雷鋒網(wǎng)AI金融評(píng)論報(bào)道，在9月18日“2018世界人工智能大會(huì)”智能金融主題論壇上，中國(guó)互聯(lián)網(wǎng)金融協(xié)會(huì)會(huì)長(zhǎng)李東榮，加州大學(xué)伯克利分校邁克爾·歐文·喬丹（Michael I. Jordan）教授，復(fù)旦大學(xué)大數(shù)據(jù)學(xué)院院長(zhǎng)、普林斯頓大學(xué)教授范劍青、匯付天下董事長(zhǎng)兼CEO周曄帶來了主題演講。

其中，范劍青教授分享了《數(shù)據(jù)智能與金融創(chuàng)新》。他主要介紹了人工智能的興起，以及數(shù)據(jù)智能如何增強(qiáng)市場(chǎng)效率，加速產(chǎn)業(yè)發(fā)展、引領(lǐng)高科技的發(fā)展的?！叭斯ぶ悄艿哪康呐c價(jià)值，就是把大數(shù)據(jù)加工成智慧數(shù)據(jù)，為經(jīng)濟(jì)發(fā)展提供新能源，為科技創(chuàng)新提供新依據(jù)，為管理決策提供新信息?！?/p>

“大數(shù)據(jù)與人工智能為健康醫(yī)療、科學(xué)發(fā)現(xiàn)、技術(shù)創(chuàng)新、商業(yè)管理、政府決策等帶來由信息海嘯驅(qū)動(dòng)的又一次工業(yè)革命，同時(shí)方方面面影響著人類的工作、生活和通訊方式。各行各業(yè)創(chuàng)新所產(chǎn)生的大量數(shù)據(jù)又增加了對(duì)海量數(shù)據(jù)處理和分析的強(qiáng)烈需求，促進(jìn)了大數(shù)據(jù)與人工智能的發(fā)展?！?/p>

以下是演講原文，雷鋒網(wǎng)作了不改變?cè)獾木庉嫞?/em>

AI是機(jī)器學(xué)習(xí)的平方，我們?cè)谌テ椒降穆飞?/h2>

每天數(shù)十萬金融分析師涌向華爾街，重復(fù)繁瑣的數(shù)據(jù)分析。上百萬銀行業(yè)者匆匆趕到工作崗位，開始他們每天常規(guī)工作。像一百多年前的農(nóng)業(yè)、手工業(yè)一樣，我們自然要問能否讓智能機(jī)器來輔助這些工作，使得更多聰明才智可以投入高科技生產(chǎn)、藝術(shù)創(chuàng)作，提高人的生活體驗(yàn)。

人工智能席卷全球，大數(shù)據(jù)、人工智能是伴隨著數(shù)據(jù)與信息革命應(yīng)運(yùn)而生，發(fā)展迅速。上百萬的攝像頭，數(shù)億部智能手機(jī)和幾十億網(wǎng)絡(luò)搜索，和社交網(wǎng)絡(luò)上的對(duì)話產(chǎn)生巨大海量數(shù)據(jù)，其中包括公共安全、公共衛(wèi)生、消費(fèi)傾向、商業(yè)活動(dòng)、經(jīng)濟(jì)走勢(shì)等等。同樣數(shù)十億的處方、海量的生物、遺傳信息帶來健康大數(shù)據(jù)。海量數(shù)據(jù)的收集促成了大數(shù)據(jù)時(shí)代的到來。海量數(shù)據(jù)的挖掘催生了人工智能的發(fā)展。換句話說人工智能就是從大數(shù)據(jù)到智慧數(shù)據(jù)之間的橋梁。

人工智能的起源是來自1955年，John Mccarthy創(chuàng)造了這個(gè)術(shù)語(yǔ)。理想的狀況有點(diǎn)像科幻小說，“類人”機(jī)器，讓它有認(rèn)知、表達(dá)、思考感知能力，但目前還做不到?，F(xiàn)實(shí)是希望能夠用技術(shù)訓(xùn)練機(jī)器，將人從重復(fù)性、簡(jiǎn)單性、危險(xiǎn)性的繁瑣事物中解放出來，提高人的創(chuàng)造力和生活體驗(yàn)。換句話說人工智能的目的是要提高人的體驗(yàn)，不是讓一些人失業(yè)的。

