自今年1月银保监会放开银行个贷不良批量转让以来，截止7月底成交银行个贷不良债权本息余额总计接近1.7亿元人民币。作为一个“新兴”市场，半年左右就拥有如此成交量可以称得上是开门红，但相较于银保监发布的《商业银行主要监管指标情况表(法人)（2020年）》中（2020年）四季度商业银行不良贷款余额2.7万亿元的数字，这个成交量只能说任重道远。现阶段看，制约银行个贷不良市场发展的瓶颈除了资产价格较高、各方参与受限以外，最重要的是处置途径拥堵。很多有购买能力和购买资格的资产管理公司，因为没有有效的处理工具，因此对与传统对公不良处置完全不同的个贷不良处置无从下手而一筹莫展望而却步。除此之外，早已如火如荼进行中的非银金融机构个贷不良资产以及传统银行委外催收等清收处置行业，近些年也由于合规要求趋严、职业反清收组织增多、债务人反清收能力增强而导致行业合规风险急剧增加、收益减少的局面。因此在法律法规和行业政策没有太大变化的情况下，个贷不良全行业亟需通过技术提升来打破目前市场的沉寂，降低合规风险提高收益，近年来兴起的人工智能技术是其中一个值得努力的方向。人工智能，英文Artificial Intelligence（简称AI），为引领第四次工业革命的“大人物”产业的核心技术。虽然经过几十年发展时至今日，人工智能要达到《她》（Her）,《西部世界》(Westworld)及《底特律：生而为人》(Detroit: Become Human)里的强人工智能还有很长一段路要走，但是在个贷不良处置行业，其技术能量从现有的实践结果来看基本可以满足行业需求。相较于对公不良，个贷不良处置具有处置标的同一性高但数量多的特点，这点恰恰与目前人工智能解决问题的类型高度契合。人工智能在个贷不良领域目前较为成熟的应用是：语音机器人、合规质检、坐席辅助、处置人员测评和分案策略。另外规定时间段内的还款预测模型、不良贷款包的估值模型也是一个值得探索的领域。3.1自人工智能语音机器人产品诞生以来，已被广泛应用于营销、客服领域，但由于金融贷后的特殊性，人工智能语音机器人的应用较为局限：目前主流的应用是通过将自然语言处理（NLP）、语音合成（TTS）与人工智能问答相结合，实现对M0-M1账龄债务人提示还款或催收的功能。人工智能语音机器人针对不同的场景，如营销、催收、客服等各场景的语义理解模型与话术策略模型差别巨大，只有不断的通过机器人训练师人为打磨某一场景才能让智能语音机器人呈现合格的拟人效果。以指旺金科为例，目前主流的应用场景主要为以下三类：
可预先针对风险客户或逾期客户进行外呼，将有效号码和无效号码进行区分标记,提升催收流转效率。针对到期客户进行电话提醒通知，同时可搜集标注客户还款意愿及未还款理由并反馈至人工。针对逾期客户进行催收，分析案件属性并播报不同等级的谈判策略，并将客户反馈给人工，同时可做到实时转接至人工坐席。3.2随着贷后催收合规监管趋严，催收企业对于外呼合规要求越来越高。过去金融机构和传统催收企业大都采用人工抽检的方式，这种方式存在着覆盖范围低、质检规则单一、质检员主观性较高等缺点。人工智能语音合规质检系统很好的解决了以上几个难题，可以实现利用夜间非工作时间对当天通话总体而非抽样样本进行全覆盖质检，在实现100%质检的同时提升效率，完成对坐席的全方位、多维度、自动化质检，达到对外呼人员突破行为进行有效管控，对合规成绩进行及时考核，实现控制合规风险的目的。3.3坐席辅助系统则是基于ASR实时转译技术，NLP语义分析引擎，在坐席和客户对话过程中实时转译对话内容，并分析用户意图，帮助坐席匹配合适的对应侧话术，让催收人员快速切入对话重点，在催收员不知道后续话术的时候给予正确的提示，从而更容易跟客户达成还款意愿。同时可对客服语速、情绪、抢话、违禁语等话术进行实时质检。3.4处置测评系统中的测评对象，广义上除了包括狭义的催收人员，还包括诉讼代理律所、代理律师、仲裁委、各类调解中心等。其功能并不是消极地给予每个处置机构/个人一个冰冷的好与坏效率高与低的标签，而是通过对各个机构/个人的从业年限、规模/级别、擅长领域、历史表现、工作效率、处置过程、回款表现等多个维度进行人工智能建模分析，为每个处置机构/个人单独作侧写或职业画像。这样一方面可以协助处置机构/个人取长补短扬长避短，另一方面为后面的分案策略模块提供处置端基础数据。3.5分案策略系统主要是指通过对资产段每一个处置标的信贷产品特点、逾期数据及债务人工作情况、收入水平、社保信息、地址信息、授信情况、人机关系、历史逾期表现、共债情况等基础资料进行数据分析及人工智能建模分析，建立债务人画像。