雷鋒網(wǎng)按：11 月 6 日，京東舉行 JDD 京東金融全球數(shù)據(jù)探索者大會，在全球范圍內(nèi)尋求志同道合的伙伴共同探索大數(shù)據(jù)和人工智能在金融領(lǐng)域的最佳實踐 。其中，國際人工智能聯(lián)合會理事會主席、香港科技大學(xué)計算機(jī)科學(xué)及工程學(xué)系主任楊強(qiáng)作了演講，從學(xué)界角度探討了人工智能技術(shù)的商業(yè)化，以及人工智能在金融領(lǐng)域的應(yīng)用場景。

楊強(qiáng)認(rèn)為，算法應(yīng)用到實際場景中需要滿足三個方面的要求。第一，算法的閉環(huán)路徑要短。第二，反饋一定要是足夠高頻、高通量的反饋。第三，反饋效果一定要起到一個復(fù)合作用。

其次，他表示，技術(shù)風(fēng)口主要有基于圖像的學(xué)習(xí)和理解、自然語言理解、智能推薦、遷移學(xué)習(xí)四個方面。

而在技術(shù)革新和商業(yè)應(yīng)用的結(jié)合點(diǎn)，他特別指出金融行業(yè)是擁抱智能時代的領(lǐng)跑者。在金融里面有各種各樣的應(yīng)用場景，比如和用戶溝通的場景、金融安全、活體識別、人臉識別、聲音識別、行為識別等等。另外運(yùn)營、投顧方面都可以借助于人工智能大量加強(qiáng)提高效益。

今年的 JDD 賽事中也緊貼金融行業(yè)的應(yīng)用場景，主要包括登陸的行為識別，信貸需求預(yù)測以及店鋪銷量預(yù)測，豬臉識別。

以下為楊強(qiáng)演講內(nèi)容實錄，雷鋒網(wǎng)在不改變原意的基礎(chǔ)上進(jìn)行了編輯。

剛才我們聽到了幾位從不同方面給我們解讀了人工智能、金融、大數(shù)據(jù)方面的前景，我要講的是從另一個方面來看這個問題。

我是一個做學(xué)術(shù)的，同時我對商業(yè)也有著濃厚的興趣，所以我想從從學(xué)術(shù)的角度來探討一下商業(yè)的問題，我們會得到哪些新的發(fā)現(xiàn)？

人工智能成功的商業(yè)模式

首先來看一下 AlphaGo 的成功能夠引起了很大振動，我們從中能學(xué)到什么，對商業(yè)方向有哪些指導(dǎo)。

AlphaGo 本身是幾種算法的結(jié)合，包括深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)，算法和環(huán)境有一個有機(jī)連接，那么環(huán)境不斷給算法提供反饋。深度學(xué)習(xí)既能告訴你當(dāng)前狀態(tài)，又能為未來行為提供一個指導(dǎo)。

這樣一個算法是不是可以應(yīng)用到實際當(dāng)中去呢？

第一，閉環(huán)路徑要短。商業(yè)路徑也好、算法路徑也好，它的中間最好不要有過多環(huán)節(jié)，比方說從用戶到得到反饋，到反饋到AI的算法得到補(bǔ)充，最后再返回到應(yīng)用，這個閉環(huán)要足夠短。

第二，反饋一定要是足夠高頻、高通量的反饋，不斷得到反饋，系統(tǒng)得到刺激，這樣智能才能夠成長。

第三，也是大家過去比較忽略的，反饋效果一定要起到一個復(fù)合作用。我們在經(jīng)濟(jì)上經(jīng)常講復(fù)合收益，在人工智能上這一點(diǎn)也是非常重要的。也就是說，這一輪的反饋對系統(tǒng)增益要持續(xù)進(jìn)行，就會有一個指數(shù)型收益上升。

我們再看看周邊實際遇到的問題，是不是有很多類似場景滿足這樣的需求呢？

我們回顧一下人工智能的里程碑。1997 年，我們有深藍(lán)，然后 2011 年的時候我們有 IBM Watson，最近我們又有了 AlphaGo，無人車，包括最近有了德州撲克，這些都是我們引以為豪的人工智能。

在這些里程碑的成功背后是不是路徑閉環(huán)足夠短，反饋足夠頻繁？另外，復(fù)合作用是非常明顯的，系統(tǒng)在不斷改進(jìn)自己，智能在提升。

再看一下周邊工作，我就有一個想法：人工智能在現(xiàn)階段的應(yīng)用并不是在所有領(lǐng)域都會取得成功，我們一定要非常仔細(xì)挑選在哪些領(lǐng)域人工智能比較容易得到成功，在哪些領(lǐng)域還要等一等。

