人工智慧和機器學習會逐漸取代金融和數據分析師嗎？
機器學習，人工智慧技術的發展和崛起，以及自動化分析工具的發展，似乎數據分析師和金融行業的高級分析師有被取代的威脅，有沒有從事大數據和人工智慧研究和工作的朋友說下，數據分析師和金融人員的未來是否灰暗
不邀自來：) 答主在某諮詢公司做AI方向的諮詢，客戶包括各種金融服務類公司。比較常見的案例包括Anti-money Laundering Transactions(反洗錢)，Smooth MA Model (用於提高併購質量的AI 模型)。雖然真正的交易模型一般都是金融公司獨立開發的，但還是有機會和客戶討論金融AI的趨勢和模型。
對於人工智慧對於金融領域的影響的我的立場並沒有變，同時也想借著這個問題談談作為金融從業者或相關專業的學生該怎麼面對人工智慧的發展。
金融是一個複雜的系統。在短時間內，很難被人工智慧或者機器學習完全替代。但是在利潤率高、數據結構化好、數據儲量大、問題定義明確的金融領域，AI會大行其道。隨著一個個小領域被逐步擊破，最終大規模的跨領域金融AI才會出現。根據馬太效應，強者愈強，大金融公司如高盛、大摩已經加大了在人工智慧領域的投資。
十年對於單一的金融AI已經足夠了，但對於跨領域金融AI可能又太倉促了。
在現階段，金融公司所面臨的數據結構化需求遠遠高於開發AI的需求。大量的歷史數據還並未電子化，甚至大量金融公司新產生的數據都還屬於非結構化的格式。
對於金融機構來說，有目的和計劃的在合法的途徑下收集、購買、或生成相關數據將會為未來企業發展帶來巨大的優勢。對於大型的金融機構/研究機構，應該繼續加大在AI領域的投資，從內部培養跨金融和AI領域的人才，即使在短時間內不能產生直接利潤。
1. 沒有人工智慧背景，該怎麼保證自己不被AI浪潮淘汰？
我的觀點是，首先不要嘗試從頭學起，時間成本太高了。大部分AI從業者需要研究生以上的學歷，而且往往都是計算機/統計/數學/物理方便的背景。往短了算，讀完計算機的本碩至少需要5-6年。然而大量AI從業者一般有博士學位，這就需要額外的3-5年，尤其是從事理論模型開發的從業者。
其次，在就業時也要盡量選擇大的金融服務類公司。像上文提到的，小公司一般沒有財力投入到大規模的人工智慧創新當中。隨著時間過去，小的金融公司只會愈發艱難，大公司會贏者通吃。
同時可以加強對於行業資訊的關注，我平時關注的有 機器之心、人工智慧學家、以及人工智慧頭條。大部分時候只要關注一下資訊就可以了，比如白宮發了人工智慧報告啊，高盛又出了一份AI展望報告啊~這樣可以保證自己獲得一手的資訊。
針對讀者不同的就業情況可以分成以下情況討論：
- 1.1. 如果你現在已經身處金融服務類公司，那麼應該開始關注公司內部的人工智慧創新項目。大部分的跨國金融公司都會有類似的fund來支持這樣的項目，在投行券商裡面的研究部門或者獨立的數據分析團隊。比如在我們公司，有一筆Territory Investment Fund用於支持領域創新，不求回報，只求在創新中不落下風。在找到對應的內部團隊後，可以毛遂自薦當志願者來體驗新開發的AI系統。在各大公司裡面，AI開發團隊往往都面臨相似的困境--內部員工的不配合和敵視。一般只要你願意提供反饋，AI開發團隊都是很歡迎的這樣的第一手反饋的。儘早加入開發團隊可以讓自己更適應這樣的變革，也會為你儘早指明方向該作出怎樣的改變。
- 1.2. 如果你還在上學，是一名商科專業的大學生。就像上文提到的，我不建議你轉專業從頭學計算機。但可以適當的補充一些數據分析類的課程，比如資料庫、統計概率以及簡單的Python/R的使用。如果有意在這個方向繼續學習，但數學和計算機能力有限，可以參考1.3的推薦。
