0
雷鋒網(wǎng)按：8 月 5 日，在 Rebuild 2017 大會上，智融集團 CEO 焦可發(fā)表了題為《智能如何重新定義金融的邊界》，分享了傳統(tǒng)金融機構(gòu)業(yè)務(wù)與智能金融的差異，并講述了智能是如何解決傳統(tǒng)金融不平等的問題。雷鋒網(wǎng)根據(jù)現(xiàn)場速記進行了整理。
以下是智融集團創(chuàng)始人焦可的演講實錄，雷鋒網(wǎng)在不改變原意的基礎(chǔ)上做了精編：
《智能如何重新定義金融的邊界》，看到這個標(biāo)題的時候，我想最抓眼球的，一定是“智能”這兩個字。人工智能在最近的這段時間已經(jīng)成為大家不可忽視的一個話題，從餐館的服務(wù)員、到出租車司機，每個人都能聊兩句人工智能相關(guān)的東西。借用李開復(fù)老師的一句話來講，他覺得人工智能已經(jīng)從一個科學(xué)、科技變成一種科幻，我們希望它不要變成魔幻。
所以，真正吸引我們的是什么呢？首先，只有智能我覺得是不夠的。智能就像一把錘子，我們不能舉著一個錘子滿世界去找釘子。那么釘子是什么？釘子就是金融的邊界。
我先介紹一下，在我們眼里傳統(tǒng)金融的邊界在哪里？
我們真正找到金融的邊界花了很多成本，這張圖，其實就是一個實際的現(xiàn)狀。在中國，只有15%左右的人，能夠被傳統(tǒng)金融機構(gòu)所服務(wù)。但是在歐美，實際上有70%的人可以被傳統(tǒng)金融機構(gòu)所服務(wù)。
這也回答了剛才金證濟蒼（Video++創(chuàng)始人&CEO）提到的問題，為什么在以色列 IMVC 機器視覺大會上，如果有1000萬美元會投哪個AI應(yīng)用領(lǐng)域，1600位 AI 的科學(xué)家沒有把票投給金融和安防，因為對于歐美這些發(fā)達(dá)的國家來講，這可能已經(jīng)不是一個太大的問題。
所以，我們跟很多美國的信貸公司交流的時候，他們其實非常羨慕我們，因為覺得中國有一個巨大的市場機會。中國的傳統(tǒng)供給是不夠的，所以這才給新技術(shù)有了發(fā)揮的空間。
就像在過去幾年看到的手機支付，在中國其實遠(yuǎn)遠(yuǎn)超過了美國。就是因為在美國，卡支付已經(jīng)是一個非常普遍的手段，留給這些新技術(shù)的空間非常小。但是在中國，我們看到的是一個巨大的沒有被滿足需求的市場。
我們剛剛看到了金融的邊界，接著深入想一個問題——金融的邊界為什么在這里，為什么傳統(tǒng)金融沒有為剩下的巨大市場服務(wù)？
這在我們看來其實是一個傳統(tǒng)金融機構(gòu)的審美問題。我不知道大家有沒有去銀行辦過信用卡，或者辦過貸款，銀行基本上都會要求大家提供一些材料，比如說提供你的征信報告、社保、工資證明、工作證明，提供各種各樣的抵押品、資產(chǎn)證明等。但是，當(dāng)你不符合它的審美的時候，往往你就會被拒掉。
我們知道，中國是一個數(shù)據(jù)建設(shè)并沒有那么完善的國家，我們看到有很多年輕人實際上是沒有征信記錄的，有很多私人企業(yè)里，發(fā)工資的方式是用現(xiàn)金，很多人是沒有社保的，很多人也沒有車、房這樣的資產(chǎn)。這些人，就不符合傳統(tǒng)金融機構(gòu)的審美。
在我們看來，傳統(tǒng)金融機構(gòu)就像是數(shù)據(jù)冰山水面上的部分，好處是看得很清楚。但是，壞處是它只能代表個人數(shù)據(jù)非常小的一部分。