AI第一代比較簡(jiǎn)單是機(jī)器表達(dá)與邏輯推理，機(jī)器證明、專家系統(tǒng)、邏輯系統(tǒng)。第二代是概率建模與統(tǒng)計(jì)學(xué)習(xí)的基礎(chǔ)上知識(shí)圖譜、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)。

何為人工智能，翻譯有點(diǎn)不好，機(jī)器智能其實(shí)更合適。Michael I. Jordan說它應(yīng)該是統(tǒng)計(jì)學(xué)。有些人可能不一定完全同意。在我看來，人工智能是機(jī)器學(xué)習(xí)的平方，讓機(jī)器自動(dòng)學(xué)習(xí)機(jī)器算法是機(jī)器學(xué)習(xí)的理想狀況。它具體表現(xiàn)是在圖像識(shí)別、語(yǔ)音識(shí)別、機(jī)器學(xué)習(xí)、專家系統(tǒng)、計(jì)算機(jī)視覺還有自然語(yǔ)言處理等等。如果我們按圖靈測(cè)試來檢驗(yàn)現(xiàn)在的很多系統(tǒng)，恐怕我們多半系統(tǒng)是機(jī)器學(xué)習(xí)，不是人工智能。換句話說我們還沒達(dá)到平方，只是在往平方的路上。

那么大家可能會(huì)問，什么是人工智能？Arthur Samuel的想法是讓機(jī)器從數(shù)據(jù)終學(xué)習(xí)并做決策，我認(rèn)為它是一個(gè)可擴(kuò)張的統(tǒng)計(jì)算法，充分融合統(tǒng)計(jì)建模思想，以及計(jì)算優(yōu)化方法，使得這些數(shù)據(jù)分析的思想能夠在大數(shù)據(jù)的環(huán)境下得到實(shí)現(xiàn)。它最后的產(chǎn)品當(dāng)然是一個(gè)可執(zhí)行的程序。未來有可執(zhí)行的程序我們需要有一個(gè)優(yōu)化目標(biāo)，有優(yōu)化目標(biāo)跟剛才Michael I. Jordan說的一樣，需要統(tǒng)計(jì)建模。

大家比較熟悉的深度學(xué)習(xí)，其實(shí)是一個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)，更直白一點(diǎn)是數(shù)學(xué)的函數(shù)逼近，它用的是兩種方法，信號(hào)源的線性組合，再做非線性的選擇，重復(fù)的過程構(gòu)成很復(fù)雜的函數(shù)逼近方法。

為什么它是如此成功，這又是一個(gè)權(quán)衡偏差和方差的有效方法。深度網(wǎng)絡(luò)使得近似高維函數(shù)更加靈活，九十年代已經(jīng)就有了。大數(shù)據(jù)的到來使得我們大大減少了方差，現(xiàn)代計(jì)算技術(shù)的革命使得大規(guī)模的優(yōu)化成為可能跟現(xiàn)實(shí)，這樣我們就能夠更好更深度的學(xué)習(xí)函數(shù)逼近的方法。在圖像識(shí)別、機(jī)器翻譯、自然語(yǔ)言處理等方面都取得了很大的成功。這些問題其實(shí)從決策角度來說是比較簡(jiǎn)單的，因?yàn)閭€(gè)體的差異比較小，我說話有口音，我跟你的差異沒有那么大。第二，信號(hào)即已知，我說的話所有的信號(hào)都在那里，這樣問題比較簡(jiǎn)單。

機(jī)器學(xué)習(xí)的挑戰(zhàn)

