《蚂蚁集团：2021全球10大金融科技趋势（60页）.pdf》由会员分享，可在线阅读，更多相关《蚂蚁集团：2021全球10大金融科技趋势（60页）.pdf（60页珍藏版）》请在三个皮匠报告上搜索。

1、本期内容 2021 十大金融 科技趋势 顶级专家前沿趋势预测 2021 十大金融科技趋势 2 Gartner 的调研报告: 新兴技术成熟度曲线， 2020 17 蚂蚁集团简介 60 2 2021 十大金融科技趋势 执行摘要 文章说明 金融科技是技术驱动的金融创 新， 旨在运用现代科技成果改造 或创新金融产品、 经营模式、 业 务流程等， 推动金融发展提质 增效 （该定义由金融稳定理事 会 FSB 于 2016 年提出， 目前 已成为全球共识） 。 面对新一轮 科技革命和产业变革， 金融科技 的创新方向会有哪些趋势？ 技术 的变革又会突破哪些金融场景 的瓶颈？ 作为全球金融科技的早期探索 者，

2、蚂蚁集团 16 年来一直坚持 创新驱动， 不断用技术的手段颠 覆和重塑金融服务， 并在支付、 信贷、 理财、 保险等金融场景中 取得了一系列的最佳实践。 面向 未来， 我们邀请全球顶尖专家学 者一起共同碰撞观点， 并深入研 判和预测人工智能、 区块链、 新 计算、 数字安全等热点科技在 金融场景中的应用， 形成 2021 年全球十大金融科技趋势， 期待 能与业界共享和共鸣。 本白皮书研究过程中所用到的 方法主要包括以下三种： 行业调研： 结合最新金融科技研 究， 深入剖析全球各国政府已经 出台的金融科技国家政策， 并结 合互联网公开信息获取， 搜集了 大量的技术趋势、 应用场景、 最 佳实践等

3、全面的文本资料， 为 本白皮书的研究奠定了坚实的 基础。 专家访谈： 走访了十几位在人工 智能、 区块链、 安全科技、 大数 据、 新计算、 IoT 等技术领域的 顶级科学家， 以及数字金融各创 新领域的资深实践者， 获得了大 量的前瞻洞察和真知灼见， 对白 皮书的研究起到了重要的支撑 作用。 实证研究： 观察包括蚂蚁集团在 内的领先金融科技公司， 洞察其 科技创新在数字金融领域的应 用场景， 着重剖析突破性和颠覆 性的成功案例， 验证技术趋势在 金融场景的实践结论。 关键结论 预测金融科技的发展趋势， 必 须将视野放宽到整个数字经济 的高度。 毫无疑问， 未来 1020 3 年金融科技都将是

4、全球数字经 济发展的核心驱动力， 而金融科 技的创新已经迈入普惠的可信 智能时代。 本白皮书研究的十大 金融科技趋势顶层逻辑即是由 这两个大断言推导出未来 5 年 发展的十大技术趋势。 根据所属 的技术域， 这十大金融科技趋势 可以归入 “可信” 、“智能” 、“普 惠” 三大类别： 金融作为对安全 要求极高的行业， 未来将会构建 从芯片、 操作系统、 数据层、 应用 层、 到端侧， 从硬件到软件的全 栈可信能力； 而人工智能在金融 科技领域的深化应用必将推动 未来的金融机构走向以用户为 中心， 为客户提供高度定制化、 个性化的金融服务。 可信领域的技术趋势 趋势 1： 全栈可信 趋势 2：

5、主动安全防御 趋势 3： 跨链 智能领域的技术趋势 趋势 4： 基于隐私保护的 共享智能 趋势 5： 时序图计算 趋势 6： 持续智能 趋势 7： 自动因子发现的 机器学习 趋势 8： 知识图谱与多模 态学习 普惠领域的技术趋势 趋势 9： 深度个性化 趋势 10： 开放透明 本白皮书的主题始终聚焦在金 融科技领域， 输出的关键结论皆 是由未来的金融场景推导出技 术趋势的预测， 方法论上偏重专 家访谈结合实证研究。 本白皮书是由蚂蚁集团联合国 际权威信息技术研究和分析师 机构 Gartner， 用于打开中国金 融科技领域与世界对话的窗口， 对全球金融科技的发展趋势进 行全面深度的分析。 图 1

6、： 2021 十大金融科技趋势 资料来源： 蚂蚁集团 (2020) 大断言 (Assertation) 技术趋势 (Tech Trends) 普惠 全栈可信 1 主动安全防御 跨链 深度个性化 2 3 9 可信 基于隐私保护的共享智能 4 智能 时序图计算 5 持续智能 6 自动因子发现的机器学习 7 知识图谱与多模态学习 8 2021十大金融科技趋势 金融科技是全球数字经济发展的核心驱动力， 开放透明 10 金融科技创新迈入普惠的可信智能时代 图表 1: 2021十大金融科技趋势 资料来源:蚂蚁集团（2020） 4 下图是来自 Gartner 的 2020 年新兴技术成熟度曲线。 趋势 1：

