金融领域经常产生大量有价值的数据，从个人购买到大额交易，都与巨大的财富相关联，而人工智能技术预计到2030年将为金融业节省超过1万亿美元。趁机，不少银行开始行动起来。但是如何才能充分利用AI技术呢？此时，银行面临着同样严峻的现实：要成功部署人工智能应用，仅有海量数据是不够的。数据质量在AI交付结果中起着重要作用，也是大多数组织都在努力解决的痛点。几十年来，银行一直在收集数据，因此，数据管理变得异常复杂。数据通常是零散的，并以不同的格式存储，整个组织充斥着无法使用的孤立信息数据库，这使得银行范围内的研究变得困难，人工智能应用程序无法从数据中发现洞察力。幸运的是，解决方案出现了。“知识图谱”——亚马逊、谷歌和苹果等巨头使用的一项技术——连接不同的数据库并使它们可供搜索。知识图还可以连接结构化和非结构化数据，使人工智能应用程序不仅可以使用来自内部数据库的信息，还可以使用文本等文档中的信息。“知识图谱”是如何工作的？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。知识图被构建为位于现有数据库之上的附加虚拟数据层，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。由于知识图基于知识和概念，因此创建良好的知识图必须涉及来自整个组织不同领域的主题专家。这增加了合作的需要，并加强了知识管理领域的共同责任和透明度。而且，由于该技术不会取代现有的IT系统，而是会增强它们，因此它具有极高的成本效益。尝试构建自己的知识图谱的金融机构不必从头开始。金融行业业务本体（FinancialIndustryBusinessOntology，FIBO）定义了金融业务应用中一组有趣的业务对象，以及它们之间的相互关系。通过使用FIBO，组织可以理解描述金融业务的任何数据。使用语义人工智能、自然语言处理(NLP)和人工智能相结合的个性化银行服务知识图谱将对银行业的数字化转型至关重要。一个特别有趣的趋势是使用该技术来改善个性化客户服务。这可以通过使用知识图构建推荐系统来完成，在线商店经常使用类似的推荐系统向用户展示相关产品。由于知识图以智能方式链接数据，因此它们允许推荐系统比纯机器学习系统做出更好的推荐。想象一下，一家在线商店遇到一位对蓝纹奶酪感兴趣的用户——比如羊乳干酪——最著名的蓝纹奶酪，尽管大多数推荐系统可能会推荐其他类型的蓝纹奶酪，但由知识图提供支持的推荐系统可能更擅长推荐与特定类型的奶酪搭配的葡萄酒。了解不同实体之间的相互关系——在这种情况下，奶酪和葡萄酒，及其所有属性，提供丰富的、额外的上下文信息——可以使推荐的质量完全不同。许多银行正在自助服务门户中部署这项技术，向客户展示个性化的信息视图，例如新产品和服务。同样，他们还在其在线门户中使用知识图来提高客户的金融知识。这些是通过构建数字助理来实现的，该数字助理可以帮助客户通过知识中心中的语义搜索来获取金融知识。例如，瑞士信贷通过其语义人工智能搜索引擎帮助客户和分析师更快地做出更好的决策。该平台支持快速、高质量地检索大量信息，并提供高质量、基于上下文的结果。它使客户和分析师能够只关注他们需要的信息，并提供个性化的可视化分析。另一个例子是德意志银行，出于多种原因，它正致力于实施知识图谱以支持其AI战略，通过关系发现、内容情境化以及更好地理解数据的含义，自动丰富内容。但银行服务的个性化只是银行业众多技术趋势之一。我们还看到该技术出现在与合规、欺诈检测、风险评估、租赁协议甚至贷款申请相关的事务中。在所有这些用例中，知识图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是“了解你的客户”（KYC）或“客户360”，这也涉及使用链接和客户的整体视图，丰富上下文信息以实现准确的沟通，做出明智的决定，或将一起准确的产品报价。如何开始利用语义人工智能？要开始使用语义AI，银行应首先定义具有特定目标的具体用例。通过执行定义的项目，组织可以了解该技术的全部潜力，确定应用它的其他机会，并最终在整个组织中部署它。因此，有必要在单个用例的基础上评估知识图的有用性，同时建立足够的知识以将这种方法纳入更全面的人工智能战略。在选择用于管理企业知识图谱的软件时，您应该寻找一种基于标准的解决方案，该解决方案可与您当前使用的架构互操作、可扩展且易于学习。引入语义AI的最大瓶颈不再是技术，而是不愿意相信它能长期为他们工作的人。
