以知识图谱为武器,海致星图直击金融机构两大痛点【独角兽专栏】

2018 年 9 月 26 日 i黑马
以知识图谱为武器,海致星图直击金融机构两大痛点【独角兽专栏】

点击上方i黑马选择“置顶公众号”

黑马智库,创业必读


更多创业内容请访问www.iheima.com


海致星图总裁杨娟


2018年是独角兽大年。创业家&i黑马开通了【中国独角兽】专栏,专注于挖掘具有中国特色的中国独角兽故事,总结出它们的成功经验,并将它们推向主流商业世界。


这是【中国独角兽】专栏第15篇稿子。所属产业:金融科技


作者 | 熊本熊


海致星图孵化于知名大数据企业海致控股。据悉,海致控股以海致BDP大数据分析平台起家,覆盖公安、零售、快消等领域。2016年年中,海致控股开始布局金融行业,成立金融事业部。因其业务发展迅速,2017年年末海致控股对金融业务进行拆分,以海致星图为品牌独立运营,专注于大数据和人工智能技术,打造金融领域科技创新产品,并引入外部战略投资,全面进击金融大数据与人工智能业务领域。


1解决营销和风控问题


自国务院连续印发《促进大数据发展行动纲要》及《新一代人工智能发展规划》以来,大数据与人工智能赋予了每个行业新的机会,在金融、政务、互联网、医疗等多个行业领域呈现价值,商业模式开始迭代,业务成效逐渐显现。其中,金融领域以其数据量大、对数据变现渴望强烈而发展最快及最为引入瞩目。在近年来的金融大数据与人工智能的创业潮之中,海致星图以其令人惊讶的发展速度,在不到两年的时间收获近三十家金融机构客户,引起业界的广泛关注。


近日,i黑马记者在海致星图北京办公室对海致星图总裁杨娟女士进行了采访。


据杨娟女士介绍,2018年,银保监会印发了《银行业金融机构数据治理指引》,将数据治理与监管评级挂钩,引发多家金融机构成立独立的大数据一级部门,并设立“首席数据官”,各金融机构全面引入新一代大数据与人工智能技术,推进大数据应用与业务流程融合。金融行业大数据与人工智能需求呈井喷之势。目前大数据在金融领域里主要分为两类应用场景,第一类是贯穿银行整个客户生命周期的数据分析和挖掘应用,构建数据模型,帮助金融机构进行打造客户综合评价体系,如风险度评价、忠诚度评价、贡献度评价等。第二类则是相对更加聚焦、更垂直的场景,就是营销、风控、反欺诈、监管等应用场景。


那么,金融机构在营销和风控上有哪些痛点?


杨娟表示,当前整个金融市场环境日趋严峻,监管越来越严,无论是银行的零售、公司、交易或同业业务,都需要直面营销与风险的效率与准确率的问题。但是,传统方式以人力解决,费时费力且全面性、准确度有限。越来越多的银行需要依靠科技手段拉动业务模式进行创新,对科技的投入持续加大。


“在现有的监管框架之下,金融机构如何获取高质量用户、缩短营销周期、降低营销成本、确保风险可控,这是他们要面临的挑战和诉求。以我们和国内某证券交易所的合作为例,通过引入知识图谱技术,进行公司监管合规审查、资本系挖掘、风险传导等场景进行分析应用。当触发合规风险条件,知识图谱将提供相应对象及业务的报警。此套技术框架在证券公司的投行、固收、自营投资、财富管理业务等方面均将得以运用。”

 

2获取多维度数据,构建智能金融知识图谱


i黑马了解到,知识图谱概念最初是由Google在2012年提出。知识图谱的逻辑是将真实世界所存在的实体、知识以及概念等描述成机器可以理解的数据结构,将数据转化为知识并展现为基于图的数据结构;图的节点是真实世界所存在实体,每个实体可以带有若干不同的属性,用来刻画实体的特性,而图的边则用来描述两个实体的关联关系。知识图谱可以看作一个巨大的网络,是由数据绘制出来的一张知识图。知识图谱的应用价值在于,它能够改变现有的信息检索方式,一方面通过推理实现概念检索;另一方面以图形化方式向用户展示经过分类整理的结构化知识,从而使人们从人工过滤数据寻找答案的模式中解脱出来。与此同时,可在知识图谱之上运行社群、K-Core、最短路径、PageRank等多种图分析和图挖掘的机器学习算法,进行深度的关系发现和复杂信号识别。

