人工智能對金融價值鏈的影響與發展策略研究

沈子杰 匡甜甜

摘 要：當前，金融業正處于人工智能發展的新階段，作為提升經營效益的有效途徑，人工智能正成為推動金融機構數字化轉型的核心驅動力。通過賦能金融價值鏈，人工智能使金融機構能夠獲得更加精準的決策與分析能力、更高的執行效率和更加全面的風控體系。雖然現階段我國金融業在布局人工智能過程中存在著一系列發展痛點，但隨著數據管理能力的逐步提高、智能化決策能力的不斷進步、模型解釋工作的充分開展和高級人才的加速培育，我國金融行業智能化進程將穩步推進。與此同時，香港銀行業的人工智能部署經驗值得內地銀行業借鑒。展望未來，人工智能將重構金融機構業務體系，業務辦理將全面掙脫傳統網點束縛，深耕人工智能是我國金融業未來的發展大勢。

關鍵詞：人工智能；價值鏈；比較優勢；數字化轉型；金融價值鏈；智能化

本文索引：沈子杰，匡甜甜.<變量 2>[J].中國商論，2024（07）：-118.

中圖分類號：F832 文獻標識碼：A 文章編號：2096-0298（2024）04（a）--06

1 引言

新冠疫情的爆發加速了銀行業人工智能轉型的步伐。根據麥肯錫報告，全球銀行業的凈資產收益率至少5年內都無法恢復到疫情前水平，其中全球銀行業凈資產收益率ROE，從2019年的8.9%下滑至2020年的5.4%，2021年觸底下降至1.5%，其中北美降至-1.1%、歐洲降至-1.8、亞洲發達市場降至-0.2%、新興亞洲降至-0.2%、中東和非洲降至3.7%、拉丁美洲降至5.2%、中國銀行業降至8.6%。與此同時，零利率市場環境還會持續壓縮凈息差，銀行必須重新思考基于風險中介定位的業務模式，銀行管理層若不采取行動，全球銀行業ROE將會繼續下滑，利潤率也將進一步承壓，多數地區銀行業ROE也將轉為負值。數字化的快速發展正使得客戶對于金融智能化期望增加、領軍金融科技公司及平臺公司正在加速人工智能技術布局、數字生態系統也正在加速傳統金融服務脫媒，如果銀行不能盡快將智能化作為其核心戰略，就可能面臨著被競爭對手超越和被客戶拋棄的風險。因此，在零利率、去中介化背景下，如何提升金融收益與運作效率已成為重要議題。為實現利潤增長，銀行必須采取包括提高產出、強化風險管理和優化主權資本等在內的多種干預政策，而人工智能技術則為這些措施的達成提供了一個良好的解決方案，利用人工智能技術能夠打造效率引擎、推動金融自動化基礎設施建設、強化風險管理，從而推動資本優化目的達成。

近年來，人工智能技術發展的主要推動因素在于可利用數據量的增加、網絡帶寬的增加以及機器學習算法的持續進步，人工智能的應用范圍已從固定執行預先設定好的應用程序，逐步發展為執行類似于人類大腦的思考，利用大數據技術進行海量數據培訓，在循環反饋機制作用下構成神經網絡。銀行與其他數據分析技術相比，AI算法能夠完全利用輸入數據自行建模，這一特性決定了AI技術相較其他數據分析技術而言更加智能和靈活，同時AI還能利用不同的訓練數據集合實現自優化，在現階段布局到金融業務領域，能夠取代或增強人類的判斷，還能達成近乎實時的客戶儲備數據分析，降低傳統人為的出錯概率并發揮數倍于人工的高效作用。綜合上述各項優勢，銀行希望利用AI技術賦能價值鏈，用以優化整體業務流程、達成實時決策以及實現自動化批量業務處理的能力。銀行若想成為人工智能銀行，則需要實現整體轉型，由部門內部小范圍的人工智能技術實驗，逐步轉向面朝銀行內部整體發展人工智能技術，但在此過程中銀行面臨著諸多的轉型發展痛點，而如何解決這些問題已成為業界普遍關注的焦點。鑒于人工智能技術對于銀行價值鏈的影響以及如何在銀行內部應用的問題是近年來較新的研究領域，國內相關研究文獻較少，并且缺乏一定的針對性，故本文參考近年來國外知名咨詢機構有關人工智能與銀行業的最新研究報告，用以探究人工智能對銀行價值鏈的影響、香港地區人工智能技術的布局與比較優勢、現階段我國銀行業布局人工智能的發展痛點和轉型策略，以期為我國銀行界人工智能技術的發展提供一些參考建議。