- 1.3. 如果你不是一位金融從業者，但想要朝AI金融從業者發展。這條同時適用於在思考是否要繼續讀書的學生。我會建議大家去讀一個 Master in Business Analytics 或者 Master in Data Analytics, 也就是商業分析碩士或者數據分析碩士。這個專業屬於這兩年流行起來的專業，主要內容是講如何將數據分析應用於商業當中。這樣的學位一般會涵蓋基本的數據分析以及機器學習，但比較側重於應用，而不是理論開發。從這個角度來看，申請難度比較低而且門檻也不像理工科的碩士那麼高。當然，我們不能期待讀完這個學位就可以叩開金融機構的大門，只是說在未來工作中使用AI模型時會比較得心應手，並能對ML有一些理解。
2. 人工智慧在交易領域的應用
大量的人工智慧已經被對沖基金所使用，比如Simplex Equity的Self-learning model，在未經人工干預的前提下實現了在英國退歐時就拋售了日本期貨。這並不是孤例，彭博社去年的一篇文章就分析了AI對於Quant的衝擊，人工智慧基金 跑贏大市 - Focus On - 彭博商業周刊。
明顯可以發現，這個領域就屬於我們所定義的利潤率高且有數據積累的領域，因此金融公司願意投入財力和人力進行開發。如果想要了解更多類似的例子，可以直接搜索「券商+人工智慧」 或者 「投行+人工智慧」等，有大量的新聞。
3. 為什麼AI現階段不能完全替代金融學的各種模型？
A. 無法很好的用AI來定義一個金融問題
現階段比較被商業化廣泛應用的機器學習還是監督學習，而監督學習要求有明確的問題定義。現在看起來很有希望的強化學習，遷移學習等還並不能大規模普及應用。
以簡單的監督學習為例，如果你想建立一個模型來預測企業併購是否會影響公司股價，那麼你需要提供大量併購數據，以及併購後股價是否發生了變動。理想情況下，在收集足夠多的併購消息和股價變動信息後，做自然語言分析後提取特徵放到機器學習模型裡面就大功告成了。
然而在實際情況中：我們無法給出明確的問題定義和邊界。如果想用AI來來制定一個股票交易策略，那麼需要考慮進去多少因素？僅僅只考慮併購消息就夠了么？越多的相關的因素越可以提高模型的擬合性和準確性。如宏觀政策和微觀的具體情況都會影響到股價的波動，漏掉其中哪一個都會造成一定的影響，往往是多多益善。在這種情況下，每個問題都需要大量人和數據來支撐，這也是為什麼大量用AI來預測股票走勢的探索都無疾而終的原因。
現階段或者可預見的未來，在很多問題上不會出現這種明確的定義和範圍。B. AI從業者和金融從業者缺乏有效溝通
在很長的時間裡面，計算機和金融學之間的聯繫相對比較薄弱。作為一個CS背景的人，我個人對於金融/經濟學的理解還處於比較膚淺的狀態，只理解基本的概念和原理。同樣的，金融服務類從業者又缺乏對於AI模型和統計的了解。因此使用AI來推動金融學發展需要大量跨領域的人才，至少需要兩個方向都懂的項目經理。C. 金融領域缺乏足夠的大數據和人工智慧人才儲備
人工智慧的火爆，或者說06年Hinton論文後帶起的深度學習的老樹開花，並沒有來得及為行業儲存大量的專業人才。不難看出，大量一流AI/ML人才還是被互聯網公司一網打盡，(Hinton在谷歌Lecun 在FB)留給金融服務類公司的人才並不多。以我們公司舉例，各國分公司的Chief Data Scientist 基本都不是計算機/統計/數學背景出身的科學家。D. 投出產出在現階段不成正比，短時間內難以獲得收益。在這種情況下，每個問題都需要大量人和數據來支撐。因此研究探索型的、不能產生利潤的方向很少有公司來投資AI來進行研究的。換言之，有財力提供AI研究的金融公司不多，小型的金融機構或者學術機構又缺乏資源（資金，技術人才，數據積累）來進行相關係統的研究。