機(jī)器學(xué)習(xí)有很多挑戰(zhàn)，在經(jīng)濟(jì)金融、生物醫(yī)學(xué)、管理決策、人文科學(xué)里面有很多挑戰(zhàn)。個(gè)體差異太大，更重要的是信息集未知，特征很難提取，需要多學(xué)科交叉。

比如說閃電奔跑，它的信號(hào)集是什么我們大都不知道。我們自己也做了一些預(yù)測(cè)，比如說預(yù)測(cè)高頻數(shù)據(jù)，接下來的走勢(shì)是往上還是往下。我們做了自己的分析和特征提取。得到的結(jié)果是傳統(tǒng)的邏輯回歸跟深度學(xué)習(xí)，其實(shí)最后消費(fèi)者差不多。換句話說，其實(shí)最后在其他應(yīng)用里面，有時(shí)候如果特征提取是好的話，它的非線性并不是那么重要，更重要是特征自己的提取問題。我們?cè)谶@個(gè)問題基本上可以看得出來，因?yàn)槭袌?chǎng)比較有效，能夠可測(cè)性的精確度并不是特別高，這時(shí)候深度學(xué)習(xí)跟邏輯回歸也差不多。

我最近看到一個(gè)消息，微軟推出人工智能心臟風(fēng)險(xiǎn)測(cè)試指標(biāo)，微軟印度總經(jīng)理表示他們新的API評(píng)分是基于四十萬印度人的共享數(shù)據(jù)的基礎(chǔ)之上，可以輕松的識(shí)別每一位患者的風(fēng)險(xiǎn)水平。具體他們?cè)趺捶治?，什么結(jié)果都沒有，同樣的文章中只是一直在介紹深度學(xué)習(xí)的偉大。

我就把他們的結(jié)果差不多的東西放在這。這里面也有40萬左右的人口，用80%的數(shù)據(jù)來訓(xùn)練機(jī)器算法。最后得出的結(jié)果也是這樣，不過精確度并不算高，比隨機(jī)猜測(cè)好一點(diǎn)。這個(gè)時(shí)候深度學(xué)習(xí)跟邏輯回歸是差不多。這也是另外一個(gè)例子說明深度學(xué)習(xí)不能解決所有的問題，深度學(xué)習(xí)的成功應(yīng)用是在語(yǔ)音、圖像識(shí)別等方面，而且需要明白數(shù)據(jù)集是什么，特征是什么，這個(gè)問題可能更為重要。

接下來我舉個(gè)比較成功的例子——預(yù)測(cè)債券風(fēng)險(xiǎn)溢價(jià)，是我們自己做的。當(dāng)前我有131個(gè)宏觀經(jīng)濟(jì)數(shù)據(jù)，此外的數(shù)據(jù)需要自行挖掘。我們用了8個(gè)匯總宏觀經(jīng)濟(jì)系列，用已有的信息預(yù)測(cè)。有專業(yè)指導(dǎo)的信息學(xué)習(xí)可以改進(jìn)預(yù)測(cè)的效果。我們這里用的模型叫做因子增量模型，看上去跟神經(jīng)網(wǎng)絡(luò)有相關(guān)的，其實(shí)在統(tǒng)計(jì)計(jì)量里面已經(jīng)有過這樣的模型。

如果只是用簡(jiǎn)單的算法來預(yù)測(cè)的話，大概可以預(yù)測(cè)18%；如果用因子選擇，可以預(yù)測(cè)到24%左右；如果說因子選擇的更好的話，可以預(yù)測(cè)到32%；如果加入統(tǒng)計(jì)的穩(wěn)健思想，可以預(yù)測(cè)到38%；在這個(gè)基礎(chǔ)之上，如果再加入神經(jīng)網(wǎng)絡(luò)，最后的結(jié)果可以達(dá)到45%左右。

這個(gè)例子就說神經(jīng)網(wǎng)絡(luò)是有用的，但是一定要根專業(yè)知識(shí)相結(jié)合，怎么樣能夠找到更好的影響市場(chǎng)的因子，這樣我們可以達(dá)到更好的風(fēng)險(xiǎn)預(yù)測(cè)跟控制的目的。