7、 全栈可信 概览 金融是经济运行的命脉， 信 任是金融服务的根本。 信任 意味着持续服务不间断， 意 味着安全可靠不泄漏， 意味 着谨慎保护不越矩。 金融业 需要从技术上确保对客户、 对资金的可信。 金融系统在架构设计上就应 该原生具有可信能力， 从芯 片等基础设施到操作系统， 从系统冷启动到运行时， 从 数据到计算环境， 从应用生 产到系统运维， 全链路确保 安全可信， 可以具备在极限 环境下的生存能力。 描述 技术的迭代更新日新月异， 其快 速发展对现有的安全防御体系 提出了更高的要求。 对于 IT 系 统安全极为严苛的金融服务场 景， 随着安全意识进一步提升， 对 “零信任” 安全架构的

8、需求愈 发强烈。 遵循零信任架构 “永不 信任且始终验证” 的原则， 软硬 件架构每一层都需要实现安全 防护避免攻破。 则必须时刻随着 网络环境的变化升级安全能力。 不仅于此， 要在技术上确保， 即 使任意一点被入侵， 系统也可以 保证数据安全、 不被窃取， 而且， 可以从行为上定位、 发现入侵行 为并进行自主的防御。 图 2： 新兴技术成熟度曲线， 2020 Gartner： 新兴技术成熟度曲线， 发布日期： 2020 年 7 月 24， G00450415 5 1. 在基础设施层， 从软硬件层 面实现可信是关键能力 由于硬件安全和可信计算领域 的人才稀缺， 导致金融机构自 建可信环境面临诸

9、多挑战且成 本较高。 未来底层 IT 基础设 施硬件会普遍趋向使用安全芯 片作为整合安全基础能力的信 任根。 基于安全芯片构建 Boot Loader、 底层操作系统、 中间件 等可信体系， 并且会针对虚拟 机、 容器、 业务以及用户认证层 面构建全链路的可信体系。 硬件 以其不可篡改的天然属性可以 帮助用户实现基于硬件的加密 计算和可信， 而加密计算等保障 软件安全的手段则是差异化安 全能力的体现。 因此， 一定程度 上， 未来安全能力的角逐也是软 硬件融合能力的竞争。 2. 在系统层， 基于身份的零信 任架构成为主流 当前一个业务系统的网络边界 已经变得非常模糊， 并不是所有 的访问都通过

10、物理部署的网关 进行访问控制。 以身份和访问管 理为基础的零信任架构取代网 络成为基础设施的新边界， 构建 全新的安全防御体系架构。 基于 云的 API 化等原生能力， 企业 可以对身份权限进行统一的认 证和授权， 并可以在动态环境中 授予不同人不同权限， 实现精细 化管理， 让任何人在任何时间、 任何地点， 都可以正确、 安全、 便 捷地访问正确的资源。 3. 在应用层， 围绕数据全生命 周期的安全加密、 流转成为基础 条件。 一直以来通过密码学进行数据 加密保护是经典的做法， 并且其 应用从最初的数据加密保护已 经扩展到整个系统的全生命周 期的各个领域。 当前对于简单的 安全模型和算法，

11、基于密码学的 密态计算技术已经趋于稳定成 熟， 与明文计算的性能差距越来 越小， 但是性能提升已渐入瓶 颈， 从密码学角度的通用安全突 破越来越难。 未来密态计算技术 的发展将依赖于如何针对特定 需求类型进行定制化优化， 通过 密码学、 机器学习、 数据挖掘、 软 硬件结合的方法交叉实现突破。 4. 关键技术： 可信软硬件一体、 全链路加密、 零信任架构、 安全 容器、 密码学、 机器学习、 数据挖 掘等。 趋势 2： 主动安全防御 概览 近年来， 全球企业安全风险环境 愈发严峻， 风险事件层出不穷。 传统模式下的安全策略在防御 体系上较为被动， 集中表现在强 依赖于对已知风险模式的刻画， 对

12、于新型的攻击无法有效防御， 且防控响应慢具有滞后性。 对于 安全敏感度极高的金融场景来 说这种被动防御显得较为迟钝， 金融安全防御模式必须升级为 主动的防御体系。 即通过不断的 风险巡检、 异常发现、 异常风险 评估的模式， 从静态的被动防守 转变为动态的主动安全防御。 描述 传统的风控平台， 一般都基于实 时智能决策的技术体系构建， 在 短暂而宝贵的决策响应时间内， 充分激发硬件所有潜力， 计算尽 可能多的特征和规则， 做出打 扰率和资损率 “完美” 的决策平 衡。 而在另一边， 黑灰产已经可 以做到通过非常低的成本， 研究 试错各类金融业务场景的防控 体系， 找到风险漏洞后进行大规 模攻击

