AI落地，怡化探寻金融终端“小数据”之美

小数据(iData),是指以个人或者个体为中心全方位的数据，及其配套的数据收集、数据处理、数据分析、和对外数据交互的综合系统。小数据与大数据的区别在于：大数据侧重行业领域方面，大范围全面进行数据收集处理分析，从广度上产生基于领域知识的规律；小数据以个体为对象，重点在于深度，对个人数据进行全方位认识和深入精确的挖掘利用，产生基于具体环境的知识。比如淘宝会根据你某个人的历史交易记录，向其推荐可能会感兴趣的商品。这种智能营销不是根基于大数据而是小数据，是基于个人或个体而不是基于规律或现象的研究。

大致可以归纳为以下三类：

第一类数据来源于金融终端运行的外部条件，和终端有千丝万缕的价值关联，涉及金融终端安装环境的数据，如设备安装地理位置、该地气候环境（气温、湿度、气压等），环境噪音数据、离维修站和备件库的距离、交通费用、设备电力环境数据，甚至该地的自助设备犯罪率等。

第二类数据来源于金融终端本身的参数，如设备特性数据、设备运行数据、设备老化数据、设备安防数据、设备启动信息、设备故障信息、网络状况信息等，以及各部件预期寿命以及剩余寿命、各部件历史故障统计、各部件历史平均工作时长、维修维护记录、预期工作时长范围，还有应用系统在运行过程中涉及的各类数据，如业务操作数据、用户身份数据、账户数据、语音数据、信用数据、金额信息、日志数据、业务流程、中间件接口信息、界面信息、业务场景信息等。

第三类数据来源于金融终端与各外部系统交互协同完成业务处理涉及的数据，如各类通信报文、网络服务时间占比、通信故障率等。

随着AI技术逐渐融入到各行各业，企业实施AI战略均面临AI落地难题，即如何把来源于行业大数据AI处理得到的共性规律或现象，与基于小数据技术的实际环境或个体进行有效结合，实现具体环境下创造性地应用技术上或业务上的普遍原理或规律？如果没有对具体个体进行深入认知，进行AI赋能可能不仅不能达到应有的技术效果，还可能因为高昂成本导致技术浪费，或影响系统运行性能。

小数据作为数据智慧化的重要方向，尤其适用于金融终端智能化领域。怡化在业界最早提出了“用大数据AI找行业规律，用小数据实现AI落地”的AI技术应用路子，通过对金融终端进行数据挖掘，获取有价值的终端信息，帮助降低运营成本、提高运行效率，及时调整终端服务与运维定位和策略。俗话说合脚的鞋最好，金融终端AI应用也是如此。小数据赋能AI技术正是一种有效解决目前金融终端AI应用与落地的方法。

小数据赋能AI，可以在不降低精度的情况下实现AI产品在金融终端轻量级运行，类似于操作系统的定制化应用。如将语音识别技术应用于智能金融终端，通过小数据技术得到的各个金融终端待识别语音集或词库，使得语音识别系统在满足金融终端需要情况下，轻装上阵，精准服务。小数据使得智能语音识别聚焦于各个金融终端具体用词库而加快识别速度，减少系统开销，提高语音识别率，降低产品成本。并可以多元化用户输入，增强用户高科技体验，以更加自然的方式实现了金融终端人机交互。

小数据赋能AI，可以进一步优化设备配置，降低设备运维成本。通过收集各个金融终端设备安装环境参数（气温、气压、湿度等）、设备参数（故障率、已运行时长、剩余寿命估算、正常工作时长估算等），研发出基于小数据的金融终端个性化智能维修精准服务系统，能提高整体开机率，实现节能降耗。比如机芯产品，经过工厂整机测试，利用回归算法等机器学习技术得到“环境-正常工作时长”和“环境-寿命”的函数关系，然后结合具体机芯和具体安装环境的小数据，利用统筹方法得到“设备-环境”的最佳匹配，使得一批不同参数的设备安装到一个地区不同地理位置得以最佳组合，实现雨季/旱季、寒冷/炎热、高海拔/低海拔、偏远地区/城市地区（根据维护路费成本区分）等因素的具体地理位置，来匹配全新/半旧/老旧、故障率高/低的具体设备。该技术对于广泛布局农村等偏远地区纵深市场的设备运维，很有意义。

