一、刷脸支付
2017年9月1日，支付宝宣布在杭州肯德基的KPRO餐厅上线刷脸支付：用户在支付宝上开通此功能后，在线下购买时不需要用手机，刷脸即可买单。这是刷脸支付第一次从线上走到线下，真正实现落地的场景。
移动支付在过去几年中快速发展，支付方式也多种多样，如NFC支付、二维码支付、指纹支付等。人脸识别技术的成熟和人们对支付便捷安全性需求的提升，使得刷脸支付出现在大众视野。刷脸支付，即基于人脸识别技术的新型支付方式，将用户面部信息与支付系统相关联，通过拍照把获取的图像信息与数据库中事先采集的存储信息进行比对来完成认证。
刷脸支付之所以成为可能，主要依赖于人脸识别技术。人脸识别技术，是作为生物特征识别领域中一种基于生理特征的识别，是通过计算机提取人脸特征，并根据这些特征进行身份验证的一种技术。
目前智能识别阶段的人脸识别主要包括人脸检测、人脸特征提取三和人脸匹配部分。人脸检测，主要是确定检测到的是人，进而确定人脸的大小、位置等信息；人脸特征提取，指的是通过精确定位面部关键区域的位置，进行特征点抓取；人脸匹配，即判定人脸是不是数据库中存在的，然后在数据库中找到匹配度最高的人脸。
目前，依图科技人脸识别主要服务于安防，在金融领域落地的主要有刷脸取款和身份验证，合作机构有招商银行；商汤科技目前主要应用于京东金融的人脸登录，以及招商银行等机构的身份验证；旷视科技目前主要应用于支付宝的刷脸支付和登录，以及互联网金融公司的身份验证；云从科技与农行推出ATM机刷脸取款，与收付宝合作刷脸支付，以及为多家银行、证券等金融机构提供刷脸身份验证。
目前来看，虽然我国技术层面或许已经满足了刷脸支付的要求，但是在监管层面，国家还没有出台相应的监管指引政策，因此，距离刷脸支付大规模落地还有很长的路要走。
二、智能客服
在2017年10月12日阿里巴巴云栖大会上，阿里云事业部副总裁李津宣布阿里云正式发布一款智能会话客服机器人“云小蜜”，它支持中文英文会话，可以7×24小时在线工作。目前，已覆盖阿里巴巴生态圈二十余个业务线，每天服务600万名客户，问题解决率达到95%。
智能客服的应用场景主要分为售前和售后：售前以销售为导向，交互过程中需要涉及许多销售技巧，目前的人工智能技术并不能满足需求，所以，主要是人机混合作战模式；售后主要是为客户提供购买之后的咨询服务，此阶段问题相对集中，智能客服主要解决一些重复性的服务性请求，应用相对比较成熟。
智能客服系统主要由四部分构成：客户、渠道、处理内容及对话管理系统，客户通过手机、电脑等渠道将文字、语音、图像等处理内容传递给对话管理系统，由系统内部处理后再将回复内容原路反馈给客户。智能客服系统通过自然语言理解、自然语言生成及知识图谱等技术，掌握客户需求，自动推送客户特征、知识库等内容，如图2-2所示。
图1 智能客服系统
智能客服确实可以起到资源最大利用化、缩减回答问题时间、数据化管理、服务模式演进等作用。有数据显示，交行使用了小i智能机器人后，每月减少了200万通电话，节省了4000万元成本。然而，目前的智能客服还处于弱人工智能阶段，无法自给自足，仍然需要大量人力的参与。智能客服与人工客服将共同协作，一起打造服务深浅全面化。
三、智能营销
有一天，我们会发现，当我们打算购买一款风险中等的理财产品时，适合自己的理财产品广告已经推送到了我们面前。智能营销，就是那个比我们自己更了解自己的人。
智能营销是指在可量化的数据基础上分析消费者个体的消费模式和特点，并以此来划分顾客群体，精准地找到目标客户，然后进行精准营销和个性化推荐的过程。与传统营销相比，智能营销基于大数据、机器学习计算框架等技术，具有时效性强、精准性高、关联性强、性价比高、个性化强等特点。