E. 技術性的難題還包括很多，比如AI在金融領域應該以什麼樣的模式存在？是一個軟體，一個網路服務，還是一個機器人。在大量需要與客戶溝通的領域，人機交互以及如何生成內容也是繼續探索的領域。
最近回答了很多類似的問題，包括：
隨著人工智慧的進步，財務工作者會大批失業么？該如何應對？ - 阿薩姆的回答 - 知乎
金融學如何應對人工智慧和大數據？ - 阿薩姆的回答 - 知乎
機器學習（machine learning）在經濟學領域是否有應用前景？
不務正業的我還回答了：
假設機器人有了自己的思想的，身為創造者的我們該以什麼樣的態度去對待他們？ - 阿薩姆的回答 - 知乎
四大諮詢第一年應該怎麼著裝？有哪些服裝品牌可供選擇？ - 阿薩姆的回答 - 知乎
謝邀。我的回答是：在真正可以完整模擬人腦的人工智慧出現前，分析師不可能被取代。
節選兩段我之前的回答（來源：為什麼需要數據分析人員而不能全部由機器和演算法完成數據分析工作？ - 陳丹奕的回答）
大多數時候，數據分析都是為了解決一個問題（鎖定某個產品的目標客戶，對同樣的人群做營銷活動用A方案好還是B方案好，等等），或者驗證一個猜想（不讓旅遊者上班高峰坐地鐵是不是會大幅度緩解擁擠現象，啤酒和尿布放一起是不是真的會提升啤酒的銷售額，等等），總之需要達到一個目標。即使是探索性分析（拿著一大堆數據看看能不能找出點什麼結論），那也需要先預設一個或多個目標作為切入點，然後在探索過程中逐步修正。
提出和發現問題的過程，交給計算機干不太靠譜，首先計算機不會提出問題（因為笨），其次計算機能發現的問題也一定是人已經發現了的問題（還是因為笨），需要先有人來設定規則，然後計算機才能根據規則發現問題。而數據分析師，就是設定規則的人。目標和規則的設定，一定要基於業務，這樣分析結果才有用，否則會得出正確但無用的結論。舉個栗子，訂閱報紙的數據扔給計算機去分析關聯關係，看有哪些報紙可以進行組合促銷，最後得出個光明日報和人民日報關聯繫數90%多，所以這倆報紙可以組合起來賣，問題是這倆報紙本來就是要求黨政機關訂閱的黨報，組合起來毫無意義，該訂的還是要訂，不訂的還是不訂，這就是典型的正確但無用的分析結果。懂業務能讓分析師少做這種無用功，但是計算機要想懂業務就得由人來教，教還不一定能教會，教完了又不能觸類旁通（報紙的關聯演算法拿到電商去完全不能用啊），這樣的計算機永遠都不如分析師懂業務。對模型輸出的數據進行解讀，那完全是分析師的天下——同一份數據給不同的分析師，可能會得出不同的結論，很多時候分析師並不單單根據數據本身得出結論，還要結合很多外界因素來修正結論。分析師的經驗越豐富，擁有的有效信息量越多，得出的結論就越接近事實（之所以用接近，是因為對數據解讀的準確度永遠達不到100%，影響結果的因素太多了，比如一個企業銷售額連續增長10年，分析師根據公司數據和市場情況判斷下一年還會繼續增長，結果老闆出事跑路了，企業直接倒閉），而這個過程是計算機目前沒辦法自主進行的，商業智能系統做的再好，也需要由分析師來設定規則，告訴計算機在什麼時間需要做什麼。也許隨著大數據和人工智慧的發展，有一天計算機可以完全不依賴人工設定的規則（不需要確定數據來源，不需要選擇演算法和模型，不需要人工干預來修正模型，等等），自己對數據進行全方位的分析，加入所有因素的影響，並輸出準確度非常高的報告，只有到那時候，分析師才會失業啊。不過，真到了那一天，恐怕不光是分析師失業的問題吧……
