雷鋒網(wǎng)消息，7月7日～9日，由 CCF 主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦的第二屆 CCF-GAIR 全球人工智能與機器人峰會在深圳舉行。在第二天的金融科技專場中，智融集團CTO齊鵬帶來了主題為《AI+金融的實踐與想象》的演講。齊鵬曾任職百度網(wǎng)頁搜索部技術(shù)經(jīng)理、高德事業(yè)部副總，如今是智融集團CTO。

以下是雷鋒網(wǎng)整理的其演講全文：

二問“人工智能是什么？”

人工智能是什么？每個人都有自己的理解。今天的金融專場有金融專家，也有人工智能專家，所以我們從最簡單的例子講起，比如如何識別一只貓？傳統(tǒng)上，要識別一只貓，需要人定義規(guī)則，繼而機器去實現(xiàn)。在這個過程中，我們可能需要貓的輪廓、紋理、顏色等特征，從這些特征中找到規(guī)則，以實現(xiàn)自動化圖像識別。但貓的耳朵可能會藏起來，可能會背對著你，在這種情況下，就識別不了了。

人工智能出現(xiàn)后，我們有了新的技術(shù)手段。人工智能處理問題的過程，相當(dāng)于我們對一個問題進行數(shù)學(xué)描述，繼而機器幫我們找到對應(yīng)顯著特征，找到能夠證明一張圖片上是否有一只貓的顯著依據(jù)。

人工智能改變了人和計算機的交互方式，首先，我們要明確解決的問題是什么、問題的復(fù)雜度，找到復(fù)雜問題的描述，針對這個數(shù)學(xué)描述，基于大數(shù)據(jù)，明確描述的函數(shù)。其中，有一些理論方法通過反復(fù)迭代和具體調(diào)參，可以明確用什么樣的函數(shù)來描述這些問題。所謂函數(shù)，在人工智能中對應(yīng)的不同模型，可能是深度學(xué)習(xí)模型，其實就是一個神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)中的不同連接方式?jīng)Q定了對復(fù)雜問題的解決程度。比如我用了線性模型，其次決定能解決什么復(fù)雜程度的問題，之后決定用什么樣的數(shù)學(xué)函數(shù)描述這個的問題。 

人工智能到底是什么呢？

首先要知道這個問題是什么？而這個問題在客觀世界是通過數(shù)據(jù)表達的。數(shù)據(jù)分為2部分，一是特征，一是樣本。這兩部分數(shù)據(jù)決定了我們對現(xiàn)實世界認識的上限，但這個上限永遠沒有辦法突破。所謂人工智能，就是找到一個函數(shù)來描述這個問題，描述的過程即是擬合，基于樣本數(shù)據(jù)進行預(yù)測，那么，如何保證預(yù)測有效呢？明確問題是同類型問題，而隨著樣本擴大，局部世界的抽樣會越來越逼近現(xiàn)實世界，數(shù)據(jù)預(yù)測也會越來越有效。

其次，考慮場景是什么？在中國，金融是少數(shù)人的金融，有一些現(xiàn)代的方法可以預(yù)測金融風(fēng)險，要首先是確認數(shù)據(jù)夠全、夠多、數(shù)據(jù)覆蓋準(zhǔn)確度高。但中國大多數(shù)企業(yè)并沒有這樣的數(shù)據(jù)，隨著移動互聯(lián)網(wǎng)出現(xiàn)，越來越多的人才把自己的數(shù)字信號、數(shù)字痕跡呈現(xiàn)在網(wǎng)上。所以，我們可以做的事情就是基于人的一些描述信息，評價其對個人的金融風(fēng)險有何佐證。這意味著，我們與傳統(tǒng)金融機構(gòu)處理的數(shù)據(jù)量不一樣，數(shù)據(jù)產(chǎn)生的價值也不一樣。傳統(tǒng)金融的數(shù)據(jù)是基于邏輯篩選的數(shù)據(jù)，那些擁有弱特征數(shù)據(jù)的人群是傳統(tǒng)金融所不能服務(wù)的，而我們能從弱特征的數(shù)據(jù)中找到依據(jù)。

