디지털 경제 시대에 은행업계의 AI 발전은 '데이터 섬'을 데이터 산업의 본래 생태계로 존중해야 하며, 개인정보 보호 기술은 이를 깨는 열쇠이다. 데이터 가치 통합의 '제로섬 게임'을 위해서는 개인 데이터 공동 생산의 '이중 순환'을 열어야 합니다.
블록체인은 데이터의 신뢰와 가치를 전달하는 최고의 기술입니다. 개인 정보 보호 컴퓨팅 및 AI 애플리케이션의 데이터 품질과 같은 일반적인 문제는 블록체인을 통해 보완되거나 개선될 수 있습니다.
연합 학습, TEE 신뢰 컴퓨팅, 보안 다자간 컴퓨팅 등 다양한 AI 기술 경로도 은행의 핵심 비즈니스 시나리오에 구현하려고 노력하고 있습니다.
AI Financial Review는 WeBank 외에도 장쑤성 은행도 2020년 연합 학습 방향을 탐색했다는 사실을 알게 되었습니다. 이들은 Tencent 보안팀과 협력하여 연합 학습 기술을 기반으로 한 지능형 신용 카드 운영을 공동 개발했습니다. 연합 학습 기술의 지원을 받아 배포를 계획하고 재무 위험 제어 모델 교육을 수행합니다.
은행 데이터베이스
"데이터"를 선으로 삼으면 은행의 프론트, 미들, 백 오피스의 업그레이드 트랙이 명확하게 표시됩니다.
지난 몇 년 동안 뱅킹 기술에 대해 이야기하면 프런트엔드 지능형 애플리케이션에 대한 논의가 더 집중되었지만 이제는 중간 및 백엔드 구축이 더욱 주목을 받기 시작했습니다. 은행의 디지털 혁신을 위해 제시하는 가치와 가치.
여기서 중요한 모듈은 은행 데이터베이스의 변환 및 업그레이드입니다.
우리는 오라클이 중국 시장에 진출한 이후 은행 데이터베이스 시장에서 압도적인 우위를 점했으며 많은 은행들이 첫 번째 선택을 해왔다고 보도한 바 있습니다.
Oracle을 장기간 사용함으로써 많은 은행이 심각한 경로 의존성을 갖게 되었습니다. Ping An Bank의 분산 데이터베이스 기술 책임자인 Li Zhongyuan은 또한 AI Financial Review에 시스템 마이그레이션 및 재구성에는 단일 시스템에서 다중 시스템 그룹까지 많은 비용이 필요하며 실패 가능성과 유지 관리 비용이 많이 들 것이라고 말했습니다. 이로 인해 시스템 마이그레이션 및 재구성 비용이 증가하게 되며 전반적인 시스템 운영 및 유지 관리가 큰 어려움을 겪게 됩니다. (자세한 내용은 "은행업계가 '변화를 추구하는 날', 국내 데이터베이스가 '부서지는' 때' 참조)
그러나 은행 업무 혁신에 대한 요구가 점점 더 복잡해지면서 전통적인 데이터베이스가 직면하고 있는 문제는 다음과 같습니다. 기술 경계, 비용 및 통제 가능성 측면에서 어려움이 있습니다. 조달 데이터베이스의 단일 소스로 인해 은행이 매우 수동적인 상황에 놓이게 됩니다.
클라우드 컴퓨팅의 등장으로 데이터베이스 시장에서 거의 독점에 가까웠던 오라클의 입지가 흔들리고, 주요 인터넷 클라우드 업체들이 전쟁터에 뛰어들었습니다.
Tencent Cloud의 Li Gang 부사장은 클라우드 데이터베이스의 특징은 저렴하고 확장이 용이하며 이론적으로 무제한의 수평 확장 기능을 가지고 있다고 말했습니다. Oracle과 같은 기존 데이터베이스는 일치할 수 없습니다.
그 결과 중국 내 수천 개의 은행이 더 많은 선택권을 얻었고 중앙 집중식 데이터베이스에서 분산 데이터베이스로 마이그레이션하기 시작했습니다. "대형 시스템의 하향 마이그레이션"과 관련된 긴 여정이 시작되었습니다.
이러한 변화에는 이미 선구자가 있습니다. 예를 들어 Zhangjiagang Bank는 2019년에 Tencent Cloud TDSQL 데이터베이스에 핵심 비즈니스 시스템을 배치했습니다. 전통 은행은 처음으로 핵심 시스템으로 국내 분산 데이터베이스를 선택했습니다. ; 2020년에는 평안은행 신용카드의 핵심 시스템도 전환되어 생산에 들어갔습니다.