2 人工智能對銀行價值鏈的影響

銀行擁抱人工智能能夠提供全方位的智能化與個性化服務，對銀行的價值鏈帶來深遠影響。在銀行價值鏈的核心流程與支持流程中，人工智能帶來了諸多創新模式，不僅為銀行提供了全面的智能化分析與決策手段，還將銀行自動化水平推向了新高度。人工智能在銀行內部的應用范圍，從產品和解決方案、風險管理與核校、產品營銷與咨詢，再到信息技術、人力資源和財務管理，所帶來的潛在優勢十分顯著。利用人工智能，銀行擁有更加智能化的數據分析方法來提升服務質量和客戶獲取能力，幫助銀行創造收入；通過提高自動化程度，能夠降低人工錯誤發生率、提高資源利用效率和金融運作效率，從而降低整體運行成本、提升經營效益；通過從海量數據中獲得價值信息，不僅能為銀行創造新的發展機遇，還能夠更好的防范銀行內部與外部風險。麥肯錫（McKinsey）的一份研究報告提出，人工智能和機器學習有可能在金融和IT領域額外創造1000億美元的收入，每年可以為銀行釋放約10000億美元的增量價值（數據來源：“The executives AI playbook，” McKinsey.com.）。綜上所述，銀行價值鏈在人工智能技術的賦能下，銀行得以獲得三個關鍵能力：更精準的分析與決策能力、更高的經營效率與盈利能力以及更加完備的風險控制體系。

第一，更為精準的分析與決策能力。深入了解客戶行為和市場產品需求，是提高銀行競爭力的關鍵要素，銀行為提高競爭力需要為客戶提供更精準的服務以保持和擴大現有的市場份額。銀行正在尋求將內部客戶數據與外部數據結合起來，與外部非銀行金融機構形成數據合作伙伴關系，利用開放銀行解決數據獲取問題，應用編程接口API幫助銀行與第三方的服務商連接和協作，共享客戶授權的金融數據，從而便利銀行利用人工智能分析技術產生對客戶行為的詳細畫像，根據客戶概況、交易歷史和其他數據建立客戶個性化標簽，為銀行客戶獲取提供切入點。對于個人客戶而言，智能化銀行能夠精準識別消費者的消費模式、提供全面的個性化資金管理方案和儲蓄投資建議。針對企業客戶而言，智能化銀行能夠為企業客戶制定貸款解決方案、匹配和尋找供應商與買家。人工智能通過賦能以機器人投資顧問、智能數據分析、銀行遠程客戶端等為代表的應用，優化了金融價值鏈，這類技術正幫助銀行獲得更精準的客戶分析能力與決策能力，從而為客戶提供更靈活、更加全面的解決方案。

第二，更強的經營效率與盈利能力。對于商業銀行來說，找到更經濟的方法降低人工出錯概率，提升經營效率與盈利能力至關重要，這也是銀行尋求人工智能技術賦能金融價值鏈的重要因素，而人工智能所帶來智能自動批量化處理，為上述目標的達成提供了有效的解決方案，AI使銀行業務流程實現自動批量化處理走向現實，這有利于保持銀行所提供服務的性價比，提高金融經營效益。與此同時，隨著開放API支持與業務合作伙伴之間共享越來越多的數據。有了Open API所有信息都可以實現數字化并被銀行計算機系統所理解，未來銀行系統可以更容易地集成相關數據和信息，從而更容易實現端到端的全面自動化批量處理過程。

