數(shù)以千計的業(yè)務(wù)細(xì)分市場可以從人工智能(AI)中受益，但也許不外乎住宅抵押處理?，F(xiàn)在這幾乎總是一個緩慢的過程，但是大多數(shù)申請抵押的人都希望這個過程要快得多。它是高度信息密集型的，信息來自多種來源：銀行，雇主，房地產(chǎn)經(jīng)紀(jì)人，評估師等。所涉及的費用很高，因此既有錢投資于改進(jìn)，又有制造事物的需要更便宜

因此，當(dāng)我聽說位于波士頓附近的AI Foundry公司在利用AI實現(xiàn)抵押流程自動化方面走得很遠(yuǎn)時，我并不感到驚訝。自2015年以來，連續(xù)的技術(shù)企業(yè)家史蒂夫·巴特勒(Steve Butler)一直致力于解決這一問題。抵押處理是一個文檔豐富的過程，幸運的是，人工智能擅長從文檔中提取信息。但是抵押涉及數(shù)千種不同類型的文檔，并且它們具有多種媒體和格式-紙張，傳真，電子等。

幾年前，巴特勒(Butler)和他的同事們決定，深度學(xué)習(xí)模型可能是從文檔提取信息時提高準(zhǔn)確性的關(guān)鍵。他們確定自己對這個假設(shè)是正確的，但是訓(xùn)練所有模型只是一個口號。到目前為止，他們可以從300種類型的文檔中識別和提取信息，包括貸款估算，結(jié)算成本披露，W-2和評估，但是Butler希望至少達(dá)到600種。每種類型的模型訓(xùn)練都需要大量的信息。 AI Foundry從其客戶那里獲得的匿名，策展和標(biāo)簽數(shù)據(jù)。他們有幾十萬個培訓(xùn)數(shù)據(jù)文檔，但是要掌握其他文檔類型，還需要更多。

抵押決策的工作流程和分析

深度學(xué)習(xí)模型主要是從文檔中提取數(shù)千個數(shù)據(jù)元素，但是抵押流程的其他方面則更加面向工作流。收到文件后，必須對其進(jìn)行識別，標(biāo)記為已接收，檢查其簽名，進(jìn)行多次合規(guī)性和質(zhì)量檢查，然后輸入抵押公司的貸款發(fā)起系統(tǒng)。機(jī)器人流程自動化(RPA)系統(tǒng)非常適合此類工作，它是工作流引擎和多個信息系統(tǒng)的非人工用戶的結(jié)合?；诖蠖鄶?shù)商業(yè)RPA系統(tǒng)都面臨的挑戰(zhàn)的數(shù)據(jù)，有許多偶然分支，因此AI Foundry開發(fā)了自己的RPA功能(以及與其他RPA系統(tǒng)的接口)。該公司已經(jīng)開發(fā)了貸款處理機(jī)器人，

平均而言，今天處理和批準(zhǔn)抵押貸款需要40天，而幾年前的47天略有改善。每個抵押貸款的平均成本約為9000美元，其中大約一半來自后臺人工成本。AI Foundry的Butler認(rèn)為，他們可以在至少1-2周內(nèi)處理抵押貸款，費用是抵押銀行后臺成本的10%。對于提供抵押的銀行來說，這是一個無風(fēng)險的提議。他們通過貸款支付給AI Foundry。由于抵押貸款需求是周期性的，因此他們不想在不需要的時候讓人們呆在身邊。