"Banking Industry AI Ecological Cloud Summit"에서 Tencent Cloud Database TDSQL의 수석 설계자인 Zhang Wen은 Zhangjiagang Bank와 Ping An Bank의 두 가지 일반적인 데이터베이스 마이그레이션 및 전환 사례를 심층적으로 공유했습니다.
Ping An Bank를 예로 들면 규모가 크다는 것은 애플리케이션 전환이 더 어렵다는 것을 의미합니다. Zhang Wen은 이러한 변화에 협력하기 위해 애플리케이션이 애플리케이션을 분할하고 분리하는 마이크로서비스 아키텍처를 도입했다고 설명했습니다. 계정의 분포는 여러 단위로 나누어지며, DSU는 논리적 단위입니다. 단일 DSU에는 200만 개의 고객 정보가 포함되며, 단일 DSU는 온라인 서비스와 회계 서비스를 동시에 처리합니다.
그러나 국내 분산 데이터베이스도 여전히 성장하고 있으며, Zhang Wen은 현재 금융 수준의 분산 데이터베이스가 확장 가능한 기능을 갖추는 것 외에도 높은 수준의 문제를 해결해야 한다고 지적했습니다. 가용성, 강력한 데이터 일관성, 보다 비용 효율적인 성능 비용을 탐색하고 금융 기관을 위한 보다 사용하기 쉽고 제품 지향적인 성숙한 솔루션을 만듭니다.
중국-대만 건설
인기 키워드 '중국-대만 건설'은 더 이상 인터넷 기업만의 전유물이 아니다. 은행도 예외는 아니며 중간 사무실도 필요합니다.
은행과 같은 대규모 기관은 구조가 매우 복잡하고 부서 간, 다중 팀 협업이 필요합니다. 시간이 지남에 따라 대량의 데이터가 축적되는 것은 파손된 건물과 같아서 시기적절하고 지속적인 관리가 필요합니다.
은행은 엄청난 양의 데이터와 기술, 인재를 보유하고 있는 것 같지만, 부서 간 협력의식이 없고 독립적인 굴뚝을 구축하는 경우가 많습니다. 기술은 피상적이어서 연결되거나 심화될 수 없으며 이로 인해 막대한 은행 자원 낭비가 발생했습니다.
중국과 대만의 체계적인 구축과 원활한 운영이 있어야만 이 거대한 시스템의 '죽은 매듭'이 하나씩 정리될 수 있다.
중국건설은행 감독위원회 왕용칭 회장은 다음과 같이 지적한 바 있습니다. 중간 플랫폼 구축은 상업은행의 디지털 변혁의 핵심 연결고리입니다. 그는 디지털의 필연적인 목적지를 믿습니다. 상업은행의 변화는 생태학적, 시나리오 기반이다.
상업은행은 다년간의 운영을 통해 일정한 경쟁 우위를 축적하고 고유한 특성을 지닌 내부 생태계를 형성했지만 현재는 여전히 폐쇄적이고 소외되어 개방형 디지털 경제의 요구를 충족할 수 없습니다. 상호 작용이 필요하고 끈적임이 높으며 촉감이 좋고 경계가 없습니다.
따라서 중국 건설은행은 통합 모델 관리, 통합 데이터 서비스, 통합 데이터 보기, 통합 데이터 사양 및 통합 데이터 관리.
수억 명의 사용자를 쉽게 지원하고 고효율, 동시성 시나리오 기반 운영을 달성하기 위해 초상은행도 중간 플랫폼 및 기술 생태계 구축에 지속적인 노력을 기울여 왔습니다. 지난 2년 동안. 지난해 말 출시된 초상은행 앱 9.0은 반복 수요 지점이 1,800개 이상이며, '10N' 디지털 미들 오피스 구축이 상당한 비중을 차지한다.
금융기관이 필요로 하는 데이터 미들 플랫폼을 어떻게 구축할 것인가?
'은행 산업 AI 생태 클라우드 서밋'에서 360 Digital Technology의 최고 과학자인 Zhang Jiaxing은 '3개의 링크와 3개의 빠른 속도'를 사용하여 데이터 센터의 표준을 요약했습니다.
금융 기관 대규모 사용자와 복잡한 비즈니스에 직면한 우수한 데이터 미들 플랫폼은 멀티 비즈니스 통합, 내부 및 외부 데이터 상호 운용성, 사용자 관계 연결성을 구현해야 하며 빠른 실시간 데이터 처리, 빠른 사용 및 연결을 구현해야 합니다. 빠른 수요반응.