總而言之，我們做的事情就是：從某個人在移動互聯(lián)網(wǎng)上的數(shù)據(jù)信號中，找出能佐證這個人金融風(fēng)險的不同依據(jù)，從而對這個人做相應(yīng)的風(fēng)險定價，決定這個人群是不是值得被服務(wù)的。這一過程需要做很多事情，包括選擇哪些學(xué)習(xí)對象作為數(shù)據(jù)依據(jù)、基于什么目標(biāo)判斷結(jié)果是否符合預(yù)期。一個說的是樣本，一個說的是特征。對于樣本來說，這些數(shù)據(jù)決定了當(dāng)下對這個問題的理解程度。而通過機器學(xué)習(xí)方法能無限逼近問題理解的上限。

機器學(xué)習(xí)又涵蓋不同的技術(shù)選型，包括深度學(xué)習(xí)、線性學(xué)習(xí)方法、非線性學(xué)習(xí)方法；監(jiān)督性學(xué)習(xí)、非監(jiān)督性學(xué)習(xí)和半監(jiān)督學(xué)習(xí)，這些算法能幫我們對一個人進行不同維度的風(fēng)險定價和規(guī)劃。但真正能夠通過規(guī)則去定義的，仍是冰山一角，而廣泛的數(shù)據(jù)能夠帶給我們更多有價值的信息。

金融領(lǐng)域如何找“貓”？

人工智能發(fā)展很快，影響了我們生活的方方面面，搜索、新聞推薦、購物等各種生活場景下都有用到。這些技術(shù)深深影響了我們的生活，就像開車一樣，我們不需要造車，但如何開車需要了解，那么在金融領(lǐng)域，人工智能能幫助我們解決什么問題呢？

人工智能的核心是：第一如何識別并找到學(xué)習(xí)依據(jù)；第二如何支撐所有的依據(jù)，這需要具備強大的計算能力；第三，數(shù)據(jù)告訴我問題的上限在哪里，我如何逼近上限，并且可以預(yù)測未來的情況。

所以，我們主要做了三方面的工作。

柯南特征工程

• 第一，把原始數(shù)據(jù)加工成機器可以理解的數(shù)據(jù)過程。好比我有一個發(fā)動機，但發(fā)動機的類型不一樣，其啟動場景不一樣，同時，不同場景下對發(fā)動機的續(xù)航能力要求不一樣，能源消耗要求不一樣，啟動速度要求不一樣，意味著在不同的場景下需要找到能夠解決不同問題的有效辦法。

• 第二，從另一個角度看，特征工程是不斷挖掘數(shù)據(jù)價值的過程。在這個過程中，要考慮不同的方法。如何對原始數(shù)據(jù)進行覆蓋、清洗、彌補；如何找到異常值；如何在模型應(yīng)用的時候保證應(yīng)變量的調(diào)優(yōu)以及如何做智能降位確保模型的量化能力。

  經(jīng)過24個月的迭代，我們的產(chǎn)品已經(jīng)能夠挖掘出1200多個基礎(chǔ)維度特征，這可作為判斷依據(jù)，幫助我們盡可能刻畫一個人的生活數(shù)字信號。具備了特征工程和學(xué)習(xí)對象后，相當(dāng)于我們有了學(xué)習(xí)書本，學(xué)習(xí)書本背后帶給我們的就是相應(yīng)的知識。

• 最后我們要解決的問題是：基于樣本的模型有多可靠。這一定程度上取決于輸入豐富程度。如果學(xué)習(xí)輸入豐富，那我們需要做的事情就是如何變成一位好學(xué)生，充分感知到背后數(shù)據(jù)的信息和價值。