同时根据处置端测评系统中的处置机构/个人画像对处置标的和处置机构/个人进行最优匹配，在确保处置合法合规的前提下，得到总体回款率及处置效率角度的分案策略帕累托最优解，实现各个处置机构/个人的比较优势。目前来看分案策略系统在催收分案实务中应用比较多，但其实正如上述分析，在个贷不良处置渠道丰富完善后，分案策略系统同样可以推而广之很好地应用到处置渠道分案实务中去。因此就技术应用的效率提升空间来说，相较于语音机器人、合规质检、坐席辅助、处置人员测评四个系统，分案策略系统更具有发展潜力。在云端使用各种人工智能学习算法来进行计算和预测，将清收处置系统中的债权标的数据和处置机构/个人数据作为输入，将分案结果、处置周期、回款率等作为输出，采用朴素贝叶斯、支持向量机、决策树和深度学习等算法去训练模型参数，从而构建一个分类或者预测模型。其中有关人工智能详细的原理可参考周华志教授编写的《机器学习》和伊恩·古德费洛教授编写的《深度学习》，这里不多赘述。在实现智能分案功能的时候，我们设计了一套分案算法。据我们了解，这套算法流程具有很强的独创性，其目的主要是想让分案变得更加合理化。具体来讲，人工智能的分案结果虽然针对性强，但是简单机械化的人工智能分案可能会出现这样一种情况，效率高的处置机构/个人分到了大量的案件，但是效率较低或者新加入的处置机构/个人只分到了较少的案件甚至无法获得任何案件。从简单效率（即不考虑处置机构/个人单位时间的承载能力）的角度来看，这种分案策略肯定是最优解，但是考虑到处置机构/个人在单位时间内承载能力的物理上限，这种分案并没有实现各个处置机构/个人的比较优势，所以分案算法要做的事情就是在既参考人工智能分案结果的同时，也保证分配的合理性，下面是该算法的核心概念和流程（简化版）。
3.6在传统对公不良领域，虽然估值工作具有相当技术含量，但是这种技术更多是依赖于（拟）收购方团队或个人专业的财务能力、尽调能力和实务经验,而非本文着重讨论的信息科技技术。况且在个贷不良领域中，目前看来以竞价方式转让的机构个贷不良资产中，（拟）收购方在竞价之前可以获得的不良资产信息是极为有限的，更谈不上“尽调”工作。即便以协议转让方式出让的非银金融机构个贷不良资产买卖双方之间也存在相当程度的信息不对称情况，这就意味着依靠（拟）收购方团队或者个人的专业能力或实务经验对拟出让标的进行估值并不十分可靠。而若通过拟转让不良资产信息之外的债务人信息数据进行对比分析，合法合规性上可能会有一定问题。这时就能凸显出人工智能独特的技术价值。大致步骤是，首先建立一个基础模型，然后可以完全脱离对历史数据的依赖通过当下拟出让不良资产数据在实务过程中的深度学习或机器学习将这个模型不断优化最终得到一个较为完美的模型，这正是人工智能的强项。人工智能的优势除了解决了数据合规性的问题外，还有一点就是即便达到了一个“可用”的模型，依然可以在实用过程中不断完善，提高估值精确度。另外，人工智能估值解决方案也可以在一定程度上解决不同出让方在竞价前公开的资产标的信息分类不尽相同进而影响估值模型稳定性的问题。由于个贷不良批量转让的“批量”属性较传统不良更为明显，所以（拟）出让资产的不确定性更大，因此（拟）出让方与（拟）收购方之间有猜疑实属客观正常情况也毋庸讳言。可以设想一种理论上的可行方案：设立一个独立可靠的第三方托管平台，在每次竞价前，出让方将拟出让资产的所有数据输出至托管平台，拟收购方则将自己的人工智能模型移植至第三方平台，并在第三方平台监管下进行离线测算，最终拟收购方只能带走测算结果和少量模型升级参数，拟出让资产信息及人工智能模型所有代码和数据均销毁。从宏观角度来看，总会有一天人工智能霸权会成为与量子霸权同级别的独占技术优势。换而言之，当今世界首先实现强人工智能的国家或组织，其技术优势在时间轴上积分的结果将是其整体科技实力爆炸式增长（技术爆炸）。而投射到个贷不良资产行业，如若任何一个机构或企业能够实现将人工智能与实体业务深度融合，将会把消费者剩余与生产者剩余悉数收割，其暴利程度将远超大众消费领域的“大数据杀熟”。总之，在第四次工业革命的洪流中，很多新兴行业产生或高速发展的同时，许多低效能行业也将被淘汰，但大部分行业应当是在两者之间，人工智能行业属于前者，个贷不良处置行业则属于后者。而随着国民总体教育水平和资本有机构成的不断提高，金融行业或者说个贷不良处置行业虽无消逝风险，但行业“内卷”是必然趋势。人工智能作为第四次工业革命核心技术之一，若能与个贷不良做更好的融合发展，能将后者由资本密集型行业跨入技术密集型行业，是帮助后者“抗内卷”的一剂良药，最终将整个行业、行业内企业及从业人员引导入高速发展、超高利润的快车道。