第三，更加完備的風險控制體系。人工智能可以通過考察交易歷史、市場趨勢和客戶信用記錄等數據，在保證精確度的同時能夠簡化傳統風險管理流程，在風險管理流程中，對可能發生的風險情景進行全面監測，以達成降低傳統金融風險的目的。

3 香港銀行業人工智能技術業務布局與比較優勢

3.1 香港銀行業人工智能技術業務布局

香港地區銀行業已將AI作為提高效率、降低成本、強化反欺詐能力和提高客戶參與的重要方式，將AI技術整合到銀行多個關鍵職能領域，包括前線業務、風險管理、后臺運營（清算、結算與財務）和客戶服務。在香港銀行業內部，目前已通過審批采用和計劃推出的人工智能應用程序已經超過50款。相關數據顯示，香港地區銀行業人工智能技術應用最廣泛的領域為風險管理領域，AI應用規模占已采用和計劃推出人工智能技術總數的57%，主要應用場景為反洗錢、客戶盡職調查、網絡安全維護；其次是客戶服務領域，規模占到17%，主要應用場景包括遠程客戶注冊、客戶服務機器人和個性化產品推薦；前線業務占比為12%，主要應用場景包括算法交易，財務建議與信用評分；后臺運營領域人工智能技術用例的占比為14%，主要應用領域包括自動化操作、智能合同分析、債務管理與客戶信息管理（數據來源：HKIMR Applied Research Report No. 2/2020）。而在所有的人工智能應用中，最受香港銀行業歡迎的三項AI應用為處理運營任務的自動化批量處理、用于檢測欺詐與支持風險管理的機器學習程序以及用于客戶服務中心的機器人客服。

具體來看，香港地區銀行業人工智能應用目前已廣泛布局于核心金融領域、客戶管理領域、銀行職能領域和各銀行服務渠道。首先，在核心金融領域，人工智能技術已廣泛應用于銀行客戶管理、金融產品創新與定價、貸款業務和抵押品管理，在該領域應用人工智能技術能夠維護銀行賬戶的可操作性、更好的向客戶提供增值服務、支持創新金融產品研發、實現產品價值最大化定價以及提高數據集的管理效率，香港銀行業在該領域主要的AI應用案例包括智能客服、金融產品定價程序和數據集管理系統。其次，在客戶管理領域，人工智能技術在香港銀行業已廣泛應用于客戶服務、客戶獲取與客戶畫像，目的是用以提升服務質量、提高客戶搜集能力、實現精準的客戶需求分析與客戶細分。在該領域，人工智能主要的應用案例包括客服機器人、客戶情感分析機器人、客戶流失預測、個性化產品推薦以及遠程客戶端服務。再次，在銀行職能領域，香港銀行業在該領域的人工智能應用布局最為廣泛，主要應用場景包括欺詐檢測、自動編碼與功耗管理、清算與結算、報告與合規文件處理、人才管理、風險評估檢測和交易支付等領域，在該領域主要的AI應用案例包括反洗錢、欺詐檢測、客戶分析、網絡安全檢測、智能識別系統、智能合同分析、自動化文件批量處理、基于自然語言技術生成報告、員工行為監督、經濟與數據預測和風險管理。最后，在銀行服務的渠道方面，人工智能技術廣泛布局在銀行手機端、網上銀行端、銀行客服中心、自動柜員機、智能柜臺等渠道上，用以幫助客戶實現遠程注冊、快捷的業務辦理以及用于提升自動柜員機（ATM）的現金管理效率。當然，在上述之外的其他領域，香港銀行業人工智能技術應用還廣泛布局于企業貸款、投資與證券、財富管理、消費融資、現金管理與信用卡等領域，用于支持銀行信用評分、達成算法交易、優化資本運作效率、增強投資組合管理效率、提供財務建議以及提升卡片管理系統的運作效率。