智能营销通过客户分析、营销策划、营销执行和营销评估实现闭环管理流程，通过大数据技术精准刻画用户画像，并基于此策划营销方案，进行精准营销和个性化推荐，同时实时监测，一方面用于优化策略方案，另一方面将数据反馈给数据库系统，用于接下来的客户分析。营销执行主要分为精准营销和个性化推荐，精准营销服务于企业的引流获客阶段，个性化推荐服务于企业的留存促活阶段。智能营销闭环流程详见图2。
图2 智能营销闭环流程
目前国内真正利用人工智能来提供营销解决方案的公司大约有四十家，按照成立时间和成立背景可分为三类：一类是传统广告营销公司，营销模式比较成熟，如品友互动；一类是大数据公司，他们拥有庞大的数据量，如百分点；最后一类是人工智能公司，他们的机器学习等技术比较领先，如第四范式。
综合来看，智能营销解决的主要是营销三要素 中的触达问题，而创意和出价是未来智能营销面临的主要挑战。
四、智能风控
金融的本质在于风险定价，风控对于金融机构和平台来说都是一种保障。互联网金融时代，虽然有庞大诱人的市场，但是仅凭传统的风控手段很难判断躲在手机背后的用户、缺失央行征信的人是“君子”还是“小人”。金融市场参与者众多，金融业务面临众多的风险挑战：首先，群体欺诈多，大多是有组织、有规模“进攻”的；第二，数据使用难，金融大数据积累多但非结构化；第三，高价值数据少，目前风控采取的数据多为日常交易数据，央行征信数据依然很少；第四，风险高，客群下沉，欺诈成本低；最后，量大，人工无法大规模审核，成本高。
智能风控主要依托高维度的大数据和人工智能技术对风险进行及时有效的识别、预警、防范。智能风控整个流程主要分为四个阶段：第一阶段，数据收集，数据是智能风控的基础，主要数据来源为网络行为数据、授权数据、交易时产生的数据、第三方数据等；第二阶段，行为建模，在这个过程中，需要对大量数据进行结构化处理，形成最有效的信用评估组合；第三阶段，用户画像，通过前期的数据收集和行为建模，形成对每个用户的画像；第四阶段，风险定价，主要包括行为监控、反欺诈违约和催收。金融业务风控新挑战和智能风控基本流程见图3。
图3 金融业务风控新挑战和智能风控基本流程
现有的智能风控公司主要分为三类：第一类是研发自用型，所研发的智能风控系统主要用于自身业务的发展。例如拍拍贷的“魔镜”大数据风控系统、鑫合汇的“鑫盾”风控系统、爱钱进的“云图”动态风控系统等。第二类是纯技术输出型，为商业银行、互联网金融公司、消费金融公司、P2P公司等提供信用评估审核、智能风控、反欺诈等金融解决方案。例如百融金服的“风险罗盘”、明略数据的明智系统“金融风控大脑”等。第三类是混合型，既支持自身业务的发展，也对外输出技术能力。这一类型的企业一般以建立生态为目的，希望以技术输出来丰富自身的数据。比如蚂蚁金服对中小企业开放的风控产品“蚁牛”和个人征信产品“芝麻信用”、京东金融的供应链金融产品“京保贝”、网易金融的“北斗”风控系统等。
智能风控一定程度上确实突破了传统风控的局限，在利用更高维度、更充分的数据时降低了人为的偏差，减少了风控的成本。然而，智能风控的核心数据还不够完善，优秀的风控人才也供不应求，征信的建设也处于初步阶段。智能风控的运用和完善，任重而道远。
五、智能投顾
智能投顾最早在2008年左右兴起于美国，又称机器人投顾（Robo-Advisor），依据现代资产组合理论，结合个人投资者的风险偏好和理财目标，利用算法和友好的互联网界面，为客户提供财富管理和在线投资建议服务。
