情节概要：在这一集AI在工业，我们采访了来自圣路易斯华盛顿大学的桑梅·达斯博士，讨论了诸如此类行业的风险预测和管理银行,保险和金融。
Sanmay探索了银行和其他金融机构如何利用机器学习改进风险和欺诈防范措施。此外，他还探讨了未来5年改进欺诈检测的后果。
订阅我们的人工智能产业播客用你喜欢的播客服务：
客人:Sanmay Das，副教授，计算机科学华盛顿大学圣路易斯。
专业知识:计算机科学，机器学习
简介识别：Sanmay获得了哈佛大学计算机科学学士学位，接着做一个博士学位在同一领域MIT。Sanmay继续是博士后学者在加州，计算机科学助理教授在伦斯勒理工学院的大学和计算机科学系的副教授在弗吉尼亚理工大学从2006年到2013年，他目前担任计算机系副教授科学与工程学院在华盛顿大学圣路易斯。
大创意
更多的数据源和多个相关的信息“层”正在金融风险实时更准确。
Sanmay解释说,毫升技术应用到个性化的客户数据结合的见解从更传统的广泛机构数据,人工智能可以今天确定策略,这些银行正在使用管理信用风险和报告不同的前景,银行可能有什么样的风险对他们构成威胁。
Sanmay补充说，如今，人工智能正被应用于更好地评估基线风险(个人信用风险，比如银行的信用卡)，这些风险可以成为这些更复杂工具的一部分(比如衡量整个经济体的信用风险)。他表示，随着评估这些投资组合个别组成部分风险的能力越来越强，人工智能在预测整体系统性风险方面也会越来越好。
他举了一些例子:
- 使用客户数据与背线数据月度报表(未清余额,以前的付款晚了你多少天付款)和cross-correlating这数据标准的信用机构,银行可以为每个创建数据集评估其信用风险与许多个人每月数据项记录。
- 他引用了另一个用例，其中一个特定的银行与金融和机器学习方面的专家合作来评估银行的信用风险组合，并制定信用风险策略的“积极管理”。在这个用例中，银行或许能够通过机器学习来识别何时降低或提高个人信用额度，从而最大限度地降低信用卡持有人的风险——随着用户行为的变化，迅速调整银行的风险承受能力。
- Sanmay还认为，将宏观因素(如来自银行的广泛机构数据)与更加个性化的数据结合起来，可以提高包括信用卡风险管理在内的许多应用程序的预测准确性。例如，了解特定地区的房价指数可能有助于预测该地区的信用卡违约水平。
Sanmay同意，今天很多大数据集的今天在金融可用性意味着，对于申请ML的投资回报率是量化的。然而，他警告说，这样的信用风险平台不得转让因银行因为有个人投资组合的影响和因素，如目标客户也可以为每个单个银行的最优投资组合的差异。
这可能意味着，这将是具有挑战性的任何单一供应商以获取足够的数据来“解决”对于任何给定银行（鉴于地理差异的信用卡风险问题，在客户的类型，在不同的银行或独特的风险因素银行业务部门）。这可能会减轻“赢者通吃”的动力，我们在以前的AI投资者的采访已经探索（值得注意的是，我们的采访加里·斯沃特)。
而在金融使用AI似乎越来越大，关于这些技术在未来看到的，因为这技术伦理方面的考虑Sanmay注意事项可能会影响到在不理解的方式的社会。虽然我们已经看到了失业列为最有可能的是人工智能的社会风险在未来20年(根据我们与人工智能学者的共识研究)，对金融市场进行“修补”肯定也存在风险。
例如，人工智能可能会选择削减符合特定类型个人资料的客户的信用额度，但这可能与整体社会目标不一致。根据Sanmay的说法，在使用这些技术的同时，将公平的价值和同步的商业价值结合起来的对话是至关重要的。
机器学习“偏差”是很多行业的热点话题，是一个无法回避的问题。机器评估现实的方式和我们一样:通过看到现实的许多实例，并根据过去经验的预测调整它们的行为。在这方面，“偏见”和“智力”在许多方面是相同的。
来自圣路易斯华盛顿大学的桑梅·达斯进行了精彩的采访
以下是Sanmay回答的主要问题。听众可以使用嵌入式播客播放器(在这篇文章的顶部)跳转到他们可能感兴趣的部分:
- （2:40）回顾金融危机，你参与了一个项目，这个项目的目的是在危机发生后立即衡量这个国家的信用风险;对于今天的信用风险评估，我们从这个项目中得到了什么启示?
- （7:35）如何做广泛的模型对信用风险的工作传统？
- （17:50）这个项目的预期结果是什么?为什么对监管者来说很方便?
- (23:07)未来，当用于风险管理的人工智能在银行和其他金融机构中变得普遍时，会有什么正面和负面的后果吗?
订阅我们的人工智能产业播客用你喜欢的播客服务：
标题图片来源:ious