所以，下面就來看一下技術(shù)和商業(yè)這兩方面到底哪些是我們現(xiàn)在可以得到效益的風(fēng)口。

首先是技術(shù)風(fēng)口。人類的知識獲得 70% 以上都是通過視覺的，深度學(xué)習(xí)的發(fā)展肯定對人工智能應(yīng)用、對人工智能技術(shù)而言一定是持續(xù)發(fā)展的。比如，用更好的深度學(xué)習(xí)、可解釋的深度學(xué)習(xí)，包括理解物體之間的關(guān)系，以及通過一個視頻可以理解里面的一些人類能理解的摘要，把它給取出來，為人類和計算機(jī)的模型進(jìn)行溝通。

自然語言緊隨其后。包括文本閱讀、理解、產(chǎn)生、問答、分析等等，現(xiàn)在深度學(xué)習(xí)都帶來了非常大的提高。但是，這個提高還是要隨著算法的提升有待進(jìn)一步提高，從而在在使用當(dāng)中能夠產(chǎn)生更大的效益。

另一個是智能推薦。在電商的網(wǎng)上購物等等都有，但推薦的一個重大問題是我們很容易陷入一個所謂的深坑，也就是在機(jī)器學(xué)習(xí)技術(shù)上所說的過擬合：當(dāng)我們點(diǎn)擊了一個在手機(jī)上的新聞，我們會得到好多類似的新聞，而不會顧及我們對其他（新聞）的興趣。

怎么樣解決這些問題呢？這就是技術(shù)革新所期待的，我們也在不斷做新的研究。

還有一個就是我個人研究的遷移學(xué)習(xí)。人類很自然就會使用遷移學(xué)習(xí)，比方說我們在一個領(lǐng)域很專業(yè)，怎么把這個知識遷移到另一個領(lǐng)域，能不能讓計算機(jī)也有這個能力？有很多專家認(rèn)為這就是人工智能機(jī)器學(xué)習(xí)的下一個熱點(diǎn)。

遷移學(xué)習(xí)也會帶來很多技術(shù)革新。比如我們可以在一些小數(shù)據(jù)上面應(yīng)用大數(shù)據(jù)得到的結(jié)果，在一個領(lǐng)域得到一個非常好的模型，可以把它遷移到周邊一些小數(shù)據(jù)模型，這個也是人類學(xué)習(xí)的一個有效模式。

遷移學(xué)習(xí)也可以使得模型的可靠性得到加強(qiáng)。一個模型產(chǎn)生了，我們可以讓它在不同場合都適用，這個模型就更加可靠。

再有越來越多的個性化需求，在場景當(dāng)中經(jīng)常聽到這樣的名詞，千人千面，這樣一個場景可以用遷移學(xué)習(xí)實現(xiàn)。比如如果在云端得到一個通用的模型，可以把它適配到各個終端，使它在不同的終端就有不同模型體現(xiàn)，這樣就實現(xiàn)一個個性化。

它帶來的另外一個好處就是遷移學(xué)習(xí)可以解決隱私問題，每一個終端用戶都不必把他的個性化數(shù)據(jù)上傳到云端就可以得到它的結(jié)果。

遷移學(xué)習(xí)不一定是一步到位，從一個模型遷移到一個場景，我們可以通過一系列場景把一個模型遷移到不同的更廣泛范圍，比方說一個手段就是用深度學(xué)習(xí)來做遷移學(xué)習(xí)，這也是我最近一個研究方向。

一個實際應(yīng)用是最近斯坦福大學(xué)和聯(lián)合國共同做了一個應(yīng)用，利用衛(wèi)星圖片分析非洲大陸不同地區(qū)的貧困程度。利用這種所謂傳遞式遷移學(xué)習(xí)，就大量節(jié)省了人力。過去是要派一些觀察員到本地去做各種積累、各種調(diào)查，現(xiàn)在就用衛(wèi)星圖片把白天和晚上的地球圖象加以比對，最后訓(xùn)練出一個模型，大大節(jié)省了人力。

這里我們看到這些技術(shù)可能的革新，這些技術(shù)革新和商業(yè)應(yīng)用方向有哪些是最契合的？這里我要特別提金融方向。我們之前提過，一個是閉環(huán)的路徑要短，一個是溝通要高頻，最后要有復(fù)合效應(yīng)產(chǎn)生，很快讓模型能夠變得壯大。