그는 데이터와 AI가 매우 밀접하게 통합되어 있다는 점을 더욱 강조했습니다. 데이터 중간 플랫폼과 AI 중간 플랫폼이 별도로 구축되면 둘 사이의 분리가 불가피할 것입니다.
이를 기반으로 360디지츠도 최상위 데이터 플랫폼과 중간 데이터 서비스가 지원하는 플랫폼 서비스, 그리고 전체 관리까지 통합하는 자체 데이터 AI 융합 중간 플랫폼도 출시했다. 데이터 자산, 하단으로 전체 데이터 기술 아키텍처의 설계를 조정하고 축적된 AI 역량을 탑재했습니다.
Zhang Jiaxing은 또한 Cloud Summit 연설에서 360 Digits가 연합 학습 기술인 분할 신경망을 개발했다고 밝혔습니다. 고차원 공간의 신경망을 통해 Embedding의 되돌릴 수 없는 특성으로 인해 다양한 참가자가 허용됩니다. 참여하려면 데이터 파트너는 Embedding 벡터만 전달하면 되며 원본 데이터를 볼 수는 없지만 궁극적으로 모델이 목표 효과를 생성할 수 있습니다.
은행 신용의 지능형 위험 관리
지난 한 해 동안 은행 신용 위험 관리는 가장 우려되는 방향 중 하나로 남아 있습니다.
한편으로는 전염병의 영향으로 인해 대출 연체 및 부실 위험이 급격히 증가하는 데 관심이 쏠리고 있습니다. 신용 지원 규모를 확대하고 은행 및 소비자 금융 회사가 되는 것은 새해 초 기업 및 위험 관리 기술 서비스 제공업체에게 큰 시험입니다. (자세한 내용은 '신용전쟁 '전염병': 리스크 관리를 위한 새해의 시험' 참조)
한편, 2020년 하반기부터 감독에 대한 '레드라인'이 금융기술이나 인터넷금융이 될 것이다”라고 점차 명확해졌다. 예를 들어 '시중은행 인터넷대출 관리에 관한 임시조치'에는 시중은행에 대한 위험관리 및 통제요건과 협력기관에 대한 관리규정이 명시되어 있다.
AI 및 빅 데이터와 결합된 지능형 위험 제어는 더 이상 은행 기술 애플리케이션에서 새로운 것이 아니지만 이는 데이터 자원 장벽, 자체 데이터 축적, 데이터 특징 추출 및 분석 등 지능형 위험 제어가 충분히 성숙되었음을 의미하지 않습니다. 알고리즘 모델 개선은 현재 빅데이터 리스크 관리가 직면한 4가지 주요 딜레마로 간주됩니다.
한 시중은행 담당자는 모델 구축과 모델 적용 과정에서 외부 데이터 위조(흑품 사기), 내부 정보 남용 등 공통적인 데이터 품질 문제가 발생한다고 밝힌 바 있다. 반면, 모델 반복 중에는 많은 은행이 반복 속도와 빈도만 추구하고 최종 효과를 무시합니다.
Baidu Finance의 전 CRO이자 Ronghui Jinke의 CEO인 Wang Jin은 불완전한 데이터 표준화 및 거버넌스 시스템, 열악한 데이터 품질 및 높은 누락률, 부족한 기술 역량, 부족함 등의 요인을 지적했습니다. 종합적인 과학기술 인재가 모두 요인이기 때문에 은행이나 기타 금융기관이 좋은 모델을 만들 수 없는 중요한 이유입니다.
왕진은 '위험통제황포아군사관학교'로 알려진 아메리칸 익스프레스에서 17년 동안 근무하며 다양한 국가의 다양한 제품과 관련된 700개 이상의 모델에 대한 정책 시스템 제공 및 독립 모니터링을 담당했다. 전 세계. 클라우드 서밋에서는 20년 이상의 리스크 관리 경험을 바탕으로 금융 리스크 관리에 대한 개념적 오해도 분석했다.
"많은 사람들은 위험 관리가 항상 균형점을 찾는 과학이라는 사실을 특별히 이해하지 못합니다." Wang Jin은 위험 관리 균형에 세 가지 핵심 질문이 있다고 믿습니다.
그는 또한 분석했습니다. “금융회사는 설립 초기부터 데이터의 라이프사이클을 고려해야 합니다. 우선 비즈니스부터 시작해야 합니다. 제품과 고객을 선택할 때 어떤 종류의 데이터가 필요한지 결정하세요.”
데이터 전략은 상대적으로 장기적인 구현 프로세스입니다. 데이터 선택 조건: 데이터 규정 준수, 안정성, 적용 범위뿐만 아니라 데이터의 최신성, 적시성 및 기간도 고려해야 합니다.