3.2 香港地區人工智能發展相較內地的比較優勢

首先，秉承人工智能發展人才先行策略。一方面，香港的大學院校在人工智能技術相關領域表現一直較為出眾，例如計算機科學及信息系統、電子工程、數學等學科的表現在世界大學排名中位居前列，校內科研投入的穩步增長將相當數量的科研課題轉化為科技成果，這些優勢為香港地區人工智能技術的發展孕育了土壤。與此同時，香港金管局較為重視人工智能人才培養，早在2016年香港金管局便與高校相關技術院系合作，用以鼓勵銀行和大學共同開發人工智能相關項目，加速學生將理論知識轉變為實踐經驗與科技成果的過程，提高應屆畢業生在這一領域的相關技能，提早積累行業經驗并確定適合自己的技術研究方向。這一做法為香港銀行業擴大金融科技人才庫，減少金融科技人才缺口打下了堅實的基礎。另一方面，香港金融界近年來繼續加大科技人才的引進力度，持續擴大科技人才市場，為海內外符合條件的、擁有先進分析技能的數據科學家和能夠創建、部署和管理人工智能應用程序的數據工程師提供更快速的就業通道安排。

其次，金融科技領域發展全球領先。香港作為全球排名前列的國際金融中心，擁有扎實的信息科技基礎設施，科技領域的發展較為成熟，近年來以信息通訊科技、物聯網、人工智能、新材料、生物科技為代表的初創企業正迅速崛起，加上香港存在有大量地區性金融機構營運，兩者疊加，近年來為香港地區培育出了全球領先金融科技生態，香港地區成為全球金融科技公司較為理想的營運地點，本地金融科技企業數量呈現增長趨勢，截至2023年末香港地區金融科技企業已超500家，其中包括數家全球領先的人工智能和技術咨詢公司。這些金融科技公司給香港以銀行業代表的金融服務行業帶來了較大影響，同時香港經管局也在加強銀行與金融科技公司之間的合作方面發揮著重要作用，為香港銀行開發新的技術應用提供支持，本地區零售與非零售銀行通過與金融科技公司合作、成立金融科技子公司等途徑，為傳統銀行實現智能化轉型、構建人工智能架構提供快速、專業的解決方案，加速了香港銀行業在財富管理、機器人顧問、語音與生物識別、網絡安全、反欺詐等領域的智能化發展步伐。

最后，擁有較全面的銀行業人工智能發展指引。AI技術在銀行內部的部署會受到外部監管的影響，不僅會導致銀行AI投入積極性不高，還可能會導致銀行采用相對保守的方式進行AI應用開發，為了解決這一問題，香港金管局通過參考業界穩健做法，結合香港人工智能發展實際情況，向銀行業提供了包括應用人工智能的高層次原則通告等在內的系列人工智能應用程序發展指引，幫助銀行業更好的應對所帶來的風險管理新挑戰，指引為香港銀行業提供了一個有利的環境和更加清晰的監督框架，促進銀行更合理、公平和審慎地使用這項技術。在完善的政策指引下，銀行能更清晰地了解與 AI 應用程序相關的監管和合規要求，不用再過分擔心在重大投資后可能會出現的違規風險，而是將注意力轉移到應用人工智能技術提供業務解決方案的層面。

4 現階段我國銀行業布局人工智能的痛點

第一，核心系統薄弱與運營模式阻礙。這主要表現在核心系統薄弱與運營模式過時兩個方面。一方面，傳統銀行核心系統往往缺乏支持人工智能應用程序所需的計算能力和實時數據分析所需的數據儲存容量，核心系統無法快速擴展且靈活度仍待提高，維護基礎架構所需耗費的時間成本也高，團隊需要花費較長時間來建設用于開發測試的技術環境。同時，受銀行傳統組織架構的影響，銀行的數據儲備還分散在多個獨立的業務和技術團隊的系統之中，業務數據被限制在多個部門中難以集成、無法跨系統傳輸、缺乏數據主干，再加上核心系統錯誤率偏高、刷新率較低，這些因素均不利于人工智能在銀行內部開展數據分析任務。另一方面，大多數傳統銀行都是圍繞著不同的業務線進行組織且功能過于細分。銀行高層單方面定義的目標往往與部門間所設定的策略缺乏一致性，孤島式的工作團隊和突擊式的目標實現過程，導致人工智能技術在測試開發過程中頻繁出現延誤、成本超支抑或是新技術產品性能不足等問題。