13、。 6 1. 主动动态对抗博弈 要打破这种攻守的不平衡， 化被 动为主动， 就需要对现有基于风 险决策论的技术体系进行变革， 升级为基于动态对抗博弈论的 技术系统， 并具备 “自证” 的基础 能力。 在前期对黑产进行试探， 对异常 操作进行提前分析和跟踪， 根据 对手的潜在行动， 针对性的布 防。 因此， 大规模的异常检测技 术、 增强分析技术、 群组跟踪传 播技术、 动态决策技术， 都将有 新的突破出现。 同时， 在日常的防控中不再仅 满足于区分正常和恶意， 更需 要对于行为背后的意图进行精 准识别， 做到完整解释和还原。 在深度实体 eKYC 和 eKYB (Business) 的基础上，

14、 实现 eKYA (Attention)， 布局知识图 谱， 深化行业知识内容， 形成专 有的风险知识演进和分析， 进而 图 3： 持续风险感知 资料来源： 蚂蚁集团 (2020) D R T A 异常检测技术 万亿级动态图 模式搜索技术 在十亿级的用户中寻找隐藏线索 网络空间的六层架构 增强分析技术 数据发现 / 特征学习 基于全图的风险分级 减少90%的风险误报 持续风险感知 图表 3:持续风险感知 资料来源:蚂蚁集团（2020） 7 成为金融安全的核心能力。 当前 业界领先的金融安全主动防御 技术可以降低资损率至千万分 之 0.641， 能极大提升金融安全 水平。 2. 实战为王 在这个

15、背景下，“实战为王” 也成 为安全行业共识。 安全合规是重 要的起点， 但安全水位最终还是 要看实际安全威胁的对抗效果。 国内关键行业大规模安全演习 更是凸显出安全水位， 必须要靠 攻防实战来检验出当代复杂安 全态势下大规模复杂网络系统 里的各种安全隐疾， 也才能实质 性地推动行业安全技术与服务 的发展。 在强大的对抗安全实战 需求推动下， 安全技术形成蓬勃 的发展态势。 3. 关键技术： 混沌攻击、 形式化 验证、 红蓝攻防、 增强分析、 知识 图谱等。 趋势 3： 跨链 概览 区块链的蓬勃发展形成了不同 的区块链形态， 在技术标准不尽 统一的当前， 不同区块链在数据 格式、 接口开放等形式

16、上往往不 同。 这使得部署了不同区块链的 企业之间基于链的交互变得困 难。 尤其对于金融行业而言， 其 核心价值在于通过金融服务使 资产在不同行业、 机构、 伙伴之 间形成流动， 因此跨区块链的交 互尤为重要。 要挖掘区块链的真 正潜力， 实现跨企业跨行业互 通， 并形成更开放的生态系统， 促成更便捷的价值交换， 就必须 通过跨链技术实现整个行业网 络、 合作伙伴生态的数字价值流 转和资产交换。 描述 区块链技术在过去几年迎来了 新的爆发增长， 应用落地从概念 POC 逐步走向商业应用， 形成 了覆盖医疗、 政务、 金融、 教育、 交通运输、 通信、 媒体娱乐等多 行业探索。 当前的应用探索大

17、多 聚焦在局部单一领域的应用， 重 点解决了 “局域网” 内部的商业 协作。 随着商业应用大规模落 地， 各场景下现有的局部数字资 产流转已经不能满足未来数字 经济的发展需求， 如何突破不同 区块链之间互通性的限制走向 跨行业跨领域的深度互链， 成为 突破行业发展瓶颈的关键。 1. 需求飞速增长促进跨链技术 升级 基于行业发展的现状以及现有 区块链技术能力的积累， 区块链 迈入跨链需求飞速增长的阶段， 成熟的行业应用从单链交互走 向跨链协作阶段， 朝向促进更大 规模的数字化资产价值流转， 加 速万链互联的进程。 同时在标准 化方面， 跨链技术整体正在形成 多层次多模块的标准架构雏形， 其中部分

18、应用成熟的子层次模 块已在相关标准组织立项推进。 跨链技术架构趋于统一及核心 技术的进一步升级， 有望加速演 进出支撑万链互联真实需求的 生产级平台。 2. 典型场景 当前应用跨链技术实现跨领域 合作的业务场景较多， 典型如： 供应链金融 涉及核心企业、 供应商、 经销 商、 物流、 金融机构等多环节 多角色的资产与资金流转。 当这些角色处于不同的区块 链平台时， 通过跨链技术可 以实现跨企业的业务链接。 1数据来源： 蚂蚁业务实践 8 跨境贸易 在传统供应链的基础上， 复 杂的进出口流程， 跨境业务 透明度不足， 业务分布在不 同平台放大了资产追踪难 度。 农村金融 农村金融的发展依赖农业经

