下面我们分析一下四大行的大数据和人工智能的进展。
13.1 四大行的进展
金融行业在有些技术的选择上还是相对比较保守的，一般不会用最新的技术，不会用最新的版本，这是因为银行的连续服务要求特别高。但是，在大数据技术和人工智能上，金融行业是最先使用的一个行业。
13.1.1 建设银行
建设银行大数据平台的策略是架构先行，已经有很好的基础架构。在基础框架上，搭建了一些基础的大数据分析工具。功能架构设计上和其他银行差不多，包含从采集、存储、分析、展现到应用。在数据设计上有一个演变过来的整体的结构。他们强调大数据是数据的一部分，结构化的数据是大数据的一部分。建行的大数据平台取得了不少的成果。
●在实时的数据仓库上，能够对客户经理做实时的数据提供和交付，无论是在并发的访问还是实时服务方面。
●在数据的应用模式上，有6类数据应用模式，包括挖掘类、数据实验室、机器查询、仪表盘、固定报表、自动查询等。
●建立“模型实验室”，能够发挥的作用越来越大，能够基于结构化和非结构化的数据支持大数据模型的研发，这个模型研发出来后，能够很快地把它部署到生产当中。
在非结构化大数据的应用方面做了不少探索，比如客户行为偏好的数据、录音文本、地理数据的应用，能耗数据的应用，媒体信息、员工商银行为数据的应用等。通过位置服务终端识别的新技术、新数据的采用，拒绝可疑风险事件，2017年上半年避免了1.9万起风险事件，避免客户损失1.4亿，这种数据越来越多。
13.1.2 工商银行
工商银行大数据战略思路是通过工商银行两库的建设来完善大数据体系的。两库是信息库和数据仓库，数据仓库在工商银行的建设和银行的建设中都是比较传统的，主要是应对之前的银行交易数据、账户数据，采用结构化的数据存储来进行相关的处理。从2013年开始，工商银行启动了信息库的建设，主要指非结构的数据。通过两库的建设，工商银行还建设了一支分析师队伍，能够对这些庞大的数据进行相关业务的加工处理和分析。
工商银行大数据的发展历程可以分为几个阶段，从TB级已经进入了PB级的建设阶段，接下来在可预见的几年内会进入EB级的庞大体量。最早在2000年初，那个时候大数据领域更多的还是应用在一些报表的快速展现上，所以那个时候工商银行基于比较传统的Oracle和SaaS做了T+1的动态报表，行领导和管理层能够在第二天上班前看到昨天的经营数据。2007年，工商银行基于当时最先进的企业级数据仓库体系架构启动了企业级数据体系的建设，做了全行统一的管理数据的大集中。2010年，基于数据仓库的数据支持，工商银行推出了MOVA管理会计系统，做了全行绩效考核的管理系统。2013年，随着大量数据爆发式的出现，工商银行引进了大数据领域在业界最流行的Hadoop技术，在Hadoop基础上搭建了信息库。2014年，工商银行基于大数据，自主研发了一个流数据平台，能够提供实时或者准实时的流数据处理，原来的大数据采用联机异步批量的方式，通过文件存储，无论是数据仓库还是信息库，在时效上相对来说都比较慢。2015年下半年和2016年开始推动分布式数据库的落地工作，这会和企业级数据仓库做一个互补。这是大数据的主要技术演进。
人工智能与大数据技术导论
396