第二，優質人才資源及高質量數據限制。優質人力資源的缺乏和數據主干薄弱掣肘了金融人工智能發展。首先，數據和尖端算法人才稀缺，缺乏具備數據挖掘和算法專業知識，同時掌握金融知識的人才是掣肘銀行人工智能發展的現存痛點之一。由于技術發展處在初級階段，人工智能作為一項新興技術，相關標準并不健全，技術標準和協同機制仍未完全統一并且所涉及的技術構成較多，這意味著商業銀行在技術選擇上需要多種解決方案，加之銀行高層普遍傾向于依賴第三方技術而不是選擇自主研發，造成在AI開發過程中多個關鍵功能普遍由多家技術供應商所提供，技術布局碎片化現象較為嚴重，這在后期不同技術功能之間會牽扯大量知識產權問題，銀行需要協調的技術公司和技術人員多、協調難度也大。正是自身技術短板及人才劣勢鉗制了銀行內部人工智能AI的發展，在理想情況這些系統與應用應由銀行自主開發才能與其他競爭對手形成差異化競爭優勢。其次，用于訓練與驗證AI模型的數據質量高低對模型性能影響也很大，因此銀行需要對非結構化數據或質量較差的數據進行重大清潔工作，為了保證數據的充分性，銀行還要針對內部分散于不同業務線和業務系統當中存量數據進行充分整合，若這些數據處置不當則發揮不出AI的數據挖掘價值，數據質量限制對于人工智能模型的訓練仍是較大的挑戰。鑒于AI模型在部署前使用歷史數據進行培訓和驗證至關重要，銀行還需要確保算法適用于現實生活中的真實情況，上述任何環節出現問題均會導致 AI模型行為發生嚴重的預測與決策風險。

第三，監管環境變動所帶來的不確定性。伴隨各國采取新法規保護與賦予公民權利，全球數據法規正處于變革期，針對人工智能技術的監管規則不僅涉及云端服務、個人數據、財務數據的使用，還涉及財務安全、就業、人力資源、全球及區域經濟增長領域，這些規則的變動正在以多種方式，影響銀行業人工智能的發展。銀行擔心監管規定的變動會增加銀行在未來針對人工智能AI投入的各項支出成本，使銀行面臨額外的運營風險、聲譽風險、法律和戰略風險。銀行不僅需要遵守本地區個人資料隱私條例，海外數據隱私條例和行業標準的出臺與變動還可能影響銀行的人工智能AI發展進程，在數據使用方面，這些問題使得銀行在使用哪些數據、如何使用數據的問題上難以拿捏，現存數據也尚未詳細界定數據使用權與轉讓權利等。新技術在運用的初期本身就具備不確定性，而由監管變動所造成的技術成本投入之外其他隱性成本的增加，也會使商業銀行面對于人工智能AI技術的開發與運用考慮再三。

第四，不可預見性風險現階段仍難以有效規避。人工智能在利用訓練數據進行機器學習和深度學習的過程中，存在著不可預見性，算法黑箱得出的結論往往難于及時精準定位到出現錯誤的具體發生環節。歐洲資本需求指令（CRD IV）指出，銀行面臨的人工智能模型風險是指人工智能模型做出的決定可能會在設計、實施或使用此類模型時出現錯誤。（1）人工智能在決策過程中普遍不會向客戶提供清晰的釋義及結論推導過程，人工智能通過機器學習模仿訓練數據當中人腦所做出的決策判斷會包含有存在判斷偏差的信息，當人工智能學習了帶有偏見色彩的數據，人工智能在決策過程中就可能會發生無意識歧視等錯誤，造成不可預見的風險。這類錯誤對于該決策所涉及利益相關方缺乏模型解釋力，客戶對于此類決策的質疑和行業并未在制度上就應該如何對該類不當決策所涉及的利益相關者提供保障進行規定，這對于風險管控極為嚴格的銀行業來說是不可接受的。（2）在模型設計、模型訓練、模型測試和模型驗證的層面，如果缺乏技術嚴格控制就有可能導致輸出不準確，同時程序當中安全漏洞可能會讓內部或外部的參與者操縱人工智能模型的輸出結果導致錯誤決策。此外，云計算和開源技術的大量使用會間接導致AI模型開發的分散化，如果沒有內部風險控制部門或經驗豐富的模型開發人員的適當驗證，使用第三方模型產生的缺陷也可能會導致銀行AI軟件做出錯誤決策。

