以下文章来源于AI金融评论 ，作者周舟、佳慧
本文为达观数据联合创始人纪传俊在雷锋网银行业AI生态云峰会上的分享整理。
纵观各家银行年报，RPA被提及的次数是越来越多。不谈RPA、不聊流程自动化，就等于错失银行数字化转型的一把钥匙。
究竟RPA和AI，如何优化银行内部业务流程、加速银行数智化升级？
达观数据联合创始人纪传俊近日做客雷锋网《AI金融评论》，从技术、业务、行业趋势等角度，分享他对于「银行RPA」的洞见。
以下为演讲内容整理：
各位现场的朋友，大家晚上好，我今天演讲的主题是《RPA+AI：赋能银行数字化转型的全新引擎》，和大家聊一聊达观基于RPA+AI技术在银行业的整体的解决方案。
智能RPA与银行数字化转型
首先，银行为什么要进行数字化转型？
我认为，今天的银行业面临着三大挑战：
第一，中国经济增速放缓，成本承压。
银行业的黄金时间已经过去。在中国整体经济高速发展的情况下，国家政策对银行业是比较宽松的，所以它在黄金时间得到了飞速发展。
而如今，无论是国内，还是国外，经济发展都在放缓。银行受到大环境的影响，其各项成本实际上越来越高。
第二，客户期望值日益提升。
现在客户普遍认为传统银行以前的服务体验较差，流程效率较低。
第三，银行的竞争对手相继涌现。
比如微信、支付宝等这种非金融机构，逐步拿到了金融业的牌照。随着互联网或者金融科技企业逐渐增多，会给传统的银行企业带来比较大的挑战。
在这种大背景下，银行需要自我优化升级，从智能化或者自动化的角度，同时从全链路包括内部的业务流程，做一个整体的效率提升。
我们现在需要基于RPA与AI给银行做数字化的赋能，我们现在用数据驱动智能，总结了一个路径，以实现银行全面数字化转型。
首先，是基于现在银行收集的各种数据源。数据的来源很多，像是一些银行企业用户大量的数据，我们现在的模型算法，包括现在很成熟的深度学习技术，是基于这些数据做一个整体联动的挖掘和提炼。
其中涉及几个关键技术，比如 OCR图像识别证件、票据等，在银行很常见。
其次，是一些NLP的语义理解，包括银行内部流转文档，包括客户填报的合同、申请书等等。
同时，再加上RPA机器人，替代原来银行内部业务员需要手工完成的大量重复劳动，并对其进行优化。
最后，是现在比较火的知识图谱，不仅行内用的制度可以构建这种知识图谱，行内客户也可以构建关系图谱、风险图谱等等，以推算银行的核心的信贷业务，它的风险有没有问题等等。
这四大AI关键技术，是在技术和数据的基础上，我们针对银行的各种场景以打造智能的银行机器人，同时结合了RPA和AI的技术，包括企业信贷、国际业务、运营管理、智能推荐和投研分析等等。
这些直接面向银行某些具体的应用场景，或者面向银行的某些具体部门的某个具体的操作场景的机器人，以帮助他们实现智能化和自动化的流程。
最终，我们会有一个基于银行的智能业务系统，比如针对信贷全流程的智能信贷，包括针对银行的国际审单、国际结算业务的智能审单，针对运营管理的智慧运营，针对客户终端的智慧营销，以及针对投研部门的智能投研等等。
达观在这个行业里积累了比较多的客户，一个简单的客户墙，我们从大型银行到中小型银行基本上都有触达，包括证券保险与其他金融企业也都有所涉猎。
达观数据银行业RPA应用场景分享
那么，RPA在银行业有哪些应用场景呢？
首先，一个场景到底是否适用机器人，我们有一个大概的评判标准，主要满足以下四大特性：标准化、高重复、数据量大以及成本。
因为对用机器或者用AI替代人的工作，或者优化人的工作效率而言，能快速产生效率的场景都是在标准化、高重复的场景里面。
而如果想要产生比较大的价值，肯定是这个场景其数量庞大，或者是流程的工作量以及需要处理的数据量较大。
其次，现在投入的人力成本、人员的数量，包括人的耗时撑起来的成本较高的场景，做智能化或者自动化的替代，其收益是比较高的。
现在需要针对这4个特点以区分一些场景，得到我们的业务场景之后，再用智能机器人的方案结束和解决场景上的问题。
基于前面所提到的几个场景进行以下分享：
首先，是智慧信贷，它面向的是整个银行最核心的流程——信贷流程，分为贷前、贷中、贷后三大阶段，其中涉及数据查询、数据处理（包括一些很专业的数据）、财务报表、银行流水等需要专业人员才能处理的大量的操作。