講下人工智慧在金融風控的應用。
一、背景
本文將針對阿里雲平台上圖演算法模塊來進行實驗。圖演算法一般被用來解決關係網狀的業務場景。與常規的結構化數據不同，圖演算法需要把數據整理成首尾相連的關係圖譜。圖演算法更多的是考慮邊和點的概念。阿里雲機器學習平台上提供了豐富的圖演算法組件，包括K-Core、最大聯通子圖、標籤傳播聚類等。
本文的業務場景如下：
下圖是已知的一份人物通聯關係圖，每兩個人之間的連線表示兩人有一定關係，可以是同事關係或者親人關係等。已知「Enoch」是信用用戶，"Evan"是欺詐用戶，計算出其它人的信用指數。通過圖演算法，可以算出圖中每個人是欺詐用戶的概率，這個數據可以方便相關機構做風控。
二、數據集介紹
數據源：本文數據為自己生成，用於實驗。
具體欄位如下：
欄位名含義類型描述start_point邊的起始節點string人end_point邊結束節點string人count關係緊密度double數值越大，兩人的關係越緊密
數據截圖：
三、數據探索流程
首先，實驗流程圖：
1.最大聯通子圖
最大聯通子圖的功能很好理解，前面已經介紹了，圖演算法的輸入數據是關係圖譜結構的。最大聯通子圖可以找到有通聯關係的最大集合，在團伙發現的場景中可以排除掉一些與風控場景無關的人。本次實驗通過「最大聯通子圖」組件將數據中的群體分為兩部分，並賦予group_id。通過「SQL腳本」組件和「JOIN」組件去除下圖中的無關聯人員。
2.單源最短路徑
通過「單源最短路徑」組件探查出每個人的一度人脈、二度人脈關係等。distance講的是「Enoch」通過幾個人可以聯絡到目標人。
如下圖：
3.標籤傳播分類
「標籤傳播分類」演算法為半監督的分類演算法，原理是用已標記節點的標籤信息去預測未標記節點的標籤信息。在演算法執行過程中，每個節點的標籤按相似度傳播給相鄰節點。
調用「標籤傳播分類」組件除了要有所有人員的通聯圖數據以外，還要有人員打標數據。這裡通過「已知數據-讀odps」組件導入打標數據(weight表示目標是欺詐用戶的概率)：
通過SQL對結果進行篩選，最終結果展現的是每個人涉嫌欺詐的概率，數值越大表示是欺詐用戶的概率越大。
會取代一些容易流程化的工作。但是決策還是需要人做判斷的。
眼看著科學技術和人工智慧發展得越來越快，對我們生活方方面面的影響也越來越廣泛、深刻。作為一個準金融行業的從業人，我最近也常常在思考相同的問題。
恰好，今晚看了愛奇藝的《奇葩大會》，便有了些許靈感。重量級嘉賓李開復先生（百度百科鏈接：李開復_百度百科）親臨現場。記得在初中時，就在老師推薦下讀過他寫的《與未來同行》。他的思維非常具有前瞻性，看問題的角度也很新穎，曾給了我不少的啟發。這次上節目，他又帶來了不少新觀點，做了一個比較casual的半娛樂性演講，其中分享了一些他對未來人工智慧的一些看法和對未來生活的預測。根據他的演講內容，我也自行給他的發言起了一個標題《你在未來會不會失業？》。他認為，隨著人工智慧的發展，我們這個社會上50%的職業在未來十年內都要消失。很多具有重複性質的勞動在未來都匯被計算機取代，計算機都會替人去完成，甚至比專業人才完成得更加出色！
他舉了一個例子，令我印象非常深刻：當代醫學的進步其實是極快的，很多疾病興許早已有了對症下藥的解決辦法。但是再厲害的醫師也沒有時間去時刻跟進全球最前沿的醫療成果，因為他在工作之餘能學習的時間是非常有限的，他現在所了解的醫療水平也只是停留在過去的，因此，醫療的效率並不高。相反，計算機就能在瞬息間獲得最新的醫學科研成果，並將這些知識及時用於拯救病患的生命。想想也很有道理。我也順便開了一下腦洞：也許今後醫療行業，只會留一小部分最有天賦的科研人員在實驗室里進行探索即可。一旦研發出最新的醫療成果，科研人員只要將數據輸入到計算機里，後台的大數據系統就可以及時將這些成果匯總、發布和分享，在一秒不到的時間內就可以把新知識運用於現實的治療。