 

杨娟表示,“世界是复杂关系的总和。包括人与人的关系,企业与企业的关系,企业与人的关系,事件与事件的关系,事件与人的关系等等。对关系的深度解读,是认知智能的核心环节。”

 

海致星图的Atlas知识图谱分析平台,配备有领先的关系挖掘算法引擎、模型训练参数和输入阈值管理、灰度策略、流量分配设置,以及自然语言处理能力,包括模板识别、实体识别、情感分析等,可根据基于场景的反馈输入等主动或被动评价手段,进行模型自我训练迭代,支持正负反馈场景。目前在某股份制商业银行信用卡中心的实战场景中能够达到10亿级实体、百亿级关系下的秒级计算返回。与此同时,模型和算法层结合建模技术和业务经验进行开发,并持续打磨。海致星图基于Atlas分析平台之上训练了多种开箱即用客户模型,直接对接银行数据和系统,加快上线速度。目前,海致星图已经积累了客户评价模型、营销模型、风险模型共三类超过100个业务模型。可以为商业银行提供精准可靠的营销及风控依据,也可以通过强大的关联检索与动态分析,高效梳理关系网络,预防欺诈事件的

发生。


3针对不同业务场景,推出不同垂直产品


“海致星图不仅是一家平台技术公司,更是一家智能化业务应用公司。”杨娟表示。


在过去的两年中,为了将智能化技术渗透到具体场景中打通业务流程、触达一线、形成数据的闭环,海致星图除了提供Atlas知识图谱平台及基于此之上构建的智能模型之外,更基于Atlas平台,针对不同场景,推出与业务深度融合的智能化业务应用。


以营销场景为例,海致星图已于今年上半年推出一款全新的智能CRM产品。海致星图智能CRM引入海量互联网数据,构建客户全景信息视图,建立客户价值主线,辅以客户行业、规模、结构等量化指标,对客户历史数据进行趋势分析,建立并完善基于基础标签、模型标签、智能标签的客户标签体系,包含如客户股权关系分析、有效客户分析、高价值客户分析、资金结算分析、流失风险分析、风险偏好分析等,实现客户的差异化营销策略,同时通过机器学习算法进行产品的智能化推荐及自动化定价,全方位升级客户经理的作业流程。


目前,海致星图智能CRM产品即将在江阴农商行、九江银行等多家银行上线,并有望在未来成为多家银行全行级客户智能化业务入口。


与此同时,海致星图即将推出一款智能风控产品,利用知识图谱和机器学习技术,通过对多源数据的融合及历史样本的分析和挖掘,进行客户违约概率测评、风险传导概率量化测算等,与现有信贷审批与风险管理流程结合,实现在线自动化审批和贷后自动化监管,有力的帮助商业银行解决基于风险的差异化定价、非现场风险监测管理、不良贷款风险成因的智能分析、信贷考核评价管理等一系列的问题和挑战。


“用技术做武器,直击客户的业务痛点。这是我们的一贯原则。”杨娟说。


4To B 领域创业是一场马拉松


在客户方面,海致星图主要布局在股份制银行、城市商业银行、农村商业银行,已经拥有近三十家金融机构客户,包含中国银行、招商银行、中国工商银行、中国民生银行、深交所、南京银行、青岛银行、兰州银行、中原银行等多家知名金融机构。据悉,海致星图与中国银行业协会联合起草的《基于文本的金融风险知识图谱框架技术规范》金融国家标准已通过中国人民银行科技司的立项评审。同时,海致星图与国内某领先城市商业银行联合构建的知识图谱云服务也即将推出。


“虽然我们起跑的态势还不错,但To B领域创业是一场马拉松,海致星图的目标是用三到五年的时间成为国内金融大数据与人工智能领域的旗舰型企业。我们需要保持节奏,保持耐心,并且在正确的时间点上做正确的事。”即将参加上海国际马拉松比赛的杨娟说。