放贷的流程非常繁琐，比较原始的操作方式都是由大量的人工完成。它涉及大量的文字处理和手工操作，所以也是一个用RPA加AI这种智能方式替代的一个非常好的场景，其收益也会比较大。
这里举例了四大场景，比如财务报表的自动解析，操作办法非常复杂，需要很专业的财务知识才能完成。
其次是基础信息的录入，做企业贷款需要录入相当多的材料，需要客户经理在很短的时间内将其录入到系统里，同时还要对企业的经营状况、信贷的风险进行分析，是工作量大、难度比较高的一个动作。
再次，就是尽调报告的审核，需要对材料进行真正的审核之后生成一个尽调报告。其中大量的重复劳动可以基于AI的技术自动化完成，比如OCR再加上NLP处理之后，再做一个自动录入的处理。
它的价值可以分为以下三方面：
第一，最明显的就是减少人工作业，其次是降低人工失误。当数据量大、东西比较多，在处理比较专业的财报、银行流水时，人是很容易犯错的。跟人当时的状态有很大关系，而用机器替代的好处就是它能保持一个比较稳定的处理水平。
第二，提升效率，这种流程，人需要花费2~3天才能完成，但是机器1~2两个小时就能做完。反馈到终端贷款用户，他很快就能收到贷款，原来可能要花费一个星期甚至一个月，而现在的时间则缩短了一半。
对普惠金融和小微企业而言，时间就是生命，越迅速的放贷给他们，对其整个经济的发展是有好处的。
第三，提高风险的预警和监控能力，面对众多的材料、专业的数据量，很多时候客户经理可能会发现不了，或者漏看了一些里面存在的问题、风险，相对而言，机器可能会做错，但是绝对不会漏判，机器的好处在于能事无巨细的将材料里所有的问题找出来。
有几个明确的场景，比如原来客户经理为了查询一个企业的风险，他可能要到国家企业信用信息公示系统以及海关等十几个系统里，查询企业有没有违规记录。
这种查询由机器来完成则很简单，只要发布一个任务，他都能一键帮助执行且在几分钟之内完成。
这种由人来完成的比较重复和价值比较低的工作，用机器替代在收益上也会比较好。
其次，财务报表分析，财务报表的分析需要很专业的财务知识，我们将财务报表进行自动化采集与解析，而对于专业的财务知识，我们则把专家的经验梳理清楚之后构建成模型，再植入到系统里面。
对客户经理而言，对于一份财报，他只能机械的把一些数字搬到行业的系统里。这个过程不仅费劲，而且会抄错数字，甚至会遗漏一些财报里面隐藏的问题。我们的系统自动的帮助其完成了数据搬运，包括校验的操作。
基本流程是：首先，我们会自动登录企业的信贷系统，将企业的基本信息录入之后，找到这个企业提交的财报里的三大报表：资产负债表、损益表和现金流量表，对这三大报表进行自动解析，包括分析其中的财务关系、企业的风险，分析完成后，再将其自动填写到行业系统里。
分析过程和结果将会呈现给客户经理。如果企业数据有问题，客户经理应该如何进行一些相关的操作等等。不只流程自动化了，而且把原来客户经理不一定会发现的风险、问题自动的暴露出来。
第三，监管报送的场景，为什么要用RPA或者机器人来完成？因为现在每个银行的系统，跟央行或者银保监会的系统还没有完全打通。而监管报送，是每个月甚至每个季度、每一年都要执行的一个动作，要把行内系统的数据汇总之后再填报到央行以及银保监会的系统。
这个过程很多都是机械式的Excel操作，或者是在网站网页上的操作，完全可以用机器人自动替代。
而且效率明显，可以将业务人员从比较简单、重复的劳动里面解放出来，完成一些更加专业、更加高级的事情。包括房押贷款的快速生成。
首先，国家推行的普惠金融，现在有很多小微企业甚至个体户都需要小额贷款，原来的审批周期很长，整个流程都是手工操作，效率相对较低。
用机器人的速度对其进行一个流程的自动化之后，则能大大提高放贷效率。
具体例子，在标准的房押贷款合同的生成上面，在机器自动把系统里的数据下载后，直接填录到标准的合同模板里。直接生成一个有贷款的合同再发给客户，客户签完字之后，业务经理再对其进行校验，将原来制作合同的标准的动作流程自动化。
接下来的场景是智能审单机器人，应对的就是银行间在针对国际贸易协会发挥以及外汇交易等业务进行自动化。
这个业务场景也非常复杂，它会涉及办理很多的国际业务，例如很多单证、单据的处理，包括在信用证、汇出汇款证或出口托收、出口议付等业务中，有大量的信用证、发票、合同、箱单、提单等比较专业的票据。
