人工智能通过“数据＋算力＋算法＋场景”的叠加效应，帮助企业更好地决策，将复杂的分析嵌入到日常的工作和交易场景中，使日益复杂的工作变得更加自动化，提高财资工作效率。
AI的构成要素：数据、算力、算法、场景人工智能的成熟离不开大数据的培育。AlphaGo的深度学习系统有70多层人工神经网络， 每一层均为一个人工智能分析维度， AlphaGo的一流围棋水平的根源来自其对2000万局棋谱的“死记硬背”。由于深度学习算法模型依赖于大量数据的训练，数据的数量和质量直接关系到人工智能的发展潜力、先进程度和可实现的场景。 一般而言，人工智能的四大构成要素是：海量数据、高性能运算能力、核心算法和应用场景。随着CNN、RNN等算法成熟和GPU/FPGA对计算能力的提高，算法和算力瓶颈已突破，数据和场景成为人工智能发展的关键。数据成为重要的企业资产，趋势已经开始显现。大量的数据，特别是场景化、标签化、交易性的数据获得成为重中之重。而财务管理、财资管理和金融服务都是数据交互的中枢，也是企业经营的大数据中心。 ● 数据化：大数据已经开始在预测分析、风险控制、风险定价、量化投资、决策支持等诸多领域展开实质性渗透。企业经营经过多年的数据发展和积累，无论是内部的财务数据、交易数据和资金数据，还是外部的供应链数据、投融资数据等，其数据数量、分析速度与数据种类都发生着极速的变化。随着智能化工具和方式的不断应用，再次扩充了数据的维度，使得可获取的数据维度扩展到线下。大数据为人工智能的发展提供很大助力，因为一些人工智能技术会使用统计模型进行数据分析推理，例如图像、文本或语音。通过大数据来验证这些模型，可以使模型得到改进或者“训练”。 ——大数据是财资管理的核心。在大数据时代，大数据必将触及财资管理的核心：风控、交易、量化、定价、决策。 ——大数据＋机器学习是财资经营的未来。在人工智能时代，机器学习和深度学习领域已取得重大突破，可以赋予机器财资认知及预测能力。 ——重新定义财资管理的职责。协助管理数据从原系统到大数据系统的转移，建立大数据枢纽中心；与IT、业务部门等密切配合，将分散孤立的数据进行有效整合，建立大数据聚合中心；与产业链、外部资本市场进行数据连接，建立大数据交易中心。 ● 场景化：场景化、行业化是财资管理的发展方向，也是金融服务与实体经济结合的必然需求。财资与金融场景化的过程中，会将复杂的工作流程、工作内容和金融产品进行再造，让财资管理需求、企业金融需求与各种场景进行融合，实现信息流的场景化、动态化，通过人工智能技术让风控和预测变得更加精确，使现金流处于可视、可控状态。从金融服务而言，也是实现从获客、产品到风险控制完整闭环的必然需求。规模化和个性化是相悖的，通过人工智能，则可以用更高的效率满足广泛用户的差异化需求，实现充分的个性化。 AI的关键技术：机器学习、自然语言处理、图谱计算、智能机器人等当前，人工智能已经发展成为一门拥有庞大技术体系的分支。包括了深度学习、机器学习、机器视觉、神经网络、自然语言处理等多个细分领域。下图展示了目前主流的人工智能技术和研究领域。
▲ 人工智能关键技术；来源：Narrative Science via Invormation W
机器学习是人工智能的核心技术，指从数据中自动分析获得规律，并利用规律对未知数据进行预测的技术，是计算机具有智能的根本途径。机器学习中一个重要分支就是深度学习技术，其已经遍及人工智能的各个领域，它的工作流程表现为利用感知层产生大数据，进而进行数据分析处理，处理后数据最后反哺给前台应用系统，使得系统做出相应的反应。
▲ 机器学习的常用方法与分类 机器学习往往遵循一些基本的流程，主要步骤包括：数据获取、特征提取、数据转换、模型训练、模型选择和模型预测。数据获取可以通过数据库以及网络爬虫技术，途径日趋多元化。特征提取基于人的经验和探索，优质的特征能够起到事半功倍的效果。数据转换包括缺失值填充、标准化和降维。机器学习模型可分为监督学习和非监督学习。模型选择通常借助交互验证和一系列评价指标。 |