모델 구성의 관점에서 Wang Jin은 우수한 위험 관리 모델에는 차별성, 정확성, 안정성, 복잡성 및 해석 가능성이라는 5가지 주요 요소가 있어야 한다고 지적했습니다. 아키텍처 및 알고리즘, 파생 변수의 출현, 모델의 모니터링 및 반복, y의 정의 및 샘플 선별은 모두 모델의 "단조"에 영향을 미칩니다.
그의 견해로는 은행 및 기타 금융 기관이 신원 식별 및 제어, 데이터 보안 관리, 위험 모델 관리 및 자동화된 모니터링 시스템 측면에서 효율적이고 완전할 수 있는 것이 이상적입니다.
RPA와 내부 프로세스 최적화
각종 은행의 연차보고서에 점점 더 자주 등장하는 또 다른 키워드가 있는데, 바로 RPA(로봇 프로세스 자동화)입니다. 앞서 AI파이낸셜리뷰는 'RPA AI 시리즈 공개 강좌'도 개최해 RPA 벤더 최고 경영진 5명을 초청해 RPA와 금융의 충돌에 대한 불꽃을 공유했다.
RPA의 정의는 2012년경의 "프로세스 뱅킹" 혁신 물결과 쉽게 연관될 수 있습니다. 당시 프로세스 뱅킹이란 은행의 비즈니스 프로세스, 조직 프로세스, 관리 프로세스 및 문화적 개념을 재구성하여 프로세스를 핵심으로 하는 새로운 은행 운영 및 관리 시스템을 형성함으로써 전통적인 은행 모델을 변화시키는 것을 의미했습니다.
오늘날 은행의 변혁 전투는 모든 면에서 '디지털 변혁'으로 업그레이드되었으며, AI와 로봇공학 기술의 지원으로 내부 프로세스의 최적화와 변혁은 빠르게 필수가 되었습니다. 은행의 디지털 혁신의 일부를 "무기"에 두십시오.
Daguan Data의 공동 창업자인 Ji Chuanjun은 '은행 산업 AI 생태 클라우드 서밋'에서 RPA AI가 은행에 제공하는 가장 확실한 가치는 수작업을 줄이고, 수작업 오류를 줄이는 것이며, 비즈니스 프로세스 효율성을 향상시키는 동시에 위험 경고 및 모니터링 기능도 향상시킵니다.
AI Financial Review는 많은 국영 은행이 RPA를 실제 비즈니스에 도입했다고 언급했습니다.
ICBC를 예로 들면 ICBC의 RPA 적용은 프런트 오피스 운영, 미들 오피스 순환, 백 오피스 지원 등 다양한 비즈니스 시나리오를 포괄합니다. 전사적 수준의 로봇 프로세스 자동화(RPA) 플랫폼을 추진해 은행 전체 46개 본사와 지점에서 RPA를 활용한 120개 시나리오를 구현했다.
중국건설은행도 RPA를 도입해 국내 최초의 기업급 RPA 관리 및 운영 플랫폼을 구축하고, 100가지 비즈니스 애플리케이션 시나리오를 민첩하게 개발하고, 수동 링크 자동화와 위험 링크 기계 제어를 실현했다.
중국 농업은행은 중국 농업은행이 아직 기술 플랫폼 구축 단계에 있으며, 향후 신용카드 사업, 금융 사업 등을 시범 프로젝트로 활용해 RPA 수요를 구현할 것이라고 밝혔다. 구현 전략은 은행 전체를 위한 통합 RPA 기술 플랫폼을 구축하고, 본사 및 지점 전 부서에 RPA 서비스를 수출하는 것이다.
2017년 말 중국은행의 자회사인 중국국제은행(Bank of China International)은 RPA 개념 증명을 완료했습니다. 이 팀은 다양한 비즈니스 프로세스와 관련된 30개 이상의 자동화 처리 작업을 수행하는 20대의 로봇을 성공적으로 생산했습니다. RPA 공급업체인 Daguan Data와 협력했습니다.
Ji Chuanjun은 또한 Cloud Summit에서 은행의 다양한 일반적인 시나리오에서 AI RPA의 현재 구현을 공유했습니다.
예를 들어 스마트 신용은 전체 은행의 핵심 프로세스를 지향합니다. —— 신용 처리 과정은 사전 대출, 대출, 사후 대출의 세 단계로 구분됩니다. 여기에는 데이터 쿼리, 데이터 처리, 재무제표 및 은행 흐름과 같은 전문적인 링크가 포함되며, 이러한 링크에서 기본 정보 입력 및 실사 보고서 검토를 완료하는 데 필요합니다. AI, OCR, NLP 등의 기술을 기반으로 합니다.