5 我國銀行業人工智能轉型策略的實施

第一，了解自身人才結構，培育高級AI人才。人才是銀行在激烈競爭中立于不敗之地的關鍵資源，銀行應充分了解自身人才結構和現有員工的素質情況，通過制定指標來評估銀行人工智能員工的能力，如教育背景、相關經驗和專業資格，從中挑選有技術背景的銀行技術人員，將其培育為銀行內部高級人工智能專業化人才。當前對于人工智能人才培訓的方式主要有兩種，一種是與業內AI專家密切合作，銀行通過聘請海內外專家進行前沿AI技術交流、與行內人員合作開發新的AI應用程序，以此來熟悉模型設計和驗證方面的最新技術，提升行內高級技術人員AI能力；另一種是可以將本行的高級人工智能人才派遣至外部人工智能技術領先的單位或部門，進行外部有關數據科學和機器學習技術的技術培訓，自我員工培訓是銀行吸收AI技術所產生的全部價值的最佳途徑。與此同時，在銀行內部除了上述AI高級人才的培養外，參與銀行運營的大多數員工也都應列入人工智能應用培訓計劃，用以加速銀行整體人工智能業務能力的提升，更好的處理人工智能所涉及的相關環節，這是銀行應對未來智能化轉型的重要舉措。此外，銀行業若想短期內提升自身核心競爭力，也可通過逐步落實人才引進計劃來實現，通過設置優厚的待遇以吸引海內外高素質科技人才。

第二，強化數據管理，提升數據可用性。數據是人工智能發展的第一要義，在整個銀行組織中，部署人工智能需要提升金融數據管理能力。在銀行內部，確保數據的可用性與可操作性是人工智能分析的關鍵，由于數據的可用性會隨著數據壁壘的消除而提高，當多個部門同時使用相同數據進行操作時，能夠增加團隊的協調性。首先，行業要建立數據標準，這有助于實現數據整合、數據共享與金融系統間交互操作。其次，要解決銀行內部數據獲取的孤島問題，通過搭建現代API架構可以有效地解決信息、數據、技術、產品的信息壁壘，控制對銀行內外數據的訪問并顯著提升技術框架的靈動性，實現內部系統和外部平臺無縫獲取數據，滿足人工智能數據分析需求。再次，要搭建高效的數據治理框架確保數據質量，重點是要實行數據集中式管理。集中式管理能夠跟蹤數據源和驗證數據的準確性，集中式管理模式下數據被獲取后通常會被納入數據庫中進行集中清理和標記，并將不同用途所需的數據相互區分，在所輸入數據中通過將需要清理的低質量數據和重點標記以供未來分析的高質量數據區分開，提升分析的精準性。最后，銀行要制定數據脫敏相關規范，保證人工智能在搜集與使用數據過程中，采取相適應的管理措施，確?？蛻魝€人信息安全。銀行可通過開發額外的控制和監控工具確保數據安全，在數據安全方面可以通過零信任設計原則和集中式指揮控制中心來保護數據，還可以運用API Theft等評估軟件來測試其機器學習模型、銀行相關數據和AI模型是否受到網絡竊取，增強數據安全性。