19、 营的数据流通。 以农产品溯 源为例： 从源头生产农场、 到 物流仓储、 再到分销商， 对农 产品的全链路追踪要求其跨 链路实现全流程透明。 通过 跨链技术使不同链上的业务 环节相连通， 使农产品溯源 数据流转追溯成为可能， 奠 定了农村金融服务的基础。 3. 关键技术： 隐私安全计算、 高 性能交易、 中继技术、 跨链事务、 跨链治理、 命名寻址、 异构协议 等。 趋势 4： 基于隐私保护的 共享智能 概览 开放金融使金融行业对同业/异 业合作成为了可能， 但如果要真 正成为现实， 需要安全的多维度 数据融合。 共享智能为开放金融提供基于 隐私保护的多方信息融合， 使得 数据价值最大化。 描

20、述 1. 共享智能赋能联合信贷实现 普惠金融 共享智能即通过多方信息融合 学习， 保护各方数据隐私前提 下， 安全联合多方价值信息。 共享智能帮助信贷业务： 通过多方价值信息共享进 行线上授信， 将传统的线下 信贷过审模式， 转变为线上 自动过审模式， 缩短授信时 长； 2 图 4： 经典跨链技术逻辑图 资料来源： 蚂蚁集团 (2020) 2数据来源： 蚂蚁业务实践 跨链 合约 调用 跨链 数据 调用 跨链 资产 流通 跨链 业务 交互 跨链合约服务 跨链互操作API 跨链应用编程 可信跨链中继 TEE硬件安全中继 PoA中继 异构跨链协议 异构接入Fabric 高效同构跨链 图表 4： 资料

21、来源:蚂蚁集团（2020） 9 实现多方联合数据建模， 提 升模型性能， 从而提升授信 决策水平， 并在授信过程中， 有效保护用户的数据和隐 私。 涉及核心技术： 隐私计算中的安全多方计算 及可信执行环境分别在共享 智能中起到关键作用， 同时 也可以将两种技术融合到 一起进一步提升联合模型 性能。 隐私计算中的差分隐私保护 同样应用在共享智能中， 安 全多方计算和可信执行环境 技术确保了计算过程的安全 性， 而差分隐私保护确保计 算结果的安全性， 即无法通 过计算结果反推出原始数 据， 维护数据安全。 共享智能技术将帮助大幅度增 加授信成功用户数、 提升授信额 度， 积极推动针对小微企业及农

22、村金融的信贷业务发展。 2. 共享智能助力金融机构建立 联合风控网络 共享智能助力风险控制： 实现将线下人工审核方式转 为线上， 避免人为偏差， 降低 人力成本提升效率； 针对不同的具象风险类型， 沉淀标准化风险特征库、 风 险特征模型及风险特征规 则； 实现多方共同决策， 共建模 型， 共防风险， 实现联合风控 的 “千人千面” 。 共享智能技术帮助联合生态伙 伴共同建立安全风控网络， 多方 利用可信执行环境等隐私保护 技术共建风控模型， 联合打击虚 假交易、 欺诈团伙等， 在增加交 易量、 降低资损的同时， 大幅度 提升风险识别准确率， 实现风控 网络净化。 3. 关键技术： 多方安全计算

23、、 可 信执行环境、 差分隐私保护、 联 邦学习等。 趋势 5： 时序图计算 概览 金融风险决策是一个不断对 抗升级的过程， 越来越多的 风险体现出团伙性和隐蔽 性， 从单一事件和行为无法 准确决策， 需要引入更多的 交易关系、 资金关系、 位置关 系、 社交关系等， 形成全局的 洞察， 进而识别深度风险， 构建监控体系， 图计算正是 解决这种复杂金融关系的最 优解； 图 5： 联合风控助力企业风控系统提升准确率， 降低月资损 资料来源： 蚂蚁集团 (2020) 生态伙伴 数据本地加密 安全共享 迁移学习算法 效能提升 智能风控平台 团伙作案 虚假交易 反欺诈 共同决策 共建模型 共建枢纽 风

24、险 管控 共享 智能 安全能力共享 风控模型 | 量化策略 | 实时计算 | 加密技术 | 风控引擎 企业自身 图表 5:联合风控助力企业风控系统提升准确率，降低月资损 资料来源:蚂蚁集团（2020） 10 其中， 图计算的数据构建， 从 单一金融行为数据， 走向跨 行业多维度异构数据， 从单 一时间切片的图数据， 走向 基于时序的图数据。 在此基 础之上， 叠加人工智能以做 决策。 描述 1. 时序图计算为金融风控提供 更丰富更精准的决策服务 时序图计算融合图计算引擎、 图 存储等核心技术， 尤其在超大金 融资产规模智能风控场景中， 极 大地提升了实践效果。 基于时序的图计算帮助4： 实现数