我們的一個觀點是，如果能利用好水面之下的數(shù)據(jù)，能夠去看到這個人更多的信息，那么我們就能發(fā)明一種新的審美，而這種審美是不同于傳統(tǒng)金融機構(gòu)審美的。
傳統(tǒng)金融機構(gòu)，我們經(jīng)常做一個比喻，像什么呢？像是一個篩子，它用了幾條規(guī)則，去把這一堆蘋果里面的大蘋果篩出來。而漏掉的蘋果里，一定有一些好的蘋果，但是他們是沒有辦法判斷這個蘋果是好是壞，我們在做的事情，是發(fā)明一桿秤，去真正的測量這個蘋果是好是壞。
所以，我們現(xiàn)在可以做到，單月信貸業(yè)務(wù)量已經(jīng)突破150萬筆。這個數(shù)字其實對于傳統(tǒng)金融機構(gòu)來講是個天文數(shù)字，因為一個銀行網(wǎng)點一般一個月的信貸業(yè)務(wù)量可能也只有幾百筆、幾千筆，150萬筆對傳統(tǒng)金融機構(gòu)來講是一個不可能的數(shù)據(jù)。
但是，這150萬筆背后還有一些更神奇的數(shù)字，我們現(xiàn)在做一筆信貸業(yè)務(wù)只需要通過8秒的時間。全程是沒有任何人工介入的，每天7×24小時的工作。
我們公司里沒有傳統(tǒng)金融機構(gòu)的人，沒有一些“老司機”告訴我們什么是好用戶、什么是壞用戶。
先舉一個很好理解的例子。這是 Google 在做的一個項目，如何在一堆動物圖片里面找到貓和非貓，如果我們按照傳統(tǒng)的方法，可以寫一個規(guī)則引擎，可以寫幾條規(guī)則。
比如說，如果這張圖片的物體里面有毛的紋理，如果這個輪廓上面有尖的耳朵，如果有尾巴，如果這個東西有胡子，你可以判斷這是一只貓。但是實際上你會發(fā)現(xiàn)，這樣首先會引入很多錯誤，有時候你會把狐貍找出來了，如果這只貓是只折耳貓或者是無毛貓，或者是它在圖片里面把貓的尾巴隱藏起來了，這只貓你就會錯過。
但是 Google 是怎么做的？Google 實際上并沒有找動物專家去判斷、定規(guī)則什么是貓，Google 的做法是把一大堆圖片里哪些是貓、哪些不是貓標(biāo)注出來，扔給模型，讓模型自己去找到它的特征，讓模型自己去發(fā)現(xiàn)規(guī)律，這個時候你發(fā)現(xiàn)它的準(zhǔn)確度和召回率都要遠(yuǎn)遠(yuǎn)高于人的能力。
我們在做的事情跟這個有很類似之處，我們在做的事情也是在一堆這樣的用戶里面去找到哪些是貓，哪些是非貓，哪些人是我們傳統(tǒng)意義上會還錢的用戶，哪些人誠信是有問題的。
而這些事情不是像傳統(tǒng)金融機構(gòu)一樣寫一個規(guī)則引擎，我們不是這么做的。規(guī)則引擎是什么？就像我們談到的，傳統(tǒng)的金融是怎么判斷你的風(fēng)險的呢？是做一堆規(guī)則，如果你的工資大于多少，并且你有社保，以及你的征信報告是怎么樣的，然后你是可以通過的，或者你就被拒掉了。這是傳統(tǒng)金融的規(guī)則引擎。
但是在我們看來，這種規(guī)則引擎跟剛才那個貓的例子是一樣的，總是受到人的局限。特別是在人無法進行判斷的業(yè)務(wù)領(lǐng)域里面，局限就越發(fā)明顯。
而我們在做的事情就是我們把一大堆人的特征扔到模型里邊，讓模型告訴我們什么是好的用戶，什么是壞的用戶。
我們最核心的一個技術(shù)就是 I.C.E.
