阿里云发布ET金融大脑 可提高信用卡预测准确率5倍

简介:

融资难一直困绕着企业的发展,电视剧《人民的名义》中,大风厂老板蔡成功不惜通过违法手段来获取正常的企业经营贷款,终酿悲剧。如果可以智能分析大风厂的运营状况并预测,金融机构就可以快速准确地评估企业的信用和经营能力,做出正确的贷款决策。

ET金融大脑的出现将改善这个局面,避免悲剧上演。12月20日,在2017云栖大会·北京峰会上,阿里云宣布推出具备了智能风控、千人千面、关系网络、智能客服等能力的智能决策金融方案——ET金融大脑。

ed8b931b9065ca2a956a8097e4d597f36803b049

据悉,ET金融大脑可辅助银行、证券、保险等金融机构实现对贷款、征信、保险等业务的智能决策及风控监管,可大幅降低资损率,提高信用卡等预测准确率,促进金融机构在互联网消费金融、中小微企业金融服务等普惠金融方面的探索。

“通过ET金融大脑,阿里云把蚂蚁小贷的310能力(三分钟申请,一秒钟放贷,零人工干预)、消费金融场景下的花呗和借呗能力赋能给每一家金融机构,将人工智能融入金融和应用,共同实现普惠金融。”阿里云金融事业部总经理徐敏表示。

智能风控 恰到好处的风险管控

风控是金融行业的核心,那么风控的核心是什么呢?阿里云给出的答案是:智能风控系统。

金融机构可借助智能决策引擎分析用户信用情况,推演企业未来经营状况,更可实时识别账号盗用、身份冒用、网络诈骗等风险,做到精准的信贷决策和风险控制。像《人民的名义》中的大风厂,就可以获得在还款能力范围内的经营性贷款。

基于智能风控系统,ET金融大脑构建了一整套反欺诈风控体系,不仅能智能管理风险控制,还能优化用户体验。南京银行通过ET金融大脑来改善贷款流程,54%的贷款申请者可免去不必要的人脸核验和视频核身,减少重复验证打扰,提高贷款审批效率,保障良好的用户体验。

千人千面 量身定制的金融服务

不同的用户有不同的金融需求和诉求,这方面阿里巴巴的”千人千面”经验十足。ET金融大脑可以根据产品使用行为特征,结合时间维度预测出给客户最合适的金融产品,达到用户体验和商业价值的高度统一。某银行通过ET金融大脑,将信用卡激活预测准确率提升了5倍,流失预测准确率提升了7倍。

同时,ET金融大脑搭配了智能客服系统,可充分“理解“客户需求,智能监测关键词,弹屏提示最优话术,辅助客服提升能力与效率。通过机器人与客服完成一对一的智能训练,智能客户系统还能“自我学习”,不断升级服务能力,为消费者提供最优体验。

时空关系网络,打开全息金融新视野

时空关系网络是金融机构基于自身用户和业务情况结合ET金融大脑的算法建立的信息关系网络,金融机构可化身“福尔摩斯”,分析研判洗钱、欺诈、骗保、关联交易等违法违规行为。比如在保险领域,ET金融大脑可以及时识别团伙欺诈、联合骗保案件,避免公司资产损失。

此外,ET金融大脑还能对欺诈模式自动识别,自动发现复杂关系网络异常模式,例如资金闭环、网络坍缩、汇聚网络,在营销作弊、反欺诈领域等不断探索,助力金融机构打开全息金融新视野。

中台理念,构建基于大数据能力的金融机构

传统烟囱式开发重复建设浪费技术资源,阿里云的共享中台理念可将全业务流程打通。借助Aliware等互联网中间件产品,金融机构可以快速搭建信息实时流通的大数据中台,构建数字化运营体系、服务治理和自动化运营基础、统一ID、全域行为、全域标签,不断优化、拓展场景应用,承技术启业务,开拓“新金融”商业模式。

