任务：基于知识图谱在金融领域的应用，在国内开展一项新业务，目标是建立企业级人工智能产品与服务平台，并每年产生***人民币的收益。
思考1:
1.什么业务？
2.消费者需求和企业需求之间有什么区别？
理论依据：
一项新业务通常源于文化失衡或夸大（信息不对称）——某样东西太多或太少——这意味着，在社会上，这样东西不是缺失了，就是受阻了。
思考2:
1.在遇到危机时，这个群体（企业/个人）会不会联合起来？
知识图谱的那些点：
中国知识图谱行业研究报告
1.人工智能本质是解决生产力升级的问题，人类生产力可以归类为知识生产力和劳动生产力，人工智能走入产业后，可以分为感知智能、认知智能和行为智能，后两者更与生产力相对应，NLP和知识图谱是发展认知智能的基础。
2.原始数据通过知识抽取或数据整合的方式转换为三元组形式，然后三元组数据再经过实体对齐，加入数据模型，形成标准的知识表示，过程中如产生新的关系组合，通过知识推理形成新的知识形态，与原有知识共同经过质量评估，完成知识融合，最终形成完整形态上的知识图谱。
3.在面对数据多样、复杂，孤岛化，且单一数据价值不高的应用场景时，存在关系深度搜索、规范业务流程、规则和经验性预测等需求，使用知识图谱解决方案将带来最佳的应用价值。
4.2019年涵盖大数据分析预测、领域知识图谱及NLP应用的大数据智能市场规模约为106.6亿元，预计2023年将突破300亿元，年复合增长率为30.8%，其中2019年市场中以金融领域和公安领域应用份额占比最大。
5.随着整体市场数据基础的完善和需求唤醒，大数据智能领域规模持续走高，但在行业可落地性和理性建设的限制下，预计市场增速将呈现下降趋势，期间咨询性需求将会大量出现，从整体发展来看增速处于良性区间，对真正有价值的公司和产品有正向意义。
知识图谱的应用价值
1.对多源异构数据和多维复杂关系的处理与可视化展示：
将人类社会生活与生产活动中难以用数学模型直接表示的关联属性，利用语义网络和专业领域知识进行组织存储，形成一张以关
系为纽带的数据网络，通过对关系的挖掘与分析，能够找到隐藏在行为之下的利益链条和价值链条，并进行直观的图例展示。
2.图神经网络支撑深度学习算法应用：
随着关系向量法深入研究，图神经网络将走向产业应用，届时依托于行业知识与经验的深度学习将产生更多贴近产业核心的认知
智能应用，人工智能技术将跟进一步实现解放生产力的终极目标。
知识图谱市场商业逻辑分析
原图应用解决查询类问题，算法支撑造就智能化解决方案
知识图谱在各领域中的应用概览
数据繁杂、单一价值有限、问题抽象需要可视化展现、五层关联维度以上的应用场景更加适合搭建知识图谱
中国知识图谱市场产业链
中国大数据智能行业市场规模和结构
2019年市场规模约为106.6亿元，金融和公安领域占比最大
知识图谱应用——金融领域
知识图谱与机器学习相结合的智能风控方案是主流趋势
在金融领域中无论是传统金融或是互联网金融，信用评估、反欺诈和风险控制都是最为关键的环节，随着近些年金融数据
的爆发式增长，传统风控系统逐渐力有不逮，而应用机器学习算法和知识图谱的智能风控系统在风险识别能力和大规模运
算方面具有突出优势，逐渐成为金融领域风控反欺诈的主要手段。机器学习和知识图谱相结合是目前主流的解决方案，其
中机器学习算法通过概率计算的方式，以数学运算特征反应风险情况，形成易于机器计算的风控模型；而知识图谱通过权
威经验和规则创建本体模型和抽取实体的范围，根据实体间关系形成关联数据网的图谱形式，描画囊括个人基础信息、金