小数据赋能AI，可以通过深入了解金融终端每一用户或者每笔业务个性化安全需求，在保证安全基础上便利用户，降低安全成本。如运用监督学习或者非监督学习等机器学习技术，可实现对终端风险各类风险精准识别，建立终端风险智能化识别模型。如推荐系统可应用于基于事件响应的终端安全，自动为新安全漏洞分配风险值或基于其描述构建错误配置，其算法包括基于受限制的玻尔兹曼机器例如深度信念网络。利用SVM、K近邻、决策树和神经网络分类器等监督学习算法，建立终端风险分类分析模型并利用标记数据行参数学习，输入为涉及风险信息的多维数据，输出为风险类别；如采用非监督学习，可采用聚类、隐马尔可夫模型，实现风险分类，从而能够根据业务实际情况灵活选择低成本低风险的安全对策略。又如改善传统固定身份验证模式，创新智能多维身份验证技术，不同客户不同身份验证的处理方式，既能精准提升安全层次，又可以降低安全成本。采用多维特征融合身份验证技术，根据不同业务场景采用灵活的身份验证方式，便利用户操作。

小数据赋能AI，可以实现对客服员工技能精细化管理，对每一位员工技术和技能进行量化分析，控制人力成本，有利于金融终端运维用好人和管好人，为精准服务提供技术支撑。可通过聚类算法、SVM、随机森林、神经网络以及卷积神经网络等可以解决员工分类和故障分类等任务，根据估算出排除故障需要的技能等级或技能点集合，实现与相应技能等级或技能点集合的一个或者多个工程师匹配，从而能够实现精准维修，控制成本。

小数据赋能AI，可以创新金融终端个性化服务。如自动化识别老年人客户，自动切换进入老年人服务模式，自动提高屏幕分辨率，适当延长每一个操作界面的超时时间，在交易过程中更精细的提醒顾客安全注意事项等。提供的个性化服务更吸引客户，提升客户忠诚度。通过对客户历史交易统计，在保证业务安全的基础上最大程度实现用户便利性。如识别出频繁遗忘取卡的用户，可以通过即时调整流程，对该用户个性化采取“先出卡后出钞”流程的策略。又如某终端小数据系统预计到该设备取款旺周或旺时到了，提前通知维护人员加钞，其主动运维和主动加钞随服务环境以及当前时段及时进行调整。此时AI算法应在该终端该“繁忙”时段产生的小数据基础上建模，其正常工作时长估算也不能以金融终端行业大数据为基础，否则会发生很大偏差。

另外，小数据赋能AI，可以优化金融终端监控技术，建立一个面向AI服务的安全监控网络。如采用基于小数据为基础的智能监控代理方式，使得金融终端能够根据监控需要发送由小数据系统智能化推理结果，而不是把所有与监控相关的又有大量商业机密隐藏其中的全部原始数据，不经处理就原原本本发送给监控服务器。现有监控技术是每隔三五分钟由终端向服务器重复发送每一个部件的状态信息，实际上监控服务器需要的信息不过类似于医生问我们哪里不舒服，而金融终端感觉有点答非所问又似很郑重地从头到脚一一例举人体36个器官的状态和感觉，包括是熊猫血这种对医生来说是无效信息对病人来说是敏感信息的信息，如果使用小数据技术效果就大不一样了，就会有诸如“只够用三个小时的钞票了”、“机芯出钞回收率偏高，需要维护等”等回答。

小数据可以实现基于神经网络自编码器的终端数据压缩和服务器端数据复原，以及基于主成分分析（PCA）的终端监控特征数据降维技术，可大幅度降低监控数据的网络传输量，更重要的是保护了终端隐私和敏感数据安全性，如监控服务需要知晓某个金融终端的服务瓶颈因素有哪些？就不会倒豆子一样把所有终端信息全部传给监控服务器，而会采取诸如主成分分析、决策树等算法，挖掘到“电力不稳定”、“湿度过高导致设备异常”、“设备服务量急剧加大”等因素，从而可以根据这些信息，在服务器端使用模型还原技术，找到设备故障的具体原因，从而不会泄露系统安全漏洞、硬件设计缺陷等敏感信息，即使数据被非法窃取也无法还原其本质原因。

再者，小数据在实现金融终端应用系统中间件由对象模型向Agent智能体模型进化，实现业务流程与流程引擎逻辑解耦具有自主执行功能，实现人机交互向人机融合进化等方面，也能大显身手。怡化在此方面已经开展了一系列研究，取得很多新专利成果并应用于智能终端工程实践。

金融终端小数据系统可称为“量化的智能终端”，是提供金融设备服务与运维个性化决策的依据。当有朝一日银行网络向互联网全面开放，金融小数据AI将会大放异彩，在保证终端数据安全的同时满足智能化需要。对金融终端小数据深入研究，挖掘到金融业务深层次特征和需求，逐步深入解决金融AI落地问题，也许这正是小数据存在的哲学基础，可以说，“小数据，大能量。”