本文由i黑马原创,作者熊本熊。让创业不再孤独,提升普通创业者的成功率,欢迎关注i黑马。


i黑马,让创业者不再孤独。

商务合作:15801105017(微信)


【马脑】是创业黑马平台十年间商业案例精选合集,融合了数万创业实践群体的智慧。点击小程序可订阅【马脑】:


戳“阅读原文”,报名参与↓↓↓


登录查看更多
8

相关内容

知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。 知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

德勤发布中国人工智能产业白皮书,内容关于人工智能行业综述,人工智能商业化应用,以及中国主要人工智能产业发展区域及定位。

主要发现

  1. 中国人工智能产业发展迅速, 但整体实力仍落后于美国。中国人工智能产业发展迅速, 2018年中国人工智能市场规模有望超过300亿元人民币。人工智能企业数量超过1000家,位列全球第二。本次人工智能浪潮以从实验室走向商业化为特征, 其发展驱动力主要来自计算力的显著提升、 多方位的政策支持、 大规模多频次的投资以及逐渐清晰的用户需求。与此同时,中国处于人工智能发展初期, 基础研究、 芯片、 人才方面的多项关键指标与美国差距较大。

  2. 中国企业价值链布局侧重技术层和应用层, 对需要长周期的基础层关注度较小。人工智能产业链分为基础层(芯片、 算法框架)、 技术层(计算机视觉、自然语义理解、 语音识别、 机器学习) 和应用层(垂直行业/精确场景)。中国企业布局比较偏好技术相对成熟、 应用场景清晰的领域, 对基础层关注度较小。瞄准AI专用芯片或将为中国企业另辟蹊径。

3.科技巨头生态链博弈正在展开,创业企业则积极发力垂直行业解决方案,深耕巨头的数据洼地, 打造护城河。科技巨头构建生态链, 已经占据基础设施和技术优势。创业企业仅靠技术输出将很难与巨头抗衡, 更多的创业企业将发力深耕巨头的数据洼地(金融、 政府事务、 医疗、 交通、 制造业等),切入行业痛点, 提供解决方案, 探索商业模式。

  1. 政府端是目前人工智能切入智慧政务和公共安全应用场景的主要渠道,早期进入的企业逐步建立行业壁垒, 未来需要解决数据割裂问题以获得长足发展。各地政府的工作内容及目标有所差异, 因而企业提供的解决方案并非是完全标准化的,需要根据实际情况进行定制化服务。由于政府一般对于合作企业要求较高,行业进入门槛提高, 强者恒强趋势明显。

  2. 人工智能在金融领域的应用最为深入, 应用场景逐步由以交易安全为主向变革金融经营全过程扩展。传统金融机构与科技企业进行合作推进人工智能在金融行业的应用, 改变了金融服务行业的规则, 提升金融机构商业效能,在向长尾客户提供定制化产品的同时降低金融风险。

  3. 医疗行业人工智能应用发展快速,但急需建立标准化的人工智能产品市场准入机制并加强医疗数据库的建设。人工智能的出现将帮助医疗行业解决医疗资源的短缺和分配不均的众多民生问题。但由于关乎人的生命健康, 医疗又是一个受管制较严的行业。人工智能能否如预期广泛应用, 还将取决于产品商业化过程中如何制定医疗和数据监管标准。

  4. 以无人驾驶技术为主导的汽车行业将迎来产业链的革新。传统车企的生产、 渠道和销售模式将被新兴的商业模式所替代。新兴的无人驾驶解决方案技术公司和传统车企的行业边界将被打破。随着共享汽车概念的兴起。无人驾驶技术下的共享出行将替代传统的私家车的概念。随着无人驾驶行业规范和标准的制定, 将衍生出更加安全和快捷的无人货运和物流等新兴的行业。

  5. 人工智能在制造业领域的应用潜力被低估,优质数据资源未被充分利用。制造业专业性强, 解决方案的复杂性和定制化要求高, 所以人工智能目前主要应用在产品质检分拣和预测性维护等易于复制和推广的领域。然而, 生产设备产生的大量可靠、 稳定、 持续更新的数据尚未被充分利用, 这些数据可以为人工智能公司提供优质的机器学习样本, 解决制造过程中的实际问题。