（李開複本人）
在演講過程中，李開復粗略地提到了金融行業里交易員的角色（Trader）。我沿著他的思路想了想，作為交易員，他所要完成的工作就是在適合的時機、適合的價格買賣股票或者其他金融工具，這些工作其實最終都可以變成或簡單或複雜的演算法，再由計算機去進行執行，並且不會摻入人為的影響，例如計算錯誤的影響、個人情緒的影響，先入為主心理的影響等等。到時候，所有的買賣都將由計算機自動完成，所有決策都將成為當下最客觀、最優的決策方案，同時，錯誤率也將極大地降低。交易員這個職業也許真的會漸漸消失。
寫到這裡，「量化投資」四個字立刻從我腦袋裡冒出來。那麼什麼是量化投資呢？簡單介紹一下：量化投資,簡單地說就是利用數學、統計學、信息技術的量化投資方法來管理投資組合。量化投資者搜集分析大量的數據後,藉助計算機系統強大的信息處理能力,採用先進的數學模型替代人為的主觀判斷,利用計算機程序在全市場捕捉投資機會並付諸實施,克服了投資者情緒波動的影響,使投資的穩定性大為增加,避免因市場極度狂熱或悲觀的情況而導致做出非理性的投資決策,以保證在控制風險的前提下實現收益最大化。用一句話說,「量化投資」真真正實現了利用電腦幫助人腦處理大量信息的構想。雖說是幫助人類從繁雜的計算中解脫出來，但也很可能造成了一部分人失業的悲劇。曾經人們一度崇尚的「價值投資」和「趨勢投資」也許將漸漸被這種強大的投資方式所取代。
之後，李開復話鋒一轉，他說其實很多職業是不會消失的，因為計算機是沒有情感的，因此它也無法理解人類的情感，可想而知，藝術行業是肯定是不會消失的。其實仔細想想，金融領域裡的很多職業是不會消失的，例如那些需要與人打交道職業、具有創新性的職業、有情感來往的職業等等。例如，很多投資決定往往不是只關注書面數據的。一個在Venture Capital工作的前輩告訴我，他們做投資之前一定要和對方見面，因為一個看似完美的Business Plan是遠遠不夠的，不足以讓他們有充分的把我下注。那見面主要看什麼呢？看人，看這否創業者的性格和做事風格、判斷他是否具有領導能力、協調能力、管理能力等各方面的綜合能力，這些信息也需要通過實際接觸才能知道。相同的例子還有很多，就不一一列舉了。
演講的最後，李開復提醒我們，雖然很多職業將會消失，但是我們不要對人工智慧產生抵觸心理，相反，應當順應這股潮流。這不禁讓我聯想到十八世紀的工業革命時期，當時大機器生產逐漸取代了人工勞動，工人們紛紛開始罷工甚至搗毀機器，認為機器的出現搶了他們的飯碗，強烈要求政府加薪。不可否認，他們的抗議有一定的作用，迫使政府修改了條款，但是也是暫時的緩解，因為事實是他們再怎麼罷工，也阻止不了時代的進程、社會的進步和科學的發展。
我永遠相信，無論在什麼年代，面對什麼樣的變革，干著什麼樣的活兒，一個懂得靈活變通的人總能發現機遇。雖然在未來有很多職業會消失，但是一定也會有很多新職業出現。總而言之，作為時代前進過程中的一份子，我們更應當成為這股浪潮里的一葉扁舟順勢起伏，才能在時代的潮流中Survive and Thrive。反之，如果倔強地做一塊鉛鐵，不願意去改變和學習新事物，最終的命運就是沉入海底。
如果都被人工智慧取代了就變成AI打AI了，反正大家的patent和strategy都差不多嘛，整個市場變成Efficiency Market了，完全沒有套利可言了. 終於到了價值投資的強勢回歸之時了.
