本文就商业银行如何推进人工智能建设进行给出了全景式的方法，不仅涉及人才、文化等制度建设方面，也涉及框架及模型选择等技术建设方面，尤其对目前业内少有涉猎的评价系统建设进行了专项阐述。
人工智能历程
人工智能概念于1956年8月的达特茅斯会议首次被提出，其后历经三起两落。直到2006年，Geoff Hinton等人提出深度学习方法，基于该方法构建的Alex Net在2012年图片分类的竞赛Image Net大放异彩，Top-5错误率比前一年的冠军下降了十个百分点，远超当年的第二名。自此，深度学习开始席卷整个计算机视觉领域，并逐步向其他领域扩展，人工智能的理论研究又迎来新一轮高潮。2016年人机围棋大战中，阿尔法狗4：1战胜李世石，社会大众对人工智能的关注热度再次被点燃。普华永道研究预测，到2030年人工智能将为全球GDP带来14%的增长，相当于15.7万亿美元的市场规模。
制度建设
人工智能在商业银行的风险计量、客户关系维护、交易反欺诈、运营配送等前中后台业务领域都有广阔的应用。在风险计量方面，人工智能可以自动验证和分析银行头寸，一些银行已将该流程所需资源减少了95%，所需时间从10天缩减到20分钟。巴克莱银行在财务部门使用机器人，实现坏账准备金流程自动化，每年节省将近1亿美元。麦肯锡全球研究院的研究估算，严格来说，60%的职业中至少有30%的工作是能够实现自动化的。
虽然人工智能有广阔的应用前景，但商业银行若想真正发挥其提高效率、降低运营成本的优势，必须从人才储备、文化建设、部门协作等制度建设到外部数据引起、敏捷构建等技术建设全方位布局谋篇，主要体现在以下方面。
1.重视人才储备。根据腾迅研究院发布的《2017年全球人工智能与人才白皮书》统计，中国对人工智能的人才需求已破百万，但人才供应严重短缺，截止到2017年10月人工智能人才的需求量已经是2016全年的两倍，人才平均月薪2.58万，具有五年以上人工智能相关工作经验的人才平均月薪4万元，并普遍带有股权激励措施。在我国，商业银行普遍受制于体质机制限制，难以批量进行人才引进，拔尖人才的少量引进与内部人才的培养相结合是比较切实的战略。
人工智能在数学理论上主要涉及线性代数、概率论、数值计算理论。其中线性代数主要用来描述对象及对象间的关系;概率论是机器学习的“建模语言”，可以基于频率或贝叶斯概率对研究对象的分布进行建模，再利用最大似然估计或最大后验估计进行参数估算;数值计算理论中的梯度、凸优化等理论可以用来解决无限制和有限制条件下最优解，均方误差可以衡量估计量与被估计量之间差异程度。人工智能的编程框架主要有Caffe、Tensorflow、Sklearn等;模型上主要有回归、聚类、支持向量机、卷积及循环神经网络等;编程语言主要涉及Python、Spark、C++等。商业银行需要梳理知识图谱，引入外部培训、鼓励员工自主学习和参加行业交流，为人才培养储备、技术选型和战略落地提供支撑。
2.构建允许试错的企业文化。人工智能的应用开发是一种探索性、持续改进的过程，受技术路线、数据规模及质量、框架及模型选取、评价体系、部门协作水平、监管要求等多重因素的共同作用，易出现模型构建时间过长、实际应用效果不显著等问题。人工智能的构建很难一蹴而就，开发人员通常要在生产系统上不断地进行调整。商业银行要构建允许试错的企业文化，采取区别于传统的业绩考核机制，支持探索创新。大连妇科医院排名 http://www.bohaifk.com/
3.高层推动的部门协作。算法和模型如何嵌入到业务中是人工智能发挥高效能、降低运营成本的关键，其成功运用通常需要跨业务部门的通力协作。高管推动是保证成功的重要前提条件。商业银行需改变过去从机构自身和内部管理出发来决定如何服务客户，打破部门银行的观念，树立以客户为中心的理念，从客户视角实现流程再造，构建企业级视角的人工智能，从而提升客户体验、提高业务办理效率、提升竞争力。
4.明确的商业目标。人工智能的发展方兴未艾，但是尚未出现一统江湖的“终极算法”。商业银行在对人工智能的利用上应有一个个明确的“小目标”，切忌求全求大。明确的商业目标决定解决问题应采用的框架(有监督学习或是无监督学习、采用分类或是回归方法、是批处理学习或是联机学习)、效果评价体系(采用均方误差评价、混淆矩阵评价等)及后续投入产出比。开发人员需与业务人员沟通待解决的问题，以往有无人工的解决方法，解决的过程及表现情况。
技术建设
1.构建异构的生产环境。人工智能尤其深度学习在模型训练时采用的是反向传播算法，涉及海量的矩阵运算，传统生产部署架构无法满足爆发的计算能力需求。业界通常采用异构计算架构(CPU+GPU模式)，CPU更多用于控制和参数同步，GPU用于计算，两者相互配合，达到人工智能计算最优的效果。但GPU的功耗较高，在大规模模型训练时尤甚，商业银行在部署人工智能生产环境时需提前做好能耗规划工作