量化AI模型建立更多AI即時應用場景
導入AI技術來推動數位金融，已成為金融科技現階段的發展重點，新光銀行過去三年來的努力，已經看到相當程度的回報，也為下一階段的數據金融策略，奠定良好的基礎。
採訪／施鑫澤 文／楊迺仁
策畫大數據與AI戰略，已成為許多企業提升競爭力的關鍵行為，尤其是在智慧金融方面，已經有不少的實踐成果。新光銀行協理林基玄指出，早在2017年，在現任新光金控總經理吳欣儒（當時是新光銀行副董事長），以及新光銀行總經理謝長融的督導下，就為新光銀行設定了一個三年的目標，選定跟業務營運關聯最強，如跟業務線流動性的部分，包括行銷營運、顧客經營等開始推動，想辦法讓AI落地，然後推動數據金融。
[ 下載 2020-21 CIO大調查報告，掌握最新企業IT採購趨勢 ]
精準行銷回應率大幅提升
林基玄表示，新光銀行在這個專案的推動上，首先是打破組織框架。當時新光銀行有各個事業群，也有IT部門，但數據團隊尚未成形，可是又希望能將這個專案變成日常的數據營運，應用在行銷上。所以就不得不將整個組織先打掉，再成立一個專案組織，並將數據營運所需要的職能，一一拆解出來，變成一個個工作組，讓每一個工作組來訂定一部分的功能。
在專案的推動方面，新光銀行先是從無到有重建了數據倉庫，然後再將線上線下的資料全都整合在一起，讓資料可以準備好給分析人員來使用。然後再讓業務線自己能夠具備視覺化分析的能力，來分析相關數據。
接下來，成立了機器學習的技術團隊，執行一些比較複雜的業務構想，從資料裡面找出AI可以落地的機會。林基玄表示，過去三年來，新光銀行所做的應用場景主要是精準行銷及顧客評價，還有零售銀行上面的信用風險控管，或是房屋鑑價、票據作業，智能客服再，以及將客戶跟客服之間的對話，想辦法把它變成文字化，設法將聲音資產化。
[CIO都在讀： 加密資產市場三大發展趨勢 ]
林基玄強調，智能客服是銀行業很熱門的主題，所以新光銀行在這方面也有所考量。所以新光銀行在去年開始導入知識圖譜的技術，將企金顧客彼此的關聯性串聯在一起，再拿給企金客戶關係經理人去做顧客服務。
從成效上來看，林基玄表示精準行銷的回應率，相較於以往的做法，平均大概都是兩倍以上的成長，特別是在高資產潛力模型的運用上，大概有以前5.2倍的回應成效。
林基玄指出，目前一年大概可以推800多個行銷活動，等於每個禮拜平均會推出18個精準行銷的活動。同一個時間會有50個活動正在跟夥伴合作，為某些客群特別設計的服務，然後相互溝通。
保護客戶隱私是重點
林基玄表示，新光銀行知道客戶很在意隱私，希望銀行不要過度干擾，或是不要用客戶不喜歡的方式去聯絡，所以新光銀行已在平臺內化流程，只要有任何的客戶告知銀行，希望不要再接到電話，線上正在執行的的活動，就會立刻被抽走，也不會再去接觸該名客戶。
但客戶喜歡的溝通方式，譬如說有些人是喜歡用email，新光銀行還是會做。林基玄指出，為了不要過度干擾，新光銀行有訂定內規，哪些顧客一個月最多只能夠接觸到幾次，這是對顧客的承諾。
[CIO都在讀： 時下資安團隊必備的八種新角色 ]
林基玄表示，專案在推了三年之後，去年已達到當初設定的目標，謝長融總經理希望團隊能運用過去三年所培養的能力、做好的流程，未來能夠繼續開花結果，迎接爆發性的成長。
新光金控的科技委員會因此在2019年，評估決定選擇IBM的Power平台，當做新光金控的AI標準平台，也是從這一年開始，開始走入深度學習。林基玄表示，從深度學習的過程中，就開始想辦法將各種資料資產化。更在2019年新光金控的旺年會，自行開發人臉辨識報到系統，讓員工刷臉進出。
但前述這些成就，並非只靠新光銀行自己的團隊，也透過很多外部專家提供各種協助，如有專家帶領新光銀行的人員從線性代數等理論基礎開始打起，也特別找了對機器學習領域關心超過20年以上的教授，教導人員如何用Python去建立各種模型。
規模不夠大成為主要挑戰
林基玄進一步提到，新光銀行在AI或是大數據策略的設定及推廣，高層主管一開始就非常支持，所推動的應用和策略，也都跟應用面的聯動性比較強，所以業務單位接受的意願也會比較高，推行的困難度比較少。
除了精準行銷的應用場景外，新光銀行也開始運用及整合開放資料，進行數據化分析，還有自然語言技術進行處理後，做出一些數據產品供內部用來決策之用，如分行選址。此外，由於業務線每年都會有不少行銷費用投在數位廣告上面，所以也做了即時數位廣告投放優化，跟廣告商之間去串聯。
[ 加入 CIO Taiwan 官方 LINE 與 FB ，與全球CIO同步獲取精華見解 ]
但過程也不是說沒有挑戰，林基玄指出，主要的挑戰有兩個方面，一個是規模不夠大，一個是標註的數據量不夠多。在第一個方面，儘管林基玄投入數據應用已經快要20年，團隊中也不乏相當資深的人員，可以讓銀行少走一些冤枉路，但因為新光銀行負責大數據與AI方面的人員僅有25人，規模比較小，所以在執行的速度方面，可能就比較無法符合許多人的期望。
尤其是在深度學習這個領域，會有許多跟資料標注有關的工作，如果不能標注到一定的量，實際上的模型預測，就沒辦法達到預期的效果。目前的作法是將某幾塊部分切出來，尋求外部合作夥伴的協助，以減少動用到自家相對稀少的資源。
塑造更多AI的即時場景
林基玄指出，新光銀行下一個階段，計畫將過去三年來所完成的AI模型量產，在每一個顧客接觸點，都有AI可以服務的機會，新光銀行會將AI製程上所需要的模型建置、管理模型、部署模型，到容器化的服務理念整套流程都做起來。另外就是要打破以往數據資訊流的批次模式，往即時資訊流的方面努力。林基玄指出，以前的數據資訊流，大部分都是批次模式，用來跟客戶即時互動的效果不夠好，所以希望客戶未來在跟前臺的互動軟體進行互動的過程中，後臺都能收到即時的互動資訊。
[CIO都在讀： AI最常見的應用有哪些？ ]
此外，現在的AI模型，基本上通常都是單一功能，並不是一個泛化的模型，如何將資訊流即時丟給單一功能的AI模型，產出決策與建議，然後提供回饋及改善塑造更多AI的即時場景，會是新光銀行接下來努力推動的方向。
（本文授權非營利轉載，請註明出處：CIO Taiwan）