需要，需要人背鍋
人工智慧在很長一段時間內都不會解決做事的意義問題。也就是為什麼我要做這樣的研究，以及這樣的研究和其他研究的成果如何互相影響和作用。
更重要的是，人工智慧只能用來解決我們在已經有所經驗下的已經識別的問題。對於毫無經驗的事件下人類應該如何處理問題以及如何反應我們自己都一無所知，更何況我們親手造出的AI。
歸根結底，目前的人工智慧距離真正的人工智慧還有巨大的差距。因為我們現在的人工智慧只是利用了計算機的計算能力和我們對人類頭腦的一點點了解對人的思維做了一個非常粗略的模仿。簡而言之，人工智慧在做一些很nb的事，但是它自己不知道自己在做什麼。AI風潮下，美國銀行藉助人工智慧做了這些改變！
隨著人工智慧的發展，人工智慧的觸角正在慢慢滲透到專業門檻極高的投資領域，AI與投資領域的結合正悄悄來臨。一些國際大行與金融機構已經紛紛開始大力布局AI智能投資業務，人工智慧正在逐漸取代一些金融投資行業的基礎工作，比如基本投資，美國最大的證券零售商和投資銀行之一的美國銀行(Bank of America Co., BAC)更是走在最前沿的代表之一。
那麼，在金融業可能也備受衝擊的AI大潮下，美國銀行到底藉助人工智慧做了哪些改變？
Merrill Edge Guided Investing在線服務計劃
美國銀行的折扣經紀子公司Merrill Edge正在轉變成為一家進軍機器人投資顧問行業的公司。早在2016年10月，美國銀行就介紹並計劃推出Merrill Edge Guided Investing服務，這項新的機器人顧問服務旨在把Merrill Edge的在線經紀平台與美林(Merrill Lynch)人工顧問的理財技能結合起來，通過向用戶詢問有關其年齡，風險承受能力，投資目標和時間範圍的問題，然後，通過使用人類的投資決策，而不僅僅是演算法，提出投資建議。該服務旨在幫助較小的投資者投入少量資金，例如舊的退休計劃賬戶或IRA。投資者可以從$ 5,000.00開始，管理資產的年費用為0.45％。
美林銀行負責人Aron Levine 表示：「我們認識到並不是所有的投資者都是一樣的，我們的客戶都在考慮如何、何時、何地尋求指導，有些喜歡獨立做事，還有人喜歡工作顧問，其他人尋求兩者的結合。」這個新平台旨在將美林在線平台的能力與其投資顧問的專業知識結合起來，滿足當前客戶對自動化投資建議的興趣，為客戶提供更人性化的機器人顧問服務。
推出投資顧問機器人「Erica」
2017年2月，美國銀行正式對外推出了機器人投資顧問服務。
其實，早在2016年10月拉斯維加斯舉行的Money20/20金融業大會上，美銀Merrill Edge首次公布亮相了其計劃向客戶提供的機器人投資顧問工具，一個名叫Erica的「虛擬助手」，它將使用人工智慧為客戶提出改進財務的建議，客戶將能夠在手機上通過文字和聲音和「她」進行交談。
美國銀行數字銀行負責人米歇爾?摩爾（Michelle Moore）在接受採訪時表示，埃里卡將會比機器人更聰明，因為她將使用預測分析來提出自己的話題，而不是僅僅回答客戶提出的問題。Erica將使用人工智慧，預測分析和認知消息來幫助客戶執行付款，支票餘額，節省資金和償還債務等。她還會引導人們查看他們的FICO分數，通過埃里卡，美國銀行希望將一般個人服務的一些優點和通常保留給頂級客戶的建議擴大到普通公眾。
米歇爾?摩爾（Michelle Moore）表示，埃里卡希望能夠幫助消費者創造更好的理財習慣。例如，埃里卡可能會向某人發送一個預測性文字：「米歇爾，我找到了一個很好的機會，減少你的債務並節省300美元。」或者，Erica可能會建議您採取措施來解除「她」注意到的下滑信用評級，「她」可能也會建議客戶在信用卡餘額很多的情況下支付更多，以減少利息支出。
