知识图谱如何改变银行业务模式？

金融部门经常产生大量有价值的数据，从个人采购，到大型交易，这些数据关联着巨大的财富，而人工智能技术预计到2030年为金融行业节省超过1万亿美元。

面对机遇，很多银行开始采取行动。但是如何才能最大程度地利用人工智能技术呢？

这时候，银行就面对着同样一个严峻的现实：要想成功部署人工智能应用，光有海量的数据还不够。对于人工智能交付结果而言，数据质量起到了重要的作用，这正是绝大多数组织都在努力解决的难题。

在过去几十年内，各大银行一直在收集数据，因此，数据管理变得极为复杂。数据通常是断续的，并且以不同的格式存储，整个组织布满了无法使用的孤立信息数据库，这使得全银行范围内的研究难以开展，人工智能应用也无法从数据中发现见解。

幸运的是，一个解决方案应运而生。「知识图谱（knowledge graph）」——亚马逊、谷歌和苹果公司等巨头使用的一项技术——可以连接不同的数据库，让它们变得可供搜索。知识图谱还可以连接结构化和非结构化数据，使人工智能应用不仅可以使用内部数据库的信息，还可以使用文本等文档中的信息。 

[[318613]]

「知识图谱」如何起作用？ 

知识图谱是知识领域的模型。它映射了企业的所有业务对象和概念，以及它们之间的相互关系。知识图谱被构造为附加的虚拟数据层，位于现有数据库之上，并将数据大规模链接在一起。电子表格等结构化数据，以及文本文档等非结构化数据，都是知识图谱连接的对象。

由于知识图谱基于知识和概念，因此要想创建良好的知识图谱，必须让整个组织内不同领域的主题专家都参与进来。这增加了对协作的需求，并加强了知识管理领域的共同责任和透明度。而且，由于该技术并不会取代现有的IT系统，而是对它们进行加强，因此具有极高的成本效益。

试图建立自己的知识图谱的金融机构不必从头开始。Financial Industry Business Ontology（金融业业务本体，FIBO）定义了金融业务应用程序中有趣的一组业务对象，以及它们之间的相互关系。通过使用FIBO，组织可以使任何描述财务业务的数据变得有意义。

使用语义人工智能的个性化银行服务

例如，瑞士瑞信银行（Credit Suisse）通过其语义人工智能搜索引擎，帮助客户和分析师们更快地做出更明智的决定。该平台能够快速、高质量地检索大量信息，并提供基于语境的高质量结果。它让客户和分析师能够只关注他们需要的信息，并且提供个性化视觉分析。

另一个例子是德意志银行（Deutsche Bank），出于多种原因考虑，该行正努力实施知识图以支持其人工智能策略，通过关系发现、内容语境化、以及对数据含义的更好理解，对内容进行自动充实。

但是，银行服务的个性化只是银行业中众多的技术趋势之一。我们还看到该技术出现在与合规性、欺诈检测、风险评估、租赁协议甚至贷款申请等相关的事务中。在所有这些用例中，知识图谱对于实现最佳结果至关重要。

基于知识图谱的另一个重要应用程序是“了解你的客户”（KYC）或“客户360”，它还涉及使用客户的链接和整体视图，丰富语境信息，以便能够进行准确的交流、做出明智的决策、或汇总准确的产品报价。

如何开始利用语义人工智能？

要开始使用语义人工智能，各大银行应该首先定义出具有特定目标的具体用例。通过执行已定义的项目，组织可以了解该技术的全部潜力，并找到应用该技术的其他机会，并最终在整个组织内部署该技术。

因此，有必要在单个用例的基础上评估知识图谱的有用性，同时建立足够的知识，以便在更全面的人工智能策略中纳入这种方法论。 

在选择用于管理企业知识图谱的软件时，你应该寻找一种基于标准的解决方案，它既可以与你当前使用的架构互操作，可扩展，且易于学习。引入语义人工智能的最大瓶颈已经不再是技术，而是那些不愿意相信它可以长期为自己服务的人们。