D-AI機器學(xué)習(xí)模型

• 首先，我們需要判斷數(shù)據(jù)的覆蓋、數(shù)據(jù)的準(zhǔn)確性、數(shù)據(jù)的維度和數(shù)據(jù)背后和問題之間的相關(guān)性。如果是線性相關(guān)的，就要符合線性相關(guān)的要求，我們需要對特征做相應(yīng)的加工和處理。如果發(fā)現(xiàn)數(shù)據(jù)相關(guān)性并不是線性的，就需要考慮如何用非線性的數(shù)據(jù)函數(shù)描述問題。所有的數(shù)據(jù)函數(shù)，我們都可以稱之為一個模型。說起模型，不同的問題需要有不同的解決方法和對策，所以，對于不同的數(shù)據(jù)源、不同的數(shù)據(jù)質(zhì)量、不同的數(shù)據(jù)類型，在不一樣的情況下，我們需要選擇什么模型刻畫問題。

• 選定模型后，逼近上限的過程中一定有調(diào)參，即模型迭代。

• 下一步，需要通過大量數(shù)據(jù)幫助計算機更聰明。人可以通過少量數(shù)據(jù)進行推理，計算機不可能做少量數(shù)據(jù)推理，但大量數(shù)據(jù)推理是完全可以勝任的。 機器學(xué)習(xí)方法背后的支撐是大數(shù)據(jù)處理能力。所謂大數(shù)據(jù)處理，包括以什么樣的方式從外部、從內(nèi)部接收，之后做數(shù)據(jù)的持久化。

• 最后，如何做計算支持、服務(wù)支持。

我們構(gòu)建了Anubis大數(shù)據(jù)架構(gòu)，每一決策都可以在8秒鐘完成，每一次基準(zhǔn)庫重建也可以非常快速的完成。

 當(dāng)下，人工智能公司之間、人工智能和傳統(tǒng)公司之間競爭的是什么呢？我認為，歸根結(jié)底比的是誰計劃得更快。誰計劃得更快，誰就會變得更聰明。

我需要把業(yè)務(wù)做得更優(yōu)秀，產(chǎn)生更多優(yōu)質(zhì)數(shù)據(jù)，優(yōu)質(zhì)數(shù)據(jù)反哺到業(yè)務(wù)來，從而讓業(yè)務(wù)做得更好，這就形成了正向的馬太效應(yīng)。只有這樣，才能保證公司發(fā)展有足夠的動力、保持足夠快的速度，在行業(yè)里面立于一個不敗之地。 

正好比較巧，我們的人工智能風(fēng)控引擎叫做“I.C.E.”，分別是三個字母，I表示Identify，C表示Calculte，E表示Evaluate。即如何盡量快收集到所有的數(shù)據(jù)樣本和表現(xiàn)；如何快速找到或者有效找到這個問題的數(shù)學(xué)函數(shù)表達；對未來有比較好的預(yù)測能力。

AI在金融領(lǐng)域應(yīng)用

當(dāng)AI應(yīng)用到金融領(lǐng)域時，相比于傳統(tǒng)規(guī)則，優(yōu)勢是什么？

第一，避免了一些道德因素影響，避免了主觀執(zhí)行能力不穩(wěn)定的因素，避免了對員工嚴格的技術(shù)要求，這一塊明顯機器做得更好。

我們是一個大數(shù)據(jù)公司，通過人工智能，我們能對傳統(tǒng)機構(gòu)所不能服務(wù)的人群進行風(fēng)險定價，能收集到更多有效信息，從而擁有更多數(shù)據(jù)，加之我們的技術(shù)能力，讓我們在迅速形成正向的馬太效應(yīng)，使得業(yè)務(wù)能夠快速向前發(fā)展。

 最后，人工智能幫助我們解決什么問題？它提供給我們一種能力：對于大量人不能理解的數(shù)據(jù)，機器幫我們做定量；當(dāng)人找不到一個有效函數(shù)描述問題時，機器可以找到這樣的函數(shù)。所以大數(shù)據(jù)涌現(xiàn)的今天，人工智能可謂應(yīng)運而生。

人工智能在不同領(lǐng)域、不同的場景下，產(chǎn)生的作用是不一樣的。人工智能是否可以解決金融領(lǐng)域里面所有的問題？隨著人工智能的加入，金融領(lǐng)域會產(chǎn)生很大的改變，至于說能不能解決所有的問題，需要金融領(lǐng)域?qū)＜液腿斯ぶ悄艿目茖W(xué)家一起去探索。

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。