I.C.E. 實際上是三個英文單詞首字母的縮寫，就是 Identification、Calculation、Evaluation，這三個環(huán)節(jié)其實也是很多人工智能領(lǐng)域里，都會碰到的。
第一，辨識，找到這個事件、業(yè)務(wù)里的特征。比如對于智能駕駛，就要找到識別路上的物體都是什么東西；第二，計算要處理大量的人工無法處理的特征，這個時候要有充分的計算能力；第三，決策、評估，究竟該左轉(zhuǎn)、右轉(zhuǎn)、踩剎車還是油門。
這是人工智能的三個環(huán)節(jié)，在金融領(lǐng)域里面，同樣有這樣的三個環(huán)節(jié)：
第一，柯南特征工程
從大量的數(shù)據(jù)里面找到那些真正跟客戶逾期率相關(guān)的特征。
對于傳統(tǒng)金融來講，他們看到的特征可能是那幾項、十幾項特征，但是對于我們來講，我們看到的是一個用戶1200個以上特征，而這個特征是跟逾期率相關(guān)的，我們看過的特征也遠(yuǎn)比這個數(shù)據(jù)要多很多，我們看過各種各樣奇奇怪怪的特征。比如說我們之前也試過說星座會不會跟逾期相關(guān)，處女座會不會愛還錢？其實沒有。
但是你發(fā)現(xiàn)有很多更奇怪的特征是跟客戶相關(guān)的。比如說我們會看到用戶在使用的時候，輸入身份證號的節(jié)奏會不一樣，而這種節(jié)奏跟客戶的逾期率相關(guān)。我舉的這個例子相對大家不太好理解，但是你發(fā)現(xiàn)有更多的特征，實際上是非結(jié)構(gòu)的數(shù)據(jù)，是一種人類無法解釋的數(shù)據(jù)。就像 AlphaGo 一樣，如果用規(guī)則引擎來寫這樣的規(guī)則，你知道他為什么會下這步棋，但是 AlphaGo 為什么會下這步棋，你實際上是不知道的。
我們在特征領(lǐng)域可以發(fā)覺到遠(yuǎn)遠(yuǎn)比人的經(jīng)驗更深入的一些特征，而且絕大多數(shù)的特征都是人的計算力無法去計算的。有了這些特征之后，為什么我們能夠知道這些特征是跟逾期率相關(guān)的？是有賴于我們接下來的模塊。
第二，D-AI機器學(xué)習(xí)模型
我剛才談到不依賴傳統(tǒng)的金融專家告訴我們什么是好的、什么是壞的，為什么？
回到我們最開始的數(shù)字，我們單月的業(yè)務(wù)量已經(jīng)突破了150萬筆，而這150萬筆意味著什么？意味著每天就有5-6萬的用戶在使用我們的信貸服務(wù)。這5-6萬個用戶下個月實際的表現(xiàn)就會告訴我們，他是一個好用戶還是壞用戶，相對而言，跟人的經(jīng)驗比起來，我們更相信的是實際的數(shù)據(jù)。
這個很類似于剛才那個貓，甚至比那個貓的意思更好一點，根本就不需要雇人標(biāo)什么是貓、什么不是貓，用戶實際上會用行為告訴我們。
當(dāng)這5-6萬用戶每天回來的時候，大概計算一下，5-6萬的用戶加上每個用戶有1200個特征點，所以你每天處理的特征點數(shù)是幾千萬的數(shù)量，而這個時候可以充分地告訴我們什么是好用戶，什么是壞用戶。
就像一個傳統(tǒng)的風(fēng)控人員，他的風(fēng)控也是來自于對一些案例的學(xué)習(xí)，可能今年放了幾百筆，明年看看這幾百筆的效果。但是他的量級和速度是遠(yuǎn)遠(yuǎn)跟不上機器。
所以，我們現(xiàn)在每個月機器學(xué)習(xí)的次數(shù)其實是上百次，這個跟傳統(tǒng)金融是不一樣的，傳統(tǒng)金融可能半年、一年會迭代一次模型，但是我們每個月、每天模型都在發(fā)生大量的變化。