需要对单据之间进行自动抽取、识别和校验。而原来人工需要把单据原件摆在面前逐一查看以发现数据的异常。
第二，查验不同单据之间相同的信息是否吻合。虽然这个动作很简单，但是如果每天有上百个这样的任务就会很繁琐。
由人来完成产生的收益不是很大，但是机器则可以解放大量的劳动力，而且只要有问题，机器都会一一检查出来，这也是银行规避风险的的一个收获。
总之，这种工作避免了人工的疏漏，防止了风险的出现，在整个流程自动化之后，审单业务由原来的3~7天转变成现在的一天就能结束，对国内企业国际业务的发展也是很有帮助。
由于单据的难度比较大，我们融合了OCR加NLP，再加上RPA的技术构建出这个场景的能力。
功能大概有几大块，我们在一些进出口业务比较多的银行，无论是城商银行也好，还是五大行都在这方面做了比较多的尝试并得到一些落地。
首先是单据自身一致性的审核，一个单子里面有很多的关键信息，但每个单子可能都不太一样。
我们会将单子里面的问题识别出来，首先抽取其中的关键信息，将这些关系之间不符合行内的审单规则、行业的规矩或者规定的加以提示。然后让业务经理知道单据的问题。
实际上也是基于图谱加NLP的技术做的构建。可能信用证跟相关之间有些这样的规则，信用证跟发票证件有些校正规则，相当于发票有些校正规则。我们通过这样的图谱联动以实现数据之间、多个业务不同数据之间的自动化校验。
这个过程由人来做效率非常低，也很容易看漏，而机器则可以完美的解决这种场景。
接下来，面向于银行内部的运营管理的机器人，完成了很多非常细碎的或者人工操作特别多的工作。
包括以下几个大项，一个是交互系统特别多，运营管理部要处理信贷系统、运营管理系统、信用卡系统，以及处理征信的第三方产品。业务人员处理的很多动作都是跨系统的操作，这种跨系统的操作非常适合用RPA做一个连接。
在这些系统改造成本很高的情况下，做RPA的零件是一个成本相对较低的方式，但是审核难度较大，因为任务比较杂，事情比较多，很多事情还是需要一些专业知识才能处理好。希望将人的处理经验固化到机器人里面。
几个具体的场景，比如企业开户。企业开户是一个很简单的操作，但是对银行而言，每天或者从按月甚至一整年来看，实际上整个开户量是非常巨大的。
这个动作从人的角度而言比较简单。只要有一个开发申请书，上传营业执照、法人身份证等等就可以了。但是业务人员要对这些信息进行反复查验以确定是否对得上。这个动作可以由机器人直接替代，而且做得比人快很多、好很多。
第二，对公开户，对公开户之后要进行审核，其目标就是处理。尤其是在O2O这种预约开户时，审查这个客户到底有没有风险？风险对银行而言是一条不能触碰的红线。
银行对于风险问题是严之又严。在企业开户时，银行要登陆国家企业信用信息系统、人行的账户管理系统、机构信用代码系统中查看企业之前有没有一些历史问题，其提供的信息是否准确。
这种审核对人而言也是一个很简单的查询操作，都是由人工的多个系统来回查询，包括客户提供的引进件，信息输入系统后进行查询，这些过程完全可以结合OCR、RPA实现自动化。
达观在多家银行里面都已经落地了，包括开户之后要在银行做报备，可是报备要跨越行内的系统和央行的系统。
在人行的报备也是一个跨系统的填报动作。这个动作跟前面所讲的一样，因为RPA能很快的处理，自动的将原来行内录好的信息拿出来，登录央行的系统再进行入住。
其中也有一些人机交互，比如机器出现异常的时候，会发出警告提醒给到业务人员，需要对其进行处理。
银行业智能RPA最佳实践
基于达观近几年与银行的合作和RPA+AI给银行的一些最佳的实践，总结出以下几点经验：
RPA发展到现今阶段，应该是融合到智能机器人平台，而不是纯粹的RPA，只有RPA+AI的融合才能真正满足企业，尤其是银行的自动化的升级需求。
数字化已经谈了很多年，现今阶段的核心还是要用 AI的技术真正地赋能企业，尤其是银行的数字化转型。
技术模块包括两部分，一个是RPA，包括了studio开发平台用于开发流程，包括控制中心、控制和调度所有机器人，以及流程的定时执行。另外就是真正在终端去执行任务、流程的机器人。
另一个是人工智能组件，包括OCR的、NLP、CV、知识图谱技术以及推荐，也是达观积累多年的一个核心竞争力，也会给我们的RPA平台做一个组合。