与传统投顾相比，智能投顾具有门槛低、费用低、投资广、透明度高、操作简单、能个性化定制等优势。因此，智能投顾更能满足投资者的需求。但是，目前中国的智能投顾大部分还停留在交易执行环节，投顾服务主要为资产管理和投资顾问，投后服务涉及较少。根据美国金融监管局（FINRA）2016年3月提出的标准，理想智能投顾服务包括客户分析、大类资产配置、投资组合选择、交易执行、组合再选择、税负管理和组合分析。传统投顾和智能投顾都基于以上七个步骤，只是实施的方式不同，而智能投顾本质上是技术代替人工实现投顾。中国投顾现状及理想智能投顾的模式如图4所示。
图4 中国投顾现状及理想智能投顾
虽然智能投顾最近才爆发，但它并不是一个新概念，因为算法基础早在20年前就已然扎根成型，而智能投顾近年来的发展主要得益于大数据和计算力的提升。在当下圈子里热烈讨论智能投顾的时候，我们需要冷静地思考。目前智能投顾与人工智能的关系更多处于概念阶段，智能投顾实现了策略的个性化、配置的合理化及流程的自动化，有“智能”但离“人工智能”尚远。举个例子，目前的智能投顾客户分析主要通过客户自己填写调查问卷，投资标的也与传统无太大差异，主要基于设定风险和期限给出全球范围内的投资组合。而未来，智能投顾可能引用大数据对客户进行风险监测，在选择投资标的时，可以在考虑基金历史价值等数据的同时考虑基金管理人的信息。
六、智能投研
智能投研基于知识图谱和机器学习等技术，搜集并整理信息，形成文档，供分析师、投资者等使用。智能机器效率较高，但创新性不足，而人机结合将大大提高决策的效率和质量。
智能投研主要分为三步：第一步是获取数据，实时、动态、多维度的数据；第二步是信息化，完成从数据到信息的转换，实现结构化，并达成自然语言理解；第三步是知识化，通过海量数据，发现因素与因素之间的关系，以及数据现象背后的本质，进而做出预测。
目前，我国提供智能投研的初创公司主要有四家：文因互联、因果树、鼎复数据和阿尔妮塔。其中，文因互联是一家用人工智能解决金融数据问题的创业公司，主要服务于新三板、主板和美股公司；因果树是一家人工智能股权投融资服务平台，主要服务于股权投资；阿尔妮塔是一个人工智能股权投资机器人，提供创业投资市场咨询服务。
七、智能数据
“如果我们把资本和机械动能作为大航海时代以来全球近代化的推动力的话，那么数据将成为下一次技术革命和社会变革的核心动力。” 伴随着互联网、移动互联网、物联网的出现，数据呈现出爆发式增长，而金融更是在经营过程中积累了大量的数据。
无论是前台的智能支付、智能营销、智能客服，还是中台的智能风控、智能投顾、智能投研，都依托于大数据。因此，数据平台的搭建显得尤为重要。随着人们行为的数据化，金融大数据不仅包括金融机构内部结构化的数据，还包括非结构化数据及非金融机构的数据。这些共同构成了金融大数据生态系统，如图5所示。
图5 金融机构数据生态系统
自2000年以来，以Hadoop为代表的分布式存储和计算技术迅猛发展，极大地提升了互联网数据管理能力，引发全社会开始重新审视数据的价值，数据也被作为一种重要的战略资源对待。而大数据作为一种新资源、新技术、新理念，为数据赋予了新的意义。从资源视角看，大数据是一种新的资源；从技术视角看，大数据代表了新一代数据管理和分析技术；从理念视角看，大数据打开了一种全新的数据驱动思维角度。
目前，金融机构正积极建设自己的大数据平台，基于既有的数据仓库或内部数据分析挖掘平台，及时跟进大数据行业的技术发展，搭建融合数据仓库和开源技术的大数据处理平台，高效率地进行大数据整合、大数据分析、大数据处理，服务于产品和业务的各个流程，有效支持金融机构在线上、线下各类业务的效率提升和融合。
