机器学习银行有哪些应用场景

　【摘要】本文澄清了机器学习平台和大数据平台的关系，分析了机器学习平台在银行应用的未来趋势，并重点梳理了机器学习在银行的主要应用场景。

　清 一、机器学习平台与大数据平台的关系澄清 机器学习平台和大数据平台没有硬性的关系，比如很多同业在没有大数据平台之前就借助 SAS 、 SPSS 等建模工作进行建模，且在相关领域也取得了不错的成绩，比如评分卡等。在我们看来大数据平台和 SAS 等传统的建模平台有以下差别：

　但是由于近期银行在大数据方面发力迅猛，对在银行业的建模（机器学习）的影响较大，主要方面有三：

　一是大数据平台为机器学习平台提供了大数据支撑。好的模型是通过数据不断的分析、迭代、优化出来的，大数据平台的海量数据为模型的探索提供了丰富的原材料； 二是大数据平台上的 KAFKA 等实时数据工具为机器学习平台提供了实时数据以及实时场景，比如在线推荐、反欺诈、实施风控等场景； 三是大数据平台为机器学习提供强大的算力以及处理能力。大数据采用 SPARK 方式等分布式的机器学习算法较 SAS 等单机版的计算性能有较大的提升，使得计算能力更加强大。且大数据平台更易于图数据库结合，应用图算法将某些场景下的机器学习能力提升。

　？ 二、机器学习平台是银行的建设趋势吗？

　 从以上情况看来机器学习平台是大数据的一个重要的发力点，模型比传统的业务系统有更强的场景驱动性，业务穿透性更强。建设机器学习平台有可能是银行整体规划，也有可能是偶然性的项目需求中提出的。但建议银行可以尽早的了解学习此类平台、技术和算法等，建立人才储备和项目管理（建模类）机制，应对未来的业务需求和项目风险。

　银行如何引入机器学习平台？情况大多是科技部驱动，较项目驱动比例略低。比如审计、分析平台、营销类、风控类项目都可能包含机器学习平台的引入，主要看业务需求是否能由传统方式实现。

　三 三 . 机器学习在银行的主要应用场景 常用的机器学习算法都可能用到，比如分类，聚类，关联，也会用到深度学习和图算法等。应用场景见下表：

　结合以上的场景分析，希望给大家同行在机器学习领域的场景研究提供参考。