25、据升维， 引入多维、 多 时序的数据进行决策， 单场 景数据超万亿级； 实现百万级并发下， 毫秒级 实时构图及查询能力， 数据 强一致； 实现秒级的群组关联决策能 力， 复杂关联分析从事后走 向事中； 实现从单点建模到实时网络 化智能升级； 实现百亿节点及万亿边的图 数据推理和深度学习训练； 数据构建从分散的单一时间 切片走向连续的时间切片， 拟合一段时间的行为， 从而 进行行为预测； 其中， 数据收 集包括但不限于金融交易数 据外的多维度异构数据。 涉及核心技术： 包括基于时序的分布式图数 据库、 实时图计算/时序图分 析、 图学习框架、 图的动态时 序、 知识图谱的构建与推理； 其中图的动

26、态时序涉及动态 时序图挖掘、 动态图学习、 时 序分析、 时序建模等技术能 力支持。 对于金融机构投资风险预测， 可 基于一段时间的历史交易数据 以及跨行业多维度异构数据， 以 综合判断影响。 同时， 时序图计 算也可应用于交易风险识别， 协 助降低欺诈风险， 减少个人与企 图 6： 时序图计算能力构成及实践效果评估3 资料来源： 蚂蚁集团 (2020) 时序图计算 图计算 实时图引擎 | 时序图分析 风控秒级决策，复杂关联分析从事后走向事中 时序智能 时序分析 | 时序建模 资金闲置率 10% 微贷月偏差 1% 知识图谱 表示学习 | 关系推理 新增余额数百亿 信用风险模型KS提升10% 超

27、大金融资产规模（上万亿） 图存储 基于时序的分布式图数据库 | 时序图查询 万亿级图数据存储，成为大数据风控基石 图表 6:时序图计算能力构成及实践效果评估 资料来源:蚂蚁集团（2020） 3、 4数据来源： 蚂蚁业务实践 11 业的资损； 在企业授信中， 可优 化客户评级模型、 降低信贷管理 风险。 时序图计算还可以帮助金融专 家将其行业经验以规则方式沉 淀下来， 是智能风控中的利器， 将会走向纵深发展。 2. 企业知识图谱帮助减少信息 不对称带来的金融风险 企业与企业、 企业与个人通过资 金链接形成了复杂的网络关系 图谱， 金融机构如何处理复杂 客户关系网络， 进而识别深度 风险、 构建监

28、控体系成为重大 挑战。 企业知识图谱将帮助减少多方 信息不对称带来的金融风险， 通 过 NLP、 机器阅读理解、 动态持 续分析、 因果推断、 关联推断等 技术， 将非结构化的数据结构 化， 相关的数据通过相关的关联 面联系起来， 其中关联面基于可 公开的信息分析， 包括但不限于 公司股东/历史股东、 投资情况、 债务债权、 开庭公告、 业务竞争 等， 最终形成企业知识图谱， 用 来理解分析当前企业将面临的 重大风险， 并进行风险预警等。 同时， 也可以通过企业知识图谱 协助预测企业经营情况， 降低 不良贷款率， 达到提额降风险 目的。 3. 关键技术： 图数据库、 图计 算、 图学习框架、

29、图的动态时序、 知识图谱 趋势 6： 持续智能 概览 金融行业的资产负债管理， 业务繁杂且资金体量大， 而 日常的资金管理主要依靠人 工经验， 往往通过储备较大 量资金来应对流动性风险， 但是带来了资金的闲置、 增 加了经营成本， 在流动性风 险和资金利用率上难以获得 较好的平衡。 持续智能结合大数据和 AI 技术， 建立智能资产负债管 理模型并持续自动化迭代和 演进升级， 通过流动性预测、 投融资交易策略、 交易机器 人帮助金融机构实现高效的 资产负债管理， 提供金融决 策支持， 大幅降低流动性风 险并提升资金利用率。 描述 1. 智能资产负债帮助金融机构 精准预测流动性， 极大提升 资金利

30、用率 智能资产负债管理实现： 对资金流入流出中间业务做 出精准预测， 全自动化的头 寸及圈存管理体系帮助机构 做好资金管理； 对资产类业务预测未来增长 并发现核心增长点， 帮助企 业高效经营； 面向金融市场提供投资组合 策略、 提升投资效益。 涉及核心技术： 基于宏中微观的金融时序预 测及基于大数据分析技术的 用户资金行为预测； 基于大数据分析技术的金融 市场价格预测及市场研判； 12 基于遗传规划算法的因子自 动挖掘和模型的可解释性， 以及效益归因； 多目标优化策略。 在日均资金流量上千亿5的情况 下， 精准把控流动性变化， 提升 预测准确度， 提前识别流动性风 险， 无人化进行圈存管理，

31、大规 模释放头寸管理员的工作， 极大 地提升了金融机构的资产负债 管理效率。 2. 智能交易机器人代替人工进 行同业间金融交易， 极大提升交 易效能 智能交易机器人可实现自动询 报价、 智能交互、 交易意图识别、 交易撮合、 交易核验及交易执行 全流程自动化。 涉及核心技术： 基于 NLP 技术的串联聊 天、 交易撮合； 基于大数据分析技术的及时 交易统计、 交易规则抽取及 市场实时分析； 基于金融云底座的弹性扩容 及分布式训练。 智能交易机器人在金融同业市 场交易提效上具有显著的成效， 目前应用于质押式资金交易及 现券交易场景， 降低交易撮合耗 时， 提升交易达成效率及交易总 额， 控制交易