  6. 人工智能加速新零售全渠道的融合,传统零售企业与创业企业结成伙伴关系, 围绕人、 货、 场、 链搭建应用场景。人工智能在各个零售环节多点开花, 应用场景碎片化并进入大规模实验期。传统零售企业开始布局人工智能, 将与科技巨头在应用大数据和人工智能领域同台竞技, 意味零售商将更加积极与创业公司建立伙伴关系。

  7. 政策与资本双重驱动推动人工智能产业区域间竞赛, 京沪深领跑全国, 杭州发展逐步加速。京津冀、 珠三角、长三角以及西部川渝地区成为人工智能企业聚集地区。北京、 上海、 深圳牢牢占据人工智能城市实力第一梯队的位置, 广州的大型企业与初创企业数量较少, 杭州主要依靠阿里巴巴,因而属于第二梯队, 重庆则受到技术与人才基础限制处于第三梯队。

  8. 各地政府以建设产业园的方式发挥人工智能产业在推动新旧动能转换中的作用。人工智能产业园呈现多点开花、 依托原有高科技产业园以及与原有园区企业产生联动效应的特点。但由于建设速度过快, 园区也出现了空心化与人才缺口的问题。

12.杭州未来科技城抓住人工智能产业快速发展的机会并取得显著成绩,未来可以从人才、 技术、 创新三要素入手进一步打造产业竞争力。推出培养、 吸引、 保留人才的具体措施, 建立具有成长性的人才库;通过完善产业链布局, 发现高价值技术企业并了解企业诉求。提高对技术型企业的招商效率;从创新主体、创新资源和创新环境三个层次聚集创新要素, 打造利于企业创新创业的有利条件。

成为VIP会员查看完整内容
1
175
小贴士
相关论文
AliCoCo: Alibaba E-commerce Cognitive Concept Net
Xusheng Luo,Luxin Liu,Yonghua Yang,Le Bo,Yuanpeng Cao,Jinhang Wu,Qiang Li,Keping Yang,Kenny Q. Zhu
13+阅读 · 2020年3月30日
XTREME: A Massively Multilingual Multi-task Benchmark for Evaluating Cross-lingual Generalization
Junjie Hu,Sebastian Ruder,Aditya Siddhant,Graham Neubig,Orhan Firat,Melvin Johnson
3+阅读 · 2020年3月24日
Aidan Hogan,Eva Blomqvist,Michael Cochez,Claudia d'Amato,Gerard de Melo,Claudio Gutierrez,José Emilio Labra Gayo,Sabrina Kirrane,Sebastian Neumaier,Axel Polleres,Roberto Navigli,Axel-Cyrille Ngonga Ngomo,Sabbir M. Rashid,Anisa Rula,Lukas Schmelzeisen,Juan Sequeda,Steffen Staab,Antoine Zimmermann
81+阅读 · 2020年3月4日
Gourab K. Patro,Arpita Biswas,Niloy Ganguly,Krishna P. Gummadi,Abhijnan Chakraborty
5+阅读 · 2020年2月25日
Yu Cheng,Duo Wang,Pan Zhou,Tao Zhang
49+阅读 · 2019年9月8日
Precise Detection in Densely Packed Scenes
Eran Goldman,Roei Herzig,Aviv Eisenschtat,Jacob Goldberger,Tal Hassner
3+阅读 · 2019年4月8日
Xuelu Chen,Muhao Chen,Weijia Shi,Yizhou Sun,Carlo Zaniolo
6+阅读 · 2019年2月26日
Xiang Wang,Dingxian Wang,Canran Xu,Xiangnan He,Yixin Cao,Tat-Seng Chua
8+阅读 · 2018年11月12日
Ray Jiang,Sven Gowal,Timothy A. Mann,Danilo J. Rezende
4+阅读 · 2018年4月9日
Mohnish Dubey,Debayan Banerjee,Debanjan Chaudhuri,Jens Lehmann
15+阅读 · 2018年1月16日
Top
微信扫码咨询专知VIP会员