第三，加速核心技術部署，提升銀行智能化決策能力。為了達成實時面向客戶提供個性化信息處理和決策的目標，銀行需要提升智能化決策能力，將決策制定的速度與敏捷性植入金融決策基因之中。首先，為了實現智能化轉型、提升人工智能決策能力，銀行需要部署高級分析、機器學習等能夠覆蓋整個業務領域的決策模型。而為達成這一目的，除了需要業務團隊和分析人才之間通力協作之外，還需要打造成熟的模型開發工具。其次，為了促進部署之后的持續改進，銀行需要建立定期評估績效、人工智能模型的風險管理等一系列的循環反饋機制，用以促進人工智能的持續進步。同時，銀行還需要促進包括自然語言處理、計算機視覺技術、人工智能代理機器人、增強或虛擬現實技術等在內的一整套人工智能模型在金融核心業務流程中的快速發展布局，這些技術的應用同樣能夠起到輔助決策作用，增加數據的儲量與覆蓋面、加速銀行的決策能力，提升客戶體驗和銀行的運營效率。當然并不是所有的銀行都有能力開發AI技術，許多銀行可能掣肘于人才的缺乏和必要的投資興趣來開發這些新興技術，但在自主開發之外，對于非敏感性數據的AI模型開發，銀行能夠采用成熟的外部人工智能解決方案，通過應用程序編程接口（API）支持的架構從專業的供應商那里快速獲得并集成這些新興能力，在后續不斷對這些新興技術進行持續試驗，用以測試和改進應用程序、評估潛在的風險，在拿到具體實驗數據之后再判斷在行內具體部署哪些技術。

第四，面向監管機構與客戶，提供充分的模型解釋工作。2021年，中國人民銀行發布了《人工智能算法金融應用評價標準》，該標準詳細規定了人工智能算法應用在金融領域的應用范疇。在AI算法的可解釋層面，標準從可解釋性評價維度、建模準備、建模過程、建模過程四個方面就人工智能的可解釋評價進行了詳細規定?；谝陨显u價標準，文章認為銀行應該建立與自身AI開發條件相符合的治理和風險管理框架，在應用人工智能技術開展財富管理、智能投顧、智能營銷等相關業務時，首先應面向金融監管機構，提供包括人工智能系統算法實現機制與理論、人工智能模型的主要參數定義與選擇、投資數據治理報告、模型機器學習與數據訓練方法、人工智能培訓方案、資產配置邏輯、責任歸屬說明等在內的全面解釋。其次，對于接受了銀行采用人工智能技術所提供的產品及服務的消費者，應對其設立獨立的智能管理賬戶，同時銀行應給予消費者充分提示使用現行的人工智能算法可能會帶來的使用風險，向其解釋所接受的人工智能產品及服務所涉及的AI技術模型運作的基本原理，只有在消費者對于人工智能產品與服務有基本認知基礎上，才可對其提供涉及人工智能技術的金融產品及相關投資服務，這一手段能夠提升銀行內部和外部不同利益相關者對于銀行AI服務的接受程度，給銀行聲譽帶來積極影響。

參考文獻

朱方偉，姜寶泉.銀行人工智能的技術應用限制[J].中國金融，2021（12）：74-75.

劉愛成.疫情沖擊下銀行非接觸服務的模式轉型與思考[J].新金融，2020（9）：61-64.

肖翔，王平，周鈺博.人工智能金融應用原則思考[J].中國金融，2020（13）：64-65.

黃志凌.金融智能化不可忽視的模型風險[J].武漢金融，2020（6）：3-10.

季成，葉軍.智能銀行：關鍵要素、重點場景和完善路徑[J].南方金融，2020（3）：74-82.

王蕊，顏大為.開放銀行生態圈的理論基礎、經驗探索與發展路徑[J].西南金融，2019（11）：70-79.

HKMA. Reshaping Banking with Artificial Intelligence. December 2019[R].https：//www.hkma.gov.hk/eng.

PwC A practical guide to Responsible Artificial Intelligence （AI）. 2019[R].https：//www.pwc.com/gx/en/issues/data-and-analytics/artificial-intelligence/what-is-responsible-ai/responsible-ai-practical-guide.pdf

CB Insights. Fintech trends roport Q1 2020[EB/OL].http：//www.cbinsghts.com.

McKinsey. Visualizing the uses and potential impact of AI and other analytics. April 2018[EB/OL]. https：//www.mckinsey.com/featured-insights/artificial-intelligence/visualizing-the-uses-and-potential-impact-of-ai-and-other-analytics.

Faggella， Danial. Bank Reduces Money-Laundering Investigation Effort with AI. December 2018[EB/OL]. https：//emerj.com/ai-case-studies/bank-reduces-money-laundering-investigation-effort-with-ai/