融行为、社交网络行为等用户综合画像，根据画像情况和模型对应，形成具有金融业务特性的风控体系，在解决方案的决
策环节结合规则和概率的综合评价，给出最终的风险评估，整个过程能够实现秒级响应。知识图谱的应用不仅能够为缺乏
可解释性的机器学习算法带来必要的参考系，还可以串联金融业务中产生的大量多源异构数据形成数据中台，挖掘数据深
层价值，为实现精准营销、投资关系梳理、产业链风险预警、智能催收等上层应用打下基础。
通过对大量多源异构金融数据的知识化整合形成中台式支撑
知识图谱在金融领域主要解决的问题是对多源异构数据的知识化整合。金融行业拥有海量包含各行业的数据信息，这些信
息又以文字、表格、图形等形式存储在大量文档中，格式非标准统一且呈碎片化存在，而可用于风控反欺诈、信用评估、
营销推荐、产业链分析等应用服务的数据又往往隐藏在多层关联下的细微处，因此采用集自然语言理解技术，处理非标数
据，和多维多层级关系挖掘技术，展现数据关联性于一体的知识图谱应用，成为了金融领域较好的中台支撑形式。以场景
最丰富、量级最大的银行业务为例，针对传统技术和手段难以实现的需求，明略科技为某全国股份制银行全行近十年的全
量数据构建了包括“企业、个人、机构、账户、交易以及行为数据”在内，规模达十亿节点百亿边的知识图谱数据库，通
过知识图谱平台建设来帮助该银行风控体系建立了完整的客户关系网及资金流转全貌，支持了该行非现场审计、系统性风
险管控、精准营销等多项应用的研发和实施。
反欺诈的那些点：
1.产业互联网时代，金融黑产正在成为金融安全的重要威胁。据统计，黑产军团从业人数超过百万，他们手头有2千多万个手机号码，流窜在各大互联网平台，专营漏洞，一单“生意”，少则几万，多则上千万，分秒间吸干一家平台.
2.羊毛党、黄牛党、打码党、金融欺诈党、小程序网赚党，被称为“黑产五毒”。随着技术的更新，黑产诈骗手法迭代速度惊人。从初期通过手机墙模拟器进行操作；到使用手机端的轨道程序操作；再到网络众包模式，给参与者以相应奖励，通过真人操作，完整地绕过现存的安全逻辑，其集团化、产业化、智能化趋势显著，躲避企业风控技术及手段的策略也日益清晰。
3. 相比维度单一、效率低下且范围受限的传统反欺诈技术，AI算法在既有海量数据中延伸关系网络数据价值，深度挖掘客户信息并提炼有效数据构建预测模型，将借款人的日常生活行为、生活轨迹、社交关系等多维度信息整合进结构化的关系网络中，发掘该申请人是否与黑灰名单具有关联性，从而判断风险。
4.技术的发展让金融风控充满机遇与挑战。一方面，新技术的应用让黑产的手段更加高明；另一方面，金融反欺诈也能够利用新技术更加精准快速。
5.线上金融诈骗主要有以下八大类别，且呈现出专业化、流程化、移动化、组织化等特点.
6.据相关数据显示,中国每年因信用缺失而导致的经济损失高达6000亿。2017年,中国网络犯罪损失经济超4000亿。截止2018年,中国个人信息泄露造成的经济损失超900亿。
7.站在社会的角度而言,当社会信用体系只成为摆设的工具,那么无论是企业还是消费者都不会遵守社会道德,一切都只是为了利益,哪怕是以违法手段。长此以往,市场经济秩序就会被破坏,国家税收、GDP等都会受到严重损失。只有建设完善的社会信用体系,并以严格的法律制度约束规范,这样方能保证社会秩序的稳定。
站在企业的角度而言,企业不仅仅应当自身遵守社会信用体系,不以泄露用户个人信息、偷税漏税等行为来获取利润。同时,企业应当具备能识别防御那些具有欺诈行为的用户、犯罪集团,这样才能让企业平稳运行。
金融领域同类型平台的那些点：