32、风险， 从而整体提 升同业间金融交易效能。 3. 关键技术： 自然语言处理、 机 器学习、 遗传规划算法 趋势 7： 自动因子发现的 机器学习 概览 传统机器学习中因子分析依赖 专家经验和专家模型， 而基于自 动因子发现的新一代机器学习 可以自行发现因子， 在零人工干 预的情况下实现自适应、 自学 习， 代表着人工智能技术的一 个颠覆性突破。 未来 5 年， 自动 因子发现的机器学习将会大规 模应用于金融场景， 弱化主观分 析、 强化客观事实对金融风险控 制的影响， 进而极大提高智能决 策的水平。 描述 1. 基于自动因子发现的机器学 习将在各类金融决策场景中普 及 机器学习的效果高度依赖于数

33、 据训练集， 而金融行业海量用户 产生的交易、 客户、 账单、 转账记 录为机器学习提供了绝佳的数 据场景。 自动因子发现可以同 时探索用户的金融行为和外部 的生活类关联数据， 也一定能 提供比基于人工经验的特征工 程更多的价值。 因子对于金融领 域的重要性不言而喻， 在智能投 顾、 智能保顾、 信用评估、 智能风 控， RPA （机器人流程自动化） 等 场景中， 因子分析是核心能力； 尤其在智能投顾及智能保顾的 业务场景中， 通过自动因子发 现， 可以帮助找到对金融产品价 格变化的领先指标， 从而极大提 高金融决策的水平。 5数据来源： 蚂蚁业务实践 13 与此同时， 传统的机器学习算法 中

34、， 影响因子依赖于人工干预， 而提前预设的因子带有较强主 观色彩， 从而对金融决策具有主 观引导性， 不利于业务风险控制 及创新发展。 未来 5 年， 基于自 动因子发现的机器学习将在各 类金融决策场景中普及。 它可以 通过分析多维度历史金融数据， 利用遗传算法等方式自动且持 续生成新的有效因子， 淘汰过时 无效因子， 同时确保因子的多元 化和因子的可解释性， 达到弱化 主观分析、 强化客观事实对金 融决策的影响， 对于 AI 技术在 金融领域的应用造成颠覆性的 变革。 2. 关键技术： 机器学习、 自动因 子发现、 增强分析 趋势 8： 知识图谱与多模 态学习 概览 传统金融业务处理流程复杂

35、， 需 要大量人力审核投入， 人工成本 高； 通过知识图谱、 多模态机器 学习、 共享智能等关键核心技 术， 以智能保险服务为例， 其智 能化过程如智能核保、 智能理赔 等， 进一步提升保险业自动化程 度， 降低人力审核投入， 提升用 户体验。 描述 1. 知识图谱助力智能金融效率 提升 以保险业务为例， 在智能理赔过 程中， 知识图谱技术帮助实现： 抽取相应凭证信息， 将凭证 中的字符、 图像、 音视频等异 构信息理解成理赔需要的结 构化信息， 解读是否有欺诈 风险； 同时将上述抽取并结构化后 的信息实体化链接入知识图 谱中， 在图谱平台上沉淀业 务规则， 利用规则推理引擎 得到业务决策建议

36、。 涉及核心技术： 知识图谱技术， 包含知识构 建、 知识抽取、 知识融合、 知 识评估及知识推理等核心 能力。 共享智能技术， 帮助实现数 据最小化使用原则， 即仅获 取相关、 必要、 脱敏后的特征 信息进行模型训练， 因此， 共 享智能技术既保护了个人的 数据隐私， 也保护了系统的 特征加工机密不外泄， 防止 因此带来的骗保风险。 通过智能化理赔决策， 帮助节约 人工审核成本， 加速理赔流程， 降低误赔率， 提升用户体验。 2. 关键技术： 自然语言处理、 知 识图谱、 图像理解、 多媒体内容 理解、 共享智能及RPA （机器人 流程自动化） 趋势 9： 深度个性化 概览 互联网技术驱动金

37、融从离线走 向在线， 未来的金融一定是融合 在业务场景中的泛在实时服务。 大数据和人工智能在金融领域 的广泛应用， 使得金融机构可以 实现用户与内容、 用户与服务的 精准匹配， 从而生成深度个性 化的金融服务： AI 与保险业务 的结合产生智能保顾、 AI 与投 资业务的结合产生智能投顾、 AI 与客户服务的结合产生智能客 服、 AI 与营销洞察的结合产生 智能营销。 未来 5 年， 大数据及 14 人工智能技术必将在更多的金 融场景中产生融合， 深度个性化 的金融服务将成为主流。 描述 1. 用户需求的变化催生人工智 能与大数据技术在金融业的大 规模普及 当金融服务从离线走向在线， 金 融服