人工智能在金融中的應(yīng)用

金融就是這樣一個領(lǐng)域。我不用多說大家也明白，在金融里面有各種各樣的場景，和用戶溝通的場景、金融安全、活體識別、人臉識別、聲音識別、行為識別等等。在后端，可以對用戶整個風(fēng)險進(jìn)行分析，是不是應(yīng)該借貸。做一筆投資，在這筆投資之前要進(jìn)行風(fēng)險分析，現(xiàn)在基于大數(shù)據(jù)和人工智能可以自動產(chǎn)生這樣的分析，像個人和企業(yè)征信。

另外運(yùn)營、投顧方面都可以借助于人工智能大量加強(qiáng)提高效益。經(jīng)濟(jì)本身就是一個不斷提高效益的過程?，F(xiàn)在人工智能又為經(jīng)濟(jì)效益的提升提供了一個強(qiáng)大動力。剛剛講的風(fēng)險管理這里面又分監(jiān)控、識別、評估和干預(yù)，每一個方面都可以有大量的人工智能參與。

一個很有趣的例子是從京東金融本身實踐得來的，就是人工智能可以幫助養(yǎng)雞，是一個非常有趣的應(yīng)用。

過去一個養(yǎng)殖戶用 12 塊錢養(yǎng)一只雞，需要提前貸款，貸一筆很大的款放在那兒，這個時候就產(chǎn)生了很大利息支出，這對養(yǎng)雞戶是一筆很大的費(fèi)用。但是在雞成長過程中，小雞不需要吃那么多飼料，只有長大的時候才吃。不同的雞對不同飼料需求也不一樣。

當(dāng)我們能夠掌握這個過程的時候，我們就可以把放貸變得因地制宜，在一開始養(yǎng)雞戶不需要借這么多錢，過去逐次增加。所以如果我們能夠做到按日計息就可以做到這一點(diǎn)，就能夠大大提升效率。現(xiàn)在京東金融可以做到 6 分錢就養(yǎng)一只雞，用人工智能算法來做分析。

同時，我剛剛提到推薦系統(tǒng)，大規(guī)模機(jī)器學(xué)習(xí)系統(tǒng)當(dāng)前共有的一個問題是過擬合，這是為什么呢？這是因為在技術(shù)上，它沒有照顧到兩個需求，一個是準(zhǔn)確性需求，一個是多樣性需求。

現(xiàn)在我們在研一個強(qiáng)化學(xué)習(xí)模型，能夠把兩個需求全部照顧到，這個名詞叫遷移的匪徒模型。用這個模型既照顧到準(zhǔn)確率，又照顧到多樣性，就把過擬合的問題徹底解決。

最后，我要說一下 JDD 背后是一個大賽，同時在中美兩邊進(jìn)行。在學(xué)術(shù)界大家都聽說過KDD即數(shù)據(jù)挖掘和知識發(fā)現(xiàn)，這樣的大會已經(jīng)有 20 多年的歷史，而且每一年都有一個大賽，就是由工業(yè)界出題，也變成了我們發(fā)現(xiàn)一些優(yōu)秀團(tuán)隊的一個方式。

今年的 JDD 也采用了這樣一個在金融方面的機(jī)會。今年的機(jī)會來自三個方面，都是緊貼著金融應(yīng)用。

一是登陸的行為識別。要發(fā)現(xiàn)有沒有可能是欺詐行為，這里面需要深度學(xué)習(xí)，需要了解一些金融知識，所以需要兩方面知識。這也是 JDD 大賽的一個特點(diǎn)，我們不僅要技術(shù)上的革新，同時也需要這些參賽隊伍能寫出一個商業(yè)計劃，能把商業(yè)場景想清楚。

二是金融界非常關(guān)鍵的一個需求，就是信貸需求預(yù)測，還有店鋪銷量預(yù)測。

還有一個非常有趣的識別——豬臉識別，不是人臉識別。

豬臉識別是需要做什么呢？首先我們可以獲取到大量數(shù)據(jù)，而不用擔(dān)心隱私問題，我們想豬可能不太關(guān)心隱私，同時又是一個活體識別問題。

這確確實實背后有一個商業(yè)場景問題，可以設(shè)想一下，假如有學(xué)生參加這個比賽，一個場景就是它可以幫助養(yǎng)豬戶鑒別不同的豬在養(yǎng)殖過程中的各種活動，這個豬是不是活躍，它是不是散養(yǎng)的或者它還是一只非常不愛動的豬，由此對健康就可以作決策，對保險就可以作預(yù)測。

另外消費(fèi)者可能也會有挑選，有人可能喜歡不同的豬肉，可能對豬的鑒別就有個性化需求。所以這既有深度學(xué)習(xí)應(yīng)用，又有商業(yè)應(yīng)用，是非常有趣的一個題目。

我們很期待這樣一個學(xué)術(shù)界和金融界的結(jié)合。

*雷鋒網(wǎng)整理

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。