AI+RRA对银行业务，尤其是银行有大量复杂的文本、影像、数据的场景，非常需要有这样的能力以解决他们的问题。需要将AI+RPA二者进行一个深度结合。
银行业务中的复杂流程占到70%，每个复杂的流程都需要有大量的人工操作。这里面简单的RPA流程只占到30%。
所谓简单的RPA流程，既不需要AI能力就能完成的流程，一定需要RPA+AI同时完成的复杂流程则占到了70%以上。
所以，为了完成银行业的业务需要具备几个重要的能力；第一个就是智能的文本语义、文档的语义解析的能力，第二是比较复杂的，尤其是对影印件的证照，甚至一些复杂表格、无框表格以及非标准表格的识别能力。
第三，是一些制度和行业的一些复杂的规矩，包括审核的规则等等，需要基于知识图谱技术以沉淀RPA，沉淀专家的经验实现这种经验的沉淀和复用，包括最终以AI的形式赋能的业务流程。
整体而言，从我们的经验上来讲，需要真正解决银行业的数字化转型，需要从整体上做一个顶层设计。
AI+RPA是一个基础能力，但是从组织架构,包括从规划上而言，需要构建机器人卓越中心。
从宏观的角度，比如从全银行的角度推动这个项目，从组织架构上、技术沉上的配套。
所以我们要构建一个RPA卓越中心，赋能业务单位的需要提供这种基本的功能，包括对一些业务流程的处理，一些能力的共享，服务中心等四大块。
这四大块包括了三大支持，第一个是人员，需要一个专业的团队的建设，可以由企业帮助银行一起构建这个团队。
第二个是我们的流程，即平时的作业流程的再造和优化。
第三个是技术，引入AI+RPA的能力，需要将这三大块结合以构建RPA储备中心，才有可能真正实现银行业的数字化、智能化的转型。
智能RPA的规划与展望
对于智能RPA的规划与未来展望，我们有一些自己的想法，跟大家探讨一下。
第一，为什么现在智能办公的价值很高，尤其在对银行业务梳理完之后，发现它的替代或者它的赋能，成效是比较高的。人在处理日常作业的流程中，有三大比较突出的弱势的地方。
首先，人的记忆力肯定不如机器，计算机是用数据来存储所有的数据和细节。
第二，处理效率，人阅读文字可能会挺快，但是计算机还能更快，在生成文档时，人会更慢。如果是一个标准模板，让机器协助生成一些文档可以快得多。
第三，做不细，人在审核大量的文档时，很容易出现遗漏，尤其是一些局部的错误，甚至细微的处理错误，可能对银行也是一个很大的风险。
而计算机的处理则事无巨细，它一个事情都不会漏过，特别适合在这方面对人进行补充。
在这三点上，机器不一定能完全替代人，但是他可以在人的能力范围之外进行补充，甚至优化和赋能。
应用RPA+AI技术，总结出以下三大价值，尤其在银行业，甚至在金融领域，以及在其他的行业都是类似的。
第一，更快速，机器处理的效率会比人高很多，尤其是对于重复性的工作，能缩短70%左右的耗时。
第二，更准确，只要将机器人的模型和规则设定好，其他的动作都是非常标准的，能降低95%的以上的人的遗漏的错误。
第三，更便宜。当应用到一定规模时，计算机的边际效应会直线下降。而现在的人力成本在不断提升。
尤其是现在考虑到国内的情况，由于人力的用工成本一直在提升，所以也是推动银行进行智能化转型的一个内在动力。
另外一个效果就是计算机的处理能力，近几年，尤其是随着深度学习的高速发展，许多原来觉得很难解决或者达不到生产上应用的一些问题，现在算法的效果已经是能直接上生产应用了，而人工处理能力则没有发生多大改变。
计算机跟人的处理能力的Gap越来越小，导致现在用计算机的收益是大于我们的成本的。
关于机器人的未来方向，也是基于一些Gartner的比较宏观的全球化的分析，我们来看到在RPA的应用中，5%是基础的应用场景，还有25%是实现跨系统和跨媒介的搬运工作。
2020年的报告显示，原来的应用场景还是属于基础运维到数据填写搬运的比较低端的，或者覆盖面还没有那么广的一些场景。
接下来，包括达观从事的很多事情，是帮助人优化、提效、增速，甚至是一部分高级判断分析的内容。
未来70%的工作量，它的更高的价值是在帮助人提升判断、分析、理解写作的效率，或者帮助提高准确率，是机器所能发挥更大价值的场景。
未来RPA+AI的应用会更加广泛，所产生的价值也会越来越大。
达观现在也是在不断的努力以优化我们的技术能力，包括跟银行业务进行一些更深入的场景对接。希望能以更有效的方式帮助真正的提高终端的业务价值，这是我们对未来的一个判断。
