提及香港的业务发展，执行董事林俊雄表示，市场上不缺商机，公司在香港上市其中一个目标是要加快往外发展速度，并在人力资源准备更充分后，会继续往这个方向走。
2019年11月28日，索信达控股召开公开发售新闻发布会上，有记者对其与港大的AI技术研究合作提问，以下是提问内容：
Q：索信达控股和香港大学合作，研发一些人工智能、大数据技术在金融领域的应用，可以简单介绍一下合作的内容及目前的进展吗？
曹新建（AI部总经理）：索信达跟香港大学合作目前主要集中在人工智能相关技术的前沿研究，以及这些前沿技术研究在金融领域的应用落地。
举一个具体例子，现在市场上使用的人工智能技术及模型，普遍是“黑匣子”技术，准确率很高、预测效果很好，但不可解释，一经出现问题难以寻觅根源。如果你是一家银行机构，针对信用卡交易诈骗检测，现在有一个可信度90%，但无法解释的“黑盒”模型，和一个可信度80%，但可解释的机器学习模型摆在你面前，你会选择哪一个？银行经营的本质就是对风险的承担与管理，我们的银行客户总是希望能知道并理解你提供的这个技术和模型的来龙去脉，使用起来是有依据的，出现问题也能及时找到根源。作为数据科学家和机器学习工作者，可解释性对于模型的验证和改进有着十分积极的意义。我们目前正在和港大合作落地的可解释机器学习项目，简单来说，就是采用一种更简化、预测精度高的新型可解释神经网络模型在银行精准营销、反欺诈的一些业务应用，帮助银行创造更大的业务价值。
此股2018年底从新三板退市，于2019年3月在香港交易所主板申请上市，市值6.6亿，市盈率25.11倍，相对于软件服务板块属于中等，19年至今软件服务类新股共上市12只，破发仅1只上市首日破发。该股无绿鞋、无基石。此次上市计划筹得款项35%将用于进一步发展金融人工智能实验室、展示中心及办公室设施。宋洪涛表示，公司未来会加大研发投入，增加资源投入在研发环境、底层技术储备。
提及香港的业务发展，执行董事林俊雄表示，市场上不缺商机，公司在香港上市其中一个目标是要加快往外发展速度，并在人力资源准备更充分后，会继续往这个方向走。
据悉，索信达控股有限公司是中国大数据及人工智能行业的市场业者，于2004年成立，总部位于深圳。索信达控股主要为国内顶尖银行及企业提供大数据及人工智能解决方案和产品服务， 2016年至2018年公司营收为（1.70亿~1.85亿元），年复合增长率为2.94%，净溢利分别为（1352.9万~2761.8万），年复合增长率为26.83%。服务覆盖中国55.6%的国有银行及股份合资商业银行，数据解决方案三年复合增长率71.1%
根据索信达招股书显示， 人工智能是应用先进分析及逻辑为本的技术，实践与人类思维相关的认知功能，例如学习、推理、与环境互动及解决问题。人工智能主要包括四项核心技术，即计算机视觉、知识图谱、机器学习及自然语言处理。人工智能可应用于智能搜索、机器人、语言及影像理解、基因编程及其他应用范围。
索信达控股表示其有三项核心人工智能技术，即（i）机器学习；（ii）自然语言处理；及（iii）知识图谱。
机器学习
机器学习是自动建立分析模型的数据分析方法，为人工智能的分支之一，其基础概念是系统可在最少的人类干预下从数据学习、识别模式及作出决定。其可大致分类为：（i）监督式学习；（ii）非监督式学习；及（iii）集成学习。一如大多数实际应用，索信达控股的分析解决方案使用监督式学习进行分析。监督式学习的结果为已知。使用大量数据及算法训练模式，直至其表现达到可接纳水平。一般而言，其用于分类（将输入配对至输出标签）或回归（将输入配对至连续输出）。索信达控股使用的人工智能算法包括关联规则学习、朴素贝叶斯、人工神经网络及决策树。举例而言，精准营销解决方案使用机械学习技术协助客户决定最合适的销售渠道组合。
自然语言处理
其集中于让计算机仿效人类理解文义、词组、句子及生成语法的方式，以分析、了解人类语言及理解其含义。机械学习技术进步带动了自然语言处理的发展，使预测及分析更加准确。利用自然语言处理，我们可组织及构造知识以履行多项工作，例如自动摘要、关系提取、情绪分析、语音识别及主题归类。于分析解决方案中应用自然语言处理算法以提供上下文分析。索信达控股使用该等人工智能算法从非结构性数据提取结构，使其可有效处理及分析。索信达控股的自然语言处理算法旨在理解及分析人类语言及其于不同情境的应用，能够从影音数据流及其他数码内容转化而成的大量文字中提取有用的数据。举例而言，客户之声解决方案应用自然语言处理算法转化非 结构化客户数据为有用的业务决策见解。
知识图谱
知识图谱描述真实世界实体及彼等的相互关系并组成图谱。知识图谱类似一个关于特定领域或组织的所有事物的网络。机械学习及自然语言处理偏重程序自动化，而知识图谱则专注决策。知识图谱将不同数据来源的知识结合至知识库中，并透过本体发掘实体之间的关系。其于分析解决方案中应用知识图谱以发现大量结构性及非结构性数据中的关系，并将有关见解转化为商业行动。举例而言，风险管理解决方案利用知识图谱组织及联系个人数据、传统信贷数据及外部第三方数据，以厘定所提供的数据的真确性以及出现虚假应用的可能性。