38、务的对象、 模式、 重心皆发 生重大变化： 金融服务对象从大企业、 高 净值人群逐渐走向中小企 业、 大众化； 金融服务模式从 B2C 逐步 发展到 C2B， 由人工受理发 展到在线无接触服务， 再发 展到个性化智能实时处理； 金融服务的重心将从传统的 企业组织为中心逐步发展到 为以用户为中心， 更加关心 用户的体验和感受， 更加关 心用户的个性化要求； 得益于人工智能和大数据技术， 金融机构可以从用户的消费行 为数据中产生和获取洞察， 从 而通过满足用户深度个性化的 服务需求， 留存老客户、 吸引新 客户。 2. 用户智能驱动个性化金融服 务覆盖全业务场景 用户智能就是结合大数据分析 和人工

39、智能技术， 通过搜索推 荐、 服务内容理解等， 达到用户 与服务、 用户与内容的精准匹 配， 它是一种数据智能和人工 智能的结合态。 未来 5 年， 用户 智能会把深度个性化的服务推 送到所有的金融业务场景中， 实 现人人皆可获得适合其自身的 金融服务。 其中较为典型的场景 包括： 智能投顾 结合人工智能算法和产品， 依据用户设定的投资目的及 风险承受度， 为投资者提供 “千人千面” 的投资决策支 撑； 未来 5 年， 智能家庭理 财师将成为服务全球亿级大 众的金融基础设施； 智能保顾 海量用户数据结合智能推荐 技术， 将为用户提供定制化 的智能荐保、 风险评测服务； 未来 5 年， 智能保顾

40、将会服 务超过亿级全球客户； 智能客服 聊天机器人 (Chatbot)、 虚 拟助理等为金融机构和用户 之间提供会话接口， 建立起 基于自然语言的沟通方式； 客户将得到训练有素的专家 提供的高标准、 量身定制的 服务； 智能营销 基于机器学习算法深度挖掘 客户交易、 消费、 社交、 信用 等行为数据， 金融机构可以 进行用户画像、 用户分层、 用 户定位， 进而实现营销服务 的精准化和个性化， 优化营 销的质量与效率。 3. 关键技术： 用户行为分析算 法、 自然语言处理、 机器学习、 互 动技术、 自动语音识别与合成 趋势 10： 开放透明 概览 科技高速发展， 创新层出不 穷， 如何利用技

41、术发展来增 强用户信任而非迷惑用户成 为重中之重。 在科技发展过程中， 数字化 理念和隐私越来越受到个 人、 企业和政府的关注， 随着 15 用户个人信息保护意识增 强， 需要企业规则制定过程 清晰， 且规则是易于被访问 的， 同时需要相关政策法规 制定来确保个人数据隐私受 到严格保护； 在金融普惠的愿景下， 金融 服务应该是人人可获得、 人 人可无差别公平享用， 金融 科技相关企业应始终坚持以 用户为中心提供开放统一的 金融服务； 科技赋能金融服务最终应对 世界产生积极影响。 描述 1. 金融业呼唤数字化理念 在利益面前， 金融科技相关企业 存在通过以下方式利用用户隐 私牟取暴利的不当操作：

42、 利用用户对金融法规的盲 点， 向其强制授权、 过度索 权； 通过用户信息结合人性弱点 让用户频繁交易、 加大杠杆； 通过大数据杀熟以及进行信 息造假。 企业需要制定一系列开放透明 的数字化理念准则， 及时更新隐 私政策、 规则说明等。 金融科技企业应做到包括并不 限于： 建立公司数字化理念指导原 则， 并关联公司价值观、 技术 目标和战略； 公开隐私权政策， 明确如何 收集、 存储、 保护、 使用、 对外 提供用户信息等， 让用户可 以更好地理解、 控制针对数 据的共享与使用； 同时， 保持 隐私权政策简短精悍， 易于 浏览， 且易于被用户访问； 以 “公开透明” 为出发点， 清 晰化规则制

43、定过程， 公开规 则说明于服务应用上海品茶， 易 于被用户访问， 让用户在共 享数据的过程中获得体验升 级和实惠， 并支持用户在必 要时能够简单方便地退出 服务。 2. 开放与透明成为金融业数字 化理念建设共识 金融数字化理念标准应深深根 植于金融科技相关企业， 保护用 户隐私、 维持用户信任， 让数据 为用户创造价值， 而非为企业创 造收益。 提供基于数字化理念的 金融服务应作为每一个金融科 技企业的责任和承诺。 随着科技创新对世界的影响更 加广泛和深入， 人类应抱有善意 的目标和动机运用技术， 应采取 负责任的行为， 确保科技真正惠 及人类。 16 附录： 新兴金融科技公司自我评估清单 十大金