美銀美林公司擁有14,416名財務顧問，其金融中心擁有2,000名財務解決顧問，以及1,000位提供支持（主要是通過電話）的金融解決方案顧問在線經紀客戶。但是摩爾說到，埃里卡的目的是簡化銀行流程，而不是取代工作，因為這種類型的技術還很年輕，相應地限制了「她」所能做的。隨著時間的推移，美國銀行的程序員將添加新功能，並使Erica「更聰明」。
對於美國銀行投了很多錢，花了大力氣推出的機器人在線投資顧問服務，外界反應不一，有看好的，美國企業洞察高級分析師肖恩·麥克德莫特（Sean McDermott）指出：「現在，美國銀行推出這個產品有很大的戰略意義。」同時，財富管理行業面臨財富轉移下一代的問題，「這一數字諮詢服務會使美國銀行更有力地吸引和留住年輕客戶。」但也有不少質疑聲，來自Forrester的研究報告指出，「機器人還沒有準備好成為銀行家」，銀行現在應該避免使用聊天機器人，因為「它們現在提供的客戶體驗通常很差或者不均衡」。機器人的一個大問題就是：大多數都只是簡單的、笨拙的、緩慢的回應，只能理解用確切的措辭提出的問題。如果你告訴機器人移動你的錢，這可能是災難性的。在許多情況下，通過機器人訂購服務不一定比通過傳統方法訂購更容易或更愉快：訪問公司自己的網站或移動應用程序，或撥打電話。
除了推出Erica機器人投資顧問，美國銀行在人工智慧領域還做了更多的嘗試。
完全自動化的「robo分行」
像許多其他美國的銀行近幾年一樣，美國銀行也一直在削減整體分支機構，以降低成本。
美國銀行正在試驗完全自動化的分支機構，佔地面積更小，沒有現場員工。美國銀行已經在明尼阿波利斯開設了所謂的「robo分行」之一，另外兩家在丹佛開了。美國銀行的傳統分支機構運行約5000平方英尺。新的robo分支機型大約是這個規模的四分之一。「robo分行」旨在出售抵押貸款，信用卡和汽車貸款，而不是簡單的交易，例如兌現支票。
自動分支機構僅限於ATM和視頻會議室。與Apple Genius Bar類似，客戶可以通過銀行的手機應用程序預約。一旦你預先安排了你的會議，你可以在robo分行，並與一個遠程工作的銀行僱員進行一對一的視頻對話。作為安全措施，視頻會議室只能使用美國銀行ATM或借記卡進行訪問。
人工智慧應收賬款解決方案：HighRadius
擁有大量客戶的大公司通常會收到沒有相關上下文信息的付款，比如來自哪個客戶或債務人，或者確切地說是什麼付款，這使得公司的賬簿平衡，即對賬，是一個漫長而資源密集的任務。據美銀美林（BAML）透露，「它正在實施企業軟體fintech HighRadius的人工智慧（AI）解決方案，以加快銀行大型業務客戶的應收賬款對賬。」
美林銀行全球交易服務全球應收賬款負責人羅德尼?加德納（Rodney Gardner）解釋說，不完整的匯款信息通常會導致艱巨而昂貴的對賬流程。 Gardner補充說：「我們的解決方案彙集了AI，機器學習和光學字元識別（OCR），為應收賬款對賬和支付匹配設定了一個新的條件。 「我們很高興與領先的fintech供應商HighRadius合作，將智能應收帳款添加到我們的解決方案套件中。」
智能應收賬款由FinTech企業軟體即服務（SaaS）公司HighRadius提供支持，採用人工智慧，機器學習，和光學字元識別來確認付款人，將付款人與非上下文付款相對照匹配，同時將其與應收賬款相對照匹配。通過四個步驟實現了直接對賬：
識別付款人並將其付款聯繫到單獨收到的匯款。
從電子郵件，電子郵件附件，電子數據交換（EDI）和付款人門戶網站提取匯款數據。
使用豐富的匯款數據來支付開立應收賬款。
創建客戶端上傳到其ERP系統的應收賬款過帳文件。