智能數(shù)據(jù)增強(qiáng)市場(chǎng)效率

第二塊關(guān)于智能數(shù)據(jù)增強(qiáng)市場(chǎng)效率。在大數(shù)據(jù)的環(huán)境之下，金融行業(yè)面臨著巨大的挑戰(zhàn)，現(xiàn)在的信息密度、深度和廣度都有明顯增加，自然而然我們就需要數(shù)據(jù)智能來提升市場(chǎng)效率跟決策力。除了金融衍生品、股票、外匯、宏觀指數(shù)，還有很多非結(jié)構(gòu)的新聞、文本和氣候變化。如果用人工智能機(jī)器學(xué)習(xí)的辦法，我們顯然可以降低信息獲取的成本，拓寬信息獲取的渠道，提高信息傳遞的速度，并且提高信息的真實(shí)性。

數(shù)據(jù)智能在金融里面有許多應(yīng)用，從商業(yè)銀行的消費(fèi)金融、財(cái)務(wù)風(fēng)險(xiǎn)、客戶管理、風(fēng)險(xiǎn)判別到證券市場(chǎng)的量化交易、智能投顧、風(fēng)險(xiǎn)防范和信用評(píng)估，還有保險(xiǎn)業(yè)的信用管理、詐騙分析、獲客分析、保險(xiǎn)精算。政府職能里面有風(fēng)險(xiǎn)評(píng)判、智能監(jiān)管、預(yù)警分析、政策評(píng)估。機(jī)器智能可以降低勞動(dòng)力成本，減少信息不對(duì)稱性，提高預(yù)測(cè)能力。

金融創(chuàng)新的一大挑戰(zhàn)也是數(shù)據(jù)。

• 首先，金融市場(chǎng)的風(fēng)險(xiǎn)觸發(fā)機(jī)制更為復(fù)雜，有個(gè)體風(fēng)險(xiǎn)和系統(tǒng)性風(fēng)險(xiǎn)兩個(gè)相疊加，數(shù)據(jù)來源方面多元化，行為更為緊密，除了市場(chǎng)內(nèi)的交易數(shù)據(jù)之外，還有市場(chǎng)外的社交網(wǎng)絡(luò)，影響范圍更廣，傳播速度更快。

• 第二，在信貸活動(dòng)方面，信貸活動(dòng)的評(píng)估給風(fēng)險(xiǎn)管理也帶來加強(qiáng)，最大程度上獲取信息，判別欺詐。信貸管理及時(shí)預(yù)判風(fēng)險(xiǎn)，交叉驗(yàn)證。

• 第三，在投資決策方面，我們面臨的不確定性，包括預(yù)測(cè)分析，對(duì)預(yù)測(cè)分析的需求明顯提高。

金融最基本的作用把投資者的錢投放到生產(chǎn)的地方去，生產(chǎn)的地方錢又安全送回到投資者。實(shí)現(xiàn)這樣的載體是我們的金融市場(chǎng)，它的效率分為信息效率、配置效率，后者是從市場(chǎng)形態(tài)、交易成本實(shí)現(xiàn)金融市場(chǎng)的職能。智慧數(shù)據(jù)可以提高信息效率，金融的特點(diǎn)數(shù)據(jù)來源多樣，行為隱蔽，包括保密、脫敏、干擾、缺失、幸存者偏差等等。

作為分析師或者作為整個(gè)市場(chǎng)和社會(huì)，我們無法擁有所有的數(shù)據(jù)，每個(gè)人只是擁有一小部分，數(shù)據(jù)共享變成是金融市場(chǎng)，提高金融效率的很重要的方面，數(shù)據(jù)擁有者對(duì)數(shù)據(jù)貢獻(xiàn)和交流的意愿比較低，數(shù)據(jù)孤島現(xiàn)象經(jīng)常出現(xiàn)，監(jiān)管也難以開展。有些金融機(jī)構(gòu)和監(jiān)管部門，有數(shù)據(jù)不能用，有數(shù)據(jù)不會(huì)用，有數(shù)據(jù)不敢用，這樣的情況也經(jīng)常發(fā)生。