44、融科技趋势 自我评估 监控 （1 分） 规划 （2 分） 试点 （3 分） 部署 （4 分） 可信 趋势 1： 全栈可信mmmm 趋势 2： 主动安全 防御 mmmm 趋势 3： 跨链mmmm 智能 趋势 4： 基于隐私 保护的共享智能 mmmm 趋势 5： 时序图计 算 mmmm 趋势 6： 持续智能mmmm 趋势 7： 自动因子 发现的机器学习 mmmm 趋势 8： 知识图谱 与多模态学习 mmmm 普惠 趋势 9： 深度个性 化 mmmm 趋势 10： 开放透明mmmm 总得分 (10-40) 注： 以上自我评估清单和得分仅供参考， 得分不等同于技术能力。 理想得分为 30 分以上。 资

45、料来源： 蚂蚁集团 Gartner 的调研报告 新兴技术成熟度曲线， 2020 2020 年技术成熟度曲线重点 介绍将在未来 5 到 10 年间对 企业、 社会和人类产生重大影响 的新兴技术。 其中包含的技术 能使组合式企业渴望重新获得 社会对技术的信任并改变您的 想法。 分析 您需要知道什么 作为技术创新领导者、 CTO 或 CIO， 您必须了解新兴技术的最 新情况， 才能确定它们对您所在 行业的影响以及为您的组织带 来的机遇。 今年孕育了许多激动 人心的机遇， 使组织可以进一步 探索技术推动的业务转型。 如果 您是早期采用者， 则可以将此技 术成熟度曲线用作起点， 以便： 了解在 5 到

46、10 年的规划 周期中需要密切关注的技 术。 探索潜在机遇。 制定计划， 确保当这些技术 在商业上可行时善加利用。 技术创新已成为竞争差异化的 关键， 并且是许多行业转型的催 化剂。 突破性技术不断涌现， 甚 至向最具创新性的技术发起挑 战， 抢占潮头。 关注数字业务转 型意味着您必须拨开这些技术 周围的迷雾。 本调研报告重点介 绍的创新方案 (IP) 针对新兴技 术的业务影响提供指导， 并就如 何利用这些技术来推动竞争差 异化提供建议。 今年， 我们的技术成熟度曲线中 的新兴技术可分为五个明显的 趋势： 复合架构 算法信任 超越硅 形成性人工智能 (AI) 数字化自我 技术成熟度曲线 在众多

47、 Gartner 技术成熟度曲 线中， 新兴技术的成熟度曲线 堪称独一无二， 因为其提炼了 Gartner 对 1,700 多种技术的 洞察， 精简出一组 “必知” 新兴技 术和趋势。 此技术成熟度曲线中 18 的技术经过精挑细选， 可带来变 革性或很高的效益， 并广泛影响 企业和社会。 由于此技术成熟度 曲线专注于新兴技术， 因此仅体 现了前半个周期的趋势。 它倾向 于介绍在过往迭代中没有的技 术。 空间有限意味着我们必须淘 汰在 2019 年版的调研报告中 重点介绍的大多数技术。 淘汰的 技术仍然很重要， 并包含在其他 技术成熟度曲线调研报告中 （请 参见 “不在技术成熟度曲线上的 条目”

48、 一节） 。 新兴技术趋势 技术成熟度曲线的这次迭代重 点介绍了五个独特的趋势， 这些 趋势创建了高度自适应的解决 方案， 探索了人工智能的未来， 并重建了对技术和社会的信任。 您应该跟踪这五个新兴技术趋 势。 复合架构。 快速的业务变化和去 中心化推动了对组织敏捷性和 自定义用户体验的需求。 组合式 企业旨在通过基于灵活数据结 构的封装的业务能力来应对快 速变化的业务需求。 复合架构通 过由封装的业务能力组成的解 决方案来实现。 内置智能是去中 心化的， 并向外扩展到边缘设备 和最终用户。 为了使您的组织更加敏捷， 请考 察以下技术： 可组合企业 封装的业务能力 数据编织 5G 专网 嵌入式

49、 AI 边缘低成本单板计算机 算法信任。 近年来， 网络世界的 问题层出不穷， 举例来说， 组织 暴露个人数据， 采用有偏差的人 工智能模型， 并在互联网上到处 传播虚假新闻和视频。 为了应对 这种情况， 逐渐发展了一种新的 信任架构， 从信任组织转变为信 任算法。 算法信任模型正在取代 基于主管机构的信任模型。 这是 为了保护数据的私密性和安全 性、 资产的来源以及人和事的身 份。 算法信任有助于确保组织不 会面临失去其客户、 员工和合作 伙伴信任的风险与成本。 若要开始与客户、 员工和合作伙 伴重建信任， 请考察以下技术： 安全访问服务边缘 (SASE) 差分隐私 认证来源 自备身份 (BYOI) 负责任的 AI 可解释 AI BYOI 在技术成熟度曲线中占 有不寻常的位置， 因为其成熟度 处于主流的早期阶段， 但尚未到 达技术成