本文首要介绍了银行为什么合适人工智能技能的使用。首要从数据、技能投入、使用场景几个方面来解读。
数据、算法和算力是人工智能的三驾马车，2012年之后得益于数据量的上涨、机器学习算法的开展和运算力的提高，人工智能开端了大迸发。
依据IDC估计，到2020年，全球数据总量将到达40ZB，我国的数据量将到达8.6ZB，占全球的21%左右。
一般用B、KB、MB、GB、TB、PB、EB、ZB、YB、BB来表明，其间ZB便是十万亿亿字节。
深度学习的呈现突破了曩昔机器学习范畴浅层学习算法的限制，推翻了语音辨认、语义了解、计算机视觉等根底使用范畴的算法规划思路。
GPU、NPU、FPGA等专用芯片的呈现，使得数据处理速度不再成为人工智能开展的瓶颈。
因为银行职业特性，银职业开展事务过程中堆集了海量的数据。这些数据有结构化数据，例如以薪酬、公积金、消费贷等为代表的数据；一起还包含文档、图片、音响和地理位置信息等多种非结构化和半结构化数据。
据波士顿咨询公司指出，银职业每创收100美元，会均匀发生820GB的数据，数据强度高举各职业之首，在相同条件下，电信、稳妥和能源职业数据强度分别为90GB、150GB、20GB。
一起，银职业相关于其他职业对数据的管理做得更好，信息程度更高，这也就使得银职业堆集的数据更标准、实用性更强。
银职业，特别是大型银行每年科技投入都是相对较高的，他们乐意经过对技能的投入推进事务的开展。据数据显现，国有六大行全体金融科技投入在2018年应到达近600亿元。所以，关于银职业有足够的资金支撑更有利于算法和算力上的实践使用。
银职事务中存在很多合适人工智能使用的场景，例如，一个传统的借款事务或许需求2至3天来批阅，而一个根据人工智能模型的主动批阅计划或许只需求几秒钟就能够完结，一起有些传统风控模型的迭代周期或许要数个月乃至数年，可是人工智能的模型迭代能够十分快捷和主动。某银行推出交易融资事务反洗钱核对项目，归纳运用文本剖析、图像辨认、机器学习等人工智能技能，将本来每单审阅时刻从手艺2小时下降到2分钟，功率与质量得到极大提高，银行人工成本大幅下降。
智能信贷风控与主动授信、智能反洗钱、智能审单、智能审计等等，太多可发掘的人工智能能够发挥作用的场景。在银行中可谓处处有人工智能的使用时机，重要的是需求场景与技能充沛结合，才干真实发挥人工智能技能的优势，更好地提高银职事务的功率。E