在金融行业,广发银行正准备基于这套技术来搭建全行的互联网金融中台系统,同时将全行系统中可以共享的能力抽象沉淀在中台系统,来支撑广发银行未来更快的业务创新。

据悉,ET金融大脑也不仅可以部署在云端,可以部署在本地,搭建可分布式协同的混合云。“数据是金融机构的资产,阿里云早在2015年就发布了《数据保护倡议书》,承诺绝不会触碰用户数据,我们有责任和义务帮助客户保障数据的私密性、完整性和可用性。”徐敏表示。此前,阿里金融云通过了全球最严最权威的金融数据安全认证 PCI-DSS、等保四级认证等,可有效保护用户数据安全。

相关文章
|
3月前
|
机器学习/深度学习 人工智能
高于临床测试3倍准确率!剑桥大学开发AI模型,提前6年预测阿尔茨海默症
【8月更文挑战第9天】剑桥大学研发的人工智能模型在预测阿尔茨海默症方面取得突破,准确率比传统临床测试高三倍,能提前六年预测疾病发生。该模型基于深度学习,利用大量临床及神经影像数据识别生物标志物,预测准确性达80%。这一成果有望促进早期干预,改善患者预后,但仍需更大规模研究验证,并解决隐私与公平性等问题。论文已发表于《The Lancet》子刊。
51 6
|
3月前
|
机器学习/深度学习 人工智能 NoSQL
生成式AI赋能金融信贷:减少信用评分偏差
替代数据、人工智能和生成式 AI 的融合正在重塑信用评分的基础,标志着金融业进入了一个关键时刻
3921 3
|
3月前
|
数据采集 机器学习/深度学习 人工智能
【2021 第五届“达观杯” 基于大规模预训练模型的风险事件标签识别】1 初赛Rank12的总结与分析
关于2021年第五届“达观杯”基于大规模预训练模型的风险事件标签识别竞赛的初赛Rank12团队的总结与分析,详细介绍了赛题分析、传统深度学习方案、预训练方案、提分技巧、加速训练方法以及团队的总结和反思。
45 0
|
5月前
|
人工智能 机器学习/深度学习 数据采集
GPT-4Turbo的股价预测、财务分析能力,比人类更好
【6月更文挑战第2天】GPT-4Turbo是一款人工智能模型,在股价预测和财务分析上展现出超越人类的能力。利用Transformer架构和大量文本数据训练,它能准确预测股价并进行财务分析。优点在于处理大规模数据、模式识别及持续学习。然而,其预测的可解释性差,易受数据质量影响,且在面对复杂金融环境和专业财务理解时有局限性。在财务分析中,它能快速提供洞察,但分析准确性和专业深度受限。[[1](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4835311)]
103 7
|
6月前
|
算法 数据可视化 数据挖掘
R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性
R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性
|
6月前
|
机器学习/深度学习 数据挖掘
R语言逻辑回归模型的移动通信客户流失预测与分析
R语言逻辑回归模型的移动通信客户流失预测与分析
|
6月前
|
机器学习/深度学习
探索Transformer在金融行情预测领域的应用——预测银行间回购市场加权价格
文章先发在公众号上来,顺便在这里也写一下,主要思路其实就是模仿盘古天气大模型的方法,来试试能不能用来预测全国银行间市场质押式回购每日的加权平均价格,目前模型主要架构和训练粗略的跑了出来,效果不是太好,目前看了点其他paper,希望尝试利用已经开源的各种大模型做微调。欢迎大家批评指正。
探索Transformer在金融行情预测领域的应用——预测银行间回购市场加权价格
|
算法 安全 机器人
|
机器学习/深度学习 编解码 网络架构
速度提升45000倍,英伟达用傅里叶模型实现前所未有天气预报准确率
速度提升45000倍,英伟达用傅里叶模型实现前所未有天气预报准确率
137 0
ML之RF:利用Pipeline(客户年龄/职业/婚姻/教育/违约/余额/住房等)预测客户是否购买该银行的产品二分类(预测、推理)
ML之RF:利用Pipeline(客户年龄/职业/婚姻/教育/违约/余额/住房等)预测客户是否购买该银行的产品二分类(预测、推理)
ML之RF:利用Pipeline(客户年龄/职业/婚姻/教育/违约/余额/住房等)预测客户是否购买该银行的产品二分类(预测、推理)