智慧數(shù)據(jù)提高信息效率

怎么樣構(gòu)造一個(gè)機(jī)制實(shí)現(xiàn)數(shù)據(jù)共享呢？大數(shù)據(jù)金融創(chuàng)新中心提出這樣一個(gè)構(gòu)思，利用數(shù)據(jù)沙箱設(shè)計(jì)實(shí)現(xiàn)數(shù)據(jù)安全，同時(shí)在不影響隱私的情況下，充分發(fā)表充分的統(tǒng)計(jì)量，這樣充分的統(tǒng)計(jì)量可以幫助我們分析數(shù)據(jù)，增強(qiáng)數(shù)據(jù)的信號(hào)。我們盡量設(shè)計(jì)鼓勵(lì)數(shù)據(jù)共享的機(jī)制，以區(qū)塊鏈等技術(shù)來實(shí)現(xiàn)共識(shí)的穩(wěn)定，提高合作與激勵(lì)的效率。推動(dòng)監(jiān)管科技提高靈活性，減少消極監(jiān)管或者錯(cuò)殺，這是我們提高數(shù)據(jù)效率的關(guān)鍵部分。

我們要實(shí)現(xiàn)的目標(biāo)就是數(shù)據(jù)共享來增加數(shù)據(jù)的流通性跟可靠性。數(shù)據(jù)挖掘方面可以提高它的使用效率，實(shí)現(xiàn)數(shù)據(jù)的價(jià)值。在存儲(chǔ)方面，安全方面，我們可以保障存儲(chǔ)隔離，保障數(shù)據(jù)的原始狀態(tài)和可溯源，還有自動(dòng)化配置等等。在金融里面很簡(jiǎn)單的一個(gè)問題，我們剛才說的數(shù)據(jù)源到底數(shù)據(jù)要用多大，如何篩選高效低險(xiǎn)的企業(yè)，如何辨別不良企業(yè)，如何克服信用風(fēng)險(xiǎn)，如何防范風(fēng)險(xiǎn)道德。這些非常簡(jiǎn)單的問題需要從多元交付、海量增長(zhǎng)的數(shù)據(jù)里面挖掘，在挖掘這些數(shù)據(jù)的同時(shí)，也能夠讓我們關(guān)注市場(chǎng)的微觀行為，從而達(dá)到更有效的監(jiān)管。

人工智能的目的就是提高數(shù)據(jù)挖掘的能力，而挖掘數(shù)據(jù)的相關(guān)性是多種多樣的。舉個(gè)例子，為了盡早預(yù)測(cè)沃爾瑪?shù)臉I(yè)績(jī)，分析師會(huì)想方設(shè)法找比它更早預(yù)報(bào)業(yè)績(jī)的相關(guān)公司，比如紙袋公司，從而用他們的數(shù)據(jù)幫助預(yù)測(cè)一個(gè)公司的業(yè)績(jī)。但這種做法既費(fèi)事又不精確。AI可以大大提高這些分析的效率和節(jié)省費(fèi)用。一個(gè)星期的分析師和工程師的工作可以在一分鐘內(nèi)用機(jī)器學(xué)習(xí)的方法完成。AI能夠增加市場(chǎng)效率，解決信息不對(duì)稱的問題。

我們有很多網(wǎng)絡(luò)數(shù)據(jù)和各種各樣的“學(xué)習(xí)”。比如說高杠桿基金的持股網(wǎng)絡(luò)中心能夠幫助政府評(píng)估系統(tǒng)風(fēng)險(xiǎn)，如果市場(chǎng)需要，可以更精確地干預(yù)。而同樣的，我們的同事研究過怎樣從一個(gè)基金經(jīng)理的持股情況推算出他的社交網(wǎng)絡(luò)，辨別社交網(wǎng)絡(luò)是否有違規(guī)的行為。在市場(chǎng)數(shù)據(jù)里面，網(wǎng)絡(luò)數(shù)據(jù)里面，是非常之豐富的。