此外，它還讓公司可以向那些債務未償還的客戶發送自動提示。通過利用此解決方案，BAML旨在降低其大型業務客戶的成本。
未來
人工智慧還遠未撬動金融行業的根本性變革，美國銀行對人工智慧的運用，目前也主要集中在智能投顧、無人「robo分行」、智能對賬等幾個業務上。在不遠的未來，美國銀行還會藉助人工智慧技術推出什麼更智能化、更自動化的投資服務、金融服務，誰也不知道，因為誰也不能預料人工智慧的發展會走到哪一步，只是如果人工智慧真地能幹掉金融服務人員、交易人員，那麼還需要專業金融機構扮演什麼角色呢？這或許是在布局人工智慧時，需要一起去布局的問題。
快了，還有翻譯類工作，提前做好準備吧，以免陷入就業危機。
其實我覺得大家說的經驗性啊，目標性啊這些計算機沒有的東西，在AlphaGo之前圍棋界的人士也是這麼想的……
凡是機械性的重複或者經過總結規律的工作被取代的可能性非常大，但是依賴人的經驗和主觀因素以及未知因素太多的工作被取代的可能性很小。
根本不可能，機器是理性的，而涉及到社會資源分配的事情是不可能有公平公正的規則的，當然還有一種可能就是被統治的人適用……
跟著 @圖靈Don 來關注這個問題。
最近一期《圓桌派》聊過人工智慧。
第二十四集 過年:人工智慧時代還要回家過年嗎-在線播放-《圓桌派 第一季》-綜藝-優酷網，視頻高清在線觀看其中他們提到過這麼一個假設，人工智慧做到絕大程度上模擬人腦以後，除了將全方位地取代人類工作，自然還會出現情感傾向。而且它首先出現的情感傾向是邪惡，繼而才是向善。
就像人類意志的發展過程，先大規模的殺戮和征戰，後來才是反戰和和平。所以需要顧慮的不只是工作問題了，而是人類的生存。在人工智慧向善之前，不知道人類被它滅絕了沒。實際上我進一步的猜測是，人工智慧若真的到了這一步、學習與進化的速度如此之快，邪惡與向善觀念的更迭需要的時間非常短，很快就會達到自然之「道」的覺悟了。於是對於人類這種宇宙間渺小的存在，它也並不會做什麼，更多的是任其自生自滅吧——就像自然界對待人類的態度那樣。不知真假，就貼個圖…總之準備做第二手打算…
可以看下《海伯利安》，科幻小說。
是不是十年我不知道，但不久的將來人工智慧一定會取代越來越多的目前的人工！
能不能完全取代不一定，但一定會有一部分工作被取代，而且已經作用很久的崗位說明書內容一定會改變！未來在人工智慧不斷發展的大背景下，金融、數據分析工作預計會有三種情況：
1、以效率和準確性為目標的工作優化需求收集和歸納，為工作的智能化不斷提供方案；
2、以大數據和人工智慧技術開發、設計及升級優化需求方案，以軟硬體實現需求；3、日常的維護、操作來輔助人工智慧實現工作的成果；4、需要思考、交互及開創性的方式工作，且人工智慧在那個時刻仍無法替代的內容即由比人工智慧更聰明或涉及方面更廣的人、人工智慧的設計者、人工智慧實現的輔助者與人工智慧帶來的系統、方式共同作用，形成一個相比現在更加高效率、準確程度更高和更加人性化的生態環境並且這個環境本身也將會不斷地升級和進步。
相比現在的環境，有些工作內容會被人工智慧替代：
1、數據、信息的收集、整理和交換傳輸；
2、資料的歸類、管理；3、日常的報表、報告及對應的分析、建議4、特殊性、突發性的事項反映出的信息、數據監控和信息傳輸可以明確的是，人工智慧是為人類服務的，人不會被替代，但人一定會被改變！
樂於分享自己多年的實踐經驗積累，在職業選擇與個人發展、職場打拚技能與機會把握上共同探討，創造自己出彩的職場人生！個人微信：cgliu0066這個問題的回答的答案難道不是:以後的數據分析師或者金融分析師需要掌握機器學習和人工智慧構建的技能嗎
個人認為會代替大部分工作，只要計算機足夠強大，強大到能夠計算影響到股票的方方面面的維度，就會比人更厲害，而且更少失誤，更快的速度
推薦閱讀：