探討科技如何輔助金融創新監理是熱門的議題，主要包括Regtech（法遵科技）、Suptech（監理科技）或LegalTech（法律科技）的解決方案，目前國際上熱烈討論的人工智慧要如何應用在這三層面。簡言之，就是利用人工智慧，將要處理或管控的問題，透過「機器學習」（Machine learning）轉化，並使用大量資料和演算法提升電腦能力，產出所需結果及決策模式。
在形成過程中，首先須先準備二項工作：一是準備投入已知或歷史資料測試，其次將資料進行演算法運算，對照誤差值來調整，然後找出一個最能完整描述解決問題或行為的方法。再配合大幅提升的電腦硬體運算效能，產生強大解決問題或行為判讀，甚至高度決策或預測能力，是近代人工智慧運用的核心技術。
人工智慧實際應用最重要的有三大關鍵，第一是資料，第二是演算法，第三是判讀。近年因為有非結構化的大數據提供訓練資料，加上深度學習演算法高速運算的加持，人工智慧應用層面及價值突飛猛進，這些都是過去所沒有的技術環境，愈高階的機器學習，要學會一個策略所需要耗費的訓練資料數量及類型，超乎想像的多，但如果沒有這些大數據投入訓練，機器學習研判能力及效益就會大打折扣，這是人工智慧運用在金融監理科技上的限制：訓練資料的缺乏，導致運用效率偏低甚至造成系統偏誤。
值得注意的是，由於許多金融法遵情境需要靠經驗判斷，如程式設計者對金融業業務、內部控制及法規實務運作及情境案例的了解程度，可能較不直接，或設計邏輯思維有差異，演算法會產生偏誤或低決策效能，連帶使管理者對機器學習分析決策結果，會產生誤判，此外，駭客入侵演算法的問題，也一直還是存在。未來Regtech主要應用在金融業中後台業務、內控三道防線報告、公司治理、個資辨識保護、交易控管、風險評估及法遵報告等重點項目，有三大應用主軸，第一是法遵（compliance），第二是辨識（identification） ，第三是報告（reporting）。分別有以下的建議：
一、機器學習可處理複雜的大量資料，金融業可以透過建立KYC、反洗錢黑名單、客戶個資盤點、生物辨識、異常交易情境資料累積包括語音、圖形、生物辨識、文字、數字等非結構性資料大數據，例如歐盟個資保護規範GDPR對個資定義及處理方式規定嚴格，歐盟客戶個資外洩規定必須在72小時回報監理機關，這對金融業是很大壓力，運用深度學習大量盤點分析個資大數據即時掌握狀況，迅速辨識及時回報才能掌握法遵要求避免受罰。
二、近期人工智慧有結合AlphaGo核心技術的強化學習等熱門領域應用，雖然運用在金融業效益還待探索，但由於具神經網路情緒決策，及訓練個體在懲罰或獎勵的環境下，逐步形成獲得最大利益的預期，未來適用於監理機關研擬新種法規，對業者利弊得失的模擬評估的技術開發值得期待。
三、深度學習中的CNN/RNN演算法具有強大影像辨識、文字語言影圖片判讀，以及自然語言（Natural Language）辨識及生成功能，金融業運用雲端大數據運算及GPU 處理進行深度學習，開發法遵科技，可以降低建置成本增加執行效益。
最後要提醒的是，人工智慧設計上仍有程度上的差別，在解決金融監理還有很多困難要克服，金融業法規環境高度專業，如果過度強調演算法技術甚至凌駕於金融法遵專業經驗之上，恐怕反會造成法遵及監理的科技風險，金融監理對人工智慧的運用仍要有所拿捏。（作者是台灣金融研訓院金融研究所所長）