數(shù)據(jù)智能能夠加速產(chǎn)業(yè)發(fā)展

第三部分，數(shù)據(jù)智能能夠加速產(chǎn)業(yè)發(fā)展。第一表現(xiàn)在，金融科技的未來可以顛覆傳統(tǒng)風(fēng)控。主要有三方面體現(xiàn)。

• 科技紅利，互聯(lián)網(wǎng)使金融服務(wù)觸達(dá)更多用戶，收集海量多元的數(shù)據(jù)，而且除了這之外還有市場(chǎng)內(nèi)外的信息。

• 大數(shù)據(jù)紅利，傳統(tǒng)的風(fēng)控在新的經(jīng)濟(jì)環(huán)境下積累了60多年的數(shù)據(jù)，互聯(lián)網(wǎng)也積累了十多年數(shù)據(jù)，這些數(shù)據(jù)可以徹底改變傳統(tǒng)風(fēng)控手段。

• 金融科技紅利，智能創(chuàng)新的多尺度風(fēng)險(xiǎn)測(cè)度和風(fēng)險(xiǎn)手段不斷涌現(xiàn)，這些手段可以得到及時(shí)的測(cè)試和反饋。我們做風(fēng)控控制的目的不是預(yù)測(cè)風(fēng)險(xiǎn)的到來，而是反饋，消除風(fēng)險(xiǎn)。隨著大數(shù)據(jù)的到來，人工智能的到來，我們能夠有更多更好的方法來學(xué)習(xí)自適應(yīng)、自回歸的過程。

具體到業(yè)務(wù)產(chǎn)品，比如智能投顧，基本思想是利用機(jī)器完成客戶需求分析、投資分析、資產(chǎn)配置選擇等工作。意在替代人類完成財(cái)富管理或者投資建議方面的工作，實(shí)現(xiàn)投資的自動(dòng)化。其中關(guān)鍵的技術(shù)有三點(diǎn)：

• 數(shù)據(jù)：數(shù)據(jù)有市場(chǎng)行為，比如說情緒指數(shù)和政策變量等；用戶的行為，比如說社交、電商數(shù)據(jù)等。

• 方法：決策樹、深度學(xué)習(xí)、回歸分析等。

• 理論是基于投資理論尋求風(fēng)險(xiǎn)和資金組合最合適的最優(yōu)級(jí)。

另一重要產(chǎn)品是大數(shù)據(jù)征信，利用數(shù)據(jù)采集、存儲(chǔ)、分析，獲取信用主體的多維行為信息，評(píng)估個(gè)人征信水平，降低信貸失信率。

• 關(guān)鍵技術(shù)是數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析到評(píng)分模型，評(píng)分非常關(guān)鍵。

• 數(shù)據(jù)來源也是非常豐富，除了平時(shí)的生活數(shù)據(jù)之外，還有網(wǎng)絡(luò)購(gòu)物、客戶評(píng)價(jià)、信息交易、社交信息等。

• 應(yīng)用的范圍包括信貸管理、實(shí)物租賃、消費(fèi)金融、保險(xiǎn)風(fēng)控。

• 服務(wù)的群體是小微金融和銀行貸款無法覆蓋的個(gè)體。小微金融是指從小資投資者的錢到小創(chuàng)業(yè)者。小微金融的產(chǎn)品基本上是低收入個(gè)體他們的金融需要是什么，從存儲(chǔ)到投資到個(gè)人貸款等等之類的。它在經(jīng)濟(jì)發(fā)展中起著非常重要的作用。在發(fā)達(dá)國(guó)家大概能夠幫助實(shí)現(xiàn)經(jīng)濟(jì)增長(zhǎng)率為4%到5%，發(fā)達(dá)國(guó)家是2%左右。

