今天我們一起探討一下人工智慧在金融行業裡發揮的作用。相信我們每一個人都有過借錢和被借錢的經歷，這在生活當中是再正常不過的事情。有的人做生意資金不足，需要借錢；有的人買車買房，需要借錢；有的照顧病人，也需要借錢。一說到借，就會想到不還，這是我們潛意識中對風險的考量。這種考量可以幫助我們對借錢這個事情做出正確的判斷，哪些人能借，哪些人不能借。在銀行及金融領域，發放的每一張信用卡、每一筆車貸房貸，都存在風險，這種風險就是信用風險。信用風險是全球金融機構不得不重視的問題。其實，在深度學習大爆發之前，人們就已經開始使用機器學習來評估金融機構中消費者的信用風險了。
舉一個例子：只要知道六個月的資料，就可以預測出消費者在之後的九十天內會不會出現拖欠不還。這是怎麼做到的呢？我們來分析一下。說起機器學習，就不得不提到特徵，特徵就是關鍵因素，也就是導致一個人還不起錢的關鍵因素。什麼因素會導致一個人不還錢呢？失業就是一個特徵，如果一個人突然沒有了工作，他的房貸、車貸等借款勢必會受到不同程度的影響，而且失業從銀行流水中很容易看出消費比例，這也是一個特徵。
再舉一例：一位靚麗女士經常購買奢侈品、購買國際機票、預定豪華酒店，後來她在奢侈品方面的消費減少了，在旅遊方面的消費也減少了，而在快餐外賣類的消費反而增多了，這是不是信用風險的在改變呢？已用金額在收入中的佔比，這是一個常用特徵。有兩個人月收入都是兩萬，他們都有兩萬的信用額度，第一個人每月只用到一千，而第二個人每月用到兩萬，能不能說明前者的信用風險比後者低呢？如果我們瞭解徵信機構的相關指標，就可以找到更多線索，用這些資料來提供特徵，若干項的特徵會當作輸入，而輸出就是這個人九十天之內發生拖延還款的機率。
我們再來了解一下神經網路所做的事情：它做的，就是分析上邊所提到的若干項資料來預測出一個機率。這件事情當然也可以人工去做，只不過若干項資料、海量的記錄分析起來實在是一場噩夢——需要找公式，看哪種數學方法更準確，這用機器學習就方便多了。把所有的歷史資料全都給它，在訓練過程中讓它自己總結規律、總結公式。在訓練後，可以在金融機構一直執行這個程式，每天會加入各種消費記錄，這樣神經網路就可以實時預測信用風險，幫助金融機構在風險發生之前提前採取適當措施。