而我們線上在跑的模型也不是一個，實際上每天線上放出幾萬筆貸款的時候，背后的模型是有幾百個模型。這是跟傳統(tǒng)金融很不一樣的地方。
第三，Anubis 大數(shù)據(jù)計算架構(gòu)
為了支撐這么大的計算量，我們搭了一個大數(shù)據(jù)計算的架構(gòu)，每天處理的數(shù)據(jù)量已經(jīng)超過了5T。特征進行全量樣本的迭代速度，其實只需要15分鐘，真正進行線上的審核是8秒鐘。所以這一切對傳統(tǒng)金融來講都是新的變革。
從實際的案例里面看到，用人工智能技術(shù)去解決金融的需求，確實是一個很有意思的話題，我們發(fā)現(xiàn)金融天然就是跟數(shù)字打交道的，所以在這里會有很多數(shù)據(jù)產(chǎn)生，而金融天然又是正負(fù)樣本非常清楚的業(yè)務(wù)，還或者是不還，股票的漲跌，保險賠還是不能賠，這都是被實際迭代出來的樣本、學(xué)習(xí)的對象。
我們發(fā)現(xiàn)機器會比人更加擅長處理大量數(shù)據(jù)的定量計算，人比較適合做的是定性的，可以就可以，不行就拒掉，機器比人的學(xué)習(xí)速度要快很多，而且機器沒有偏見，機器不會疲勞，機器沒有道德風(fēng)險，我們不用擔(dān)心說像傳統(tǒng)金融領(lǐng)域一樣有很多從業(yè)者去做欺詐，我們機器是沒有可欺詐的部分。
當(dāng)你使用大量的特征點的時候，也會發(fā)現(xiàn)欺詐的用戶根本就無從下手，他不知道你是怎么建立這個模型的，如果你是一個規(guī)則引擎的話，就容易被人攻破。
但我們發(fā)現(xiàn)傳統(tǒng)金融產(chǎn)生資產(chǎn)的方式，傳統(tǒng)金融進行風(fēng)控方式還是停留在原來的規(guī)則引擎，還是在用傳統(tǒng)的專家經(jīng)驗去找到什么是貓，什么不是貓。
我們認(rèn)為互聯(lián)網(wǎng)金融正在進入下半場的革命，下半場真正最核心的就是內(nèi)在技術(shù)（引擎革命）。
傳統(tǒng)金融實際上是一種燃燒不充分的金融，傳統(tǒng)的金融引擎燒的是什么呢？燒的是專家的經(jīng)驗、人力。我們認(rèn)為新的金融模式應(yīng)該不是這樣的，新能源下的金融模式引擎燒的是數(shù)據(jù)、算法、工程師，這是新的引擎，真正的價值來自于新的引擎。
傳統(tǒng)金融之所以使用這樣的引擎，受到了傳統(tǒng)的局限，你發(fā)現(xiàn)傳統(tǒng)金融在開展業(yè)務(wù)的時候，它往往是基于一個產(chǎn)品為中心的模式，它是先定義一些產(chǎn)品。比如說白領(lǐng)貸、工薪貸、車抵貸、企業(yè)貸，往往先定義一個產(chǎn)品，然后定義規(guī)則，然后根據(jù)規(guī)則找到人。這就很像我們先生產(chǎn)出一批35號和40號的鞋，去找到適合這個鞋的腳，這個模式其實是有問題的，因為有時候你的腳比較小的時候，穿這個鞋很不舒服，如果你的腳比較大的時候，就要削足適履，這是傳統(tǒng)的金融。
那么我們期望在新金融模式下，能夠做到先找到人，通過技術(shù)評估一個人，通過 I.C.E 判斷一個人的風(fēng)險，然后為他提供適合他的金融產(chǎn)品以及金融能力。
傳統(tǒng)的金融是一個少數(shù)人的金融，如果想改變這樣的問題，改變這樣的不平等，需要的是一個更加有智慧的金融。
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。