值得注意的是，小微金融的發(fā)展瓶頸是合理定價(jià)。合理定價(jià)是任何金融產(chǎn)品可持續(xù)的基礎(chǔ)。而基于大數(shù)據(jù)、人工智能的信用評(píng)估，能夠提供更快更有效的決策。小微金融顯然證明了現(xiàn)在的科技創(chuàng)新可以開拓金融服務(wù)的對(duì)象，對(duì)于過去低收入或者沒有多少信用的人，現(xiàn)在也能對(duì)其進(jìn)行一些信用的基本分析。

中國(guó)大數(shù)據(jù)征信的挑戰(zhàn)是體量比較大，貸款比較難，因?yàn)榉植急容^零散，業(yè)務(wù)不規(guī)模，盈利不明朗，信用比較難構(gòu)建。網(wǎng)絡(luò)社交消費(fèi)大數(shù)據(jù)為征信提供了很有效的基本原料。

過去幾年小微金融的發(fā)展頗為迅速，市場(chǎng)引導(dǎo)和政府指導(dǎo)是一個(gè)長(zhǎng)遠(yuǎn)發(fā)展的基礎(chǔ)，政府布局對(duì)高科技產(chǎn)業(yè)發(fā)展尤其重要。舉幾個(gè)例子，張江高科技園支持了早期的展訊通信，現(xiàn)在變成世界第三大手機(jī)芯片供應(yīng)商，也是國(guó)內(nèi)最先進(jìn)的領(lǐng)先半導(dǎo)體產(chǎn)業(yè)。上海硅產(chǎn)業(yè)投資公司幾年前投資了數(shù)家歐洲半導(dǎo)體公司，現(xiàn)在估值翻了10多倍。中關(guān)村也有相關(guān)的例子。

政府布局對(duì)人工智能、大數(shù)據(jù)、金融科技這些新興產(chǎn)業(yè)，現(xiàn)在應(yīng)該是非常重要的時(shí)候，所以需要市場(chǎng)引領(lǐng)和政府指導(dǎo)相結(jié)合，才能夠把市場(chǎng)弄的更有效。

數(shù)據(jù)智能引領(lǐng)高科技

最后講一下數(shù)據(jù)智能引領(lǐng)高科技。數(shù)據(jù)智能的發(fā)展促進(jìn)了相關(guān)學(xué)科的發(fā)展，計(jì)算機(jī)、數(shù)學(xué)、信息學(xué)、統(tǒng)計(jì)學(xué)等等，也推動(dòng)了高科技的創(chuàng)新從硬件軟件到系統(tǒng)，也激勵(lì)新產(chǎn)品的開發(fā)，拓展了新的服務(wù)對(duì)象。

舉個(gè)例子，數(shù)據(jù)智能對(duì)機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)發(fā)起了挑戰(zhàn)。比如精準(zhǔn)營(yíng)銷、精準(zhǔn)醫(yī)療，難點(diǎn)在于數(shù)據(jù)多樣性，我們?nèi)绾巫寯?shù)據(jù)來源更多元，進(jìn)行分析，對(duì)稀疏性、內(nèi)生性、測(cè)量誤差等，因?yàn)榇髷?shù)據(jù)的原因產(chǎn)生了很多新的統(tǒng)計(jì)問題，處理這些問題需要更復(fù)雜更有效的算法。

對(duì)應(yīng)用數(shù)學(xué)同樣也有類似的挑戰(zhàn)。從計(jì)算瓶頸上，我們經(jīng)常會(huì)出現(xiàn)大規(guī)模的非凸的優(yōu)化問題，我們經(jīng)常需要在計(jì)算、統(tǒng)計(jì)上面提出新思想。對(duì)大數(shù)據(jù)系統(tǒng)也是同樣有非常大的挑戰(zhàn)。

更多資訊，請(qǐng)關(guān)注雷鋒網(wǎng)AI金融評(píng)論。

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