0
| 本文作者： 陳伊莉 | 2017-08-14 10:18 |
技術(shù)在誕生、研發(fā)到應(yīng)用各階段目標(biāo)和工作方式有所不同。在中科院計算所副研究員、博導(dǎo)羅平教授看來，學(xué)術(shù)研究是在茫茫林海中有目的地尋找，有時候一無所獲，有時候能在千萬次試錯后發(fā)現(xiàn)一整片綠洲。但也僅止步于此，如何挖掘風(fēng)景的商業(yè)價值和掩藏的寶藏則由產(chǎn)業(yè)界接手。相較而言，實際應(yīng)用可能會耗費更多的人力和工程量。“若劃分個百分比，前期研究是20%，應(yīng)用是80%?！?/p>
羅平教授的主要研究領(lǐng)域是機器學(xué)習(xí)與數(shù)據(jù)挖掘，以及大數(shù)據(jù)下的實際新型應(yīng)用。除了這重學(xué)術(shù)身份外，他還曾就職于惠普研究院研究員，現(xiàn)在是微信人工智能首席科學(xué)顧問。 此外，在近期由中國計算機學(xué)會（CCF）主辦，雷鋒網(wǎng)和香港中文大學(xué)（深圳）承辦的第二屆CCF-GAIR全球人工智能與機器人峰會上，羅平教授為觀眾分享了一項他目前的研究項目——庖丁解文，即用AI來撰寫和復(fù)核投行金融文檔，已經(jīng)對外開放使用。
他對雷鋒網(wǎng)表示，
“我的研究思路是扎根某一領(lǐng)域，比如金融，并探索一些實際問題，再從實際問題出發(fā)抽象出研究點。實際問題可能只是一個‘點’，抽象出來后形成多個不同的點?！?/p>
羅平教授舉了一個實例，在 Data Mining 領(lǐng)域有一個問題叫 Lock Step Behavior Mining，就是“挖掘同步行為”。之前他們與上交所的一個合作項目，就是通過所有用戶交易數(shù)據(jù)來監(jiān)控一種典型的市場違規(guī)行為——老鼠倉。具體指莊家在用公有資金拉升股價之前，先用自己個人（機構(gòu)負(fù)責(zé)人，操盤手及其親屬，關(guān)系戶）的資金在低位建倉，待用公有資金拉升到高位后個人倉位率先賣出獲利。
“如果兩個賬戶中，一個大的基金賬戶和小散戶經(jīng)常在相近時間買賣同一只股票，那么就是一種異常信號。這是可以通過大數(shù)據(jù)挖掘出來的。然后，我們開始思考能否將這研究拓展到其他場景。后來我們發(fā)現(xiàn)這可以應(yīng)用到，比如清理社交平臺上的僵尸粉，或者識別豆瓣電影的水軍。因為僵尸粉和水軍之間存在大量的同步行為”
基于這樣的研究思路，羅平教授開始關(guān)注產(chǎn)業(yè)界的應(yīng)用。他正在挖掘的“金礦”有二，一是庖丁解文，二是 Chatbot 平臺。
金融場景中存在大量的非結(jié)構(gòu)化文本數(shù)據(jù)，大多數(shù)金融從業(yè)者都是在做繁重重復(fù)且低技術(shù)含量的文檔撰寫和核查工作，而且目前很多是純手工作業(yè)，難免出現(xiàn)低級錯誤。這些錯誤將可能帶來很高的風(fēng)險，導(dǎo)致金融機構(gòu)面臨聲譽和經(jīng)濟損失，甚至承擔(dān)訴訟的連帶責(zé)任。例如高盛曾于2011年因為四只認(rèn)股權(quán)證定價算式出錯，從而賠償4500萬美元；去年，郵儲銀行公告出現(xiàn)烏龍，稱郵政銀行負(fù)債8億億等。
針對這些痛點，羅平教授團(tuán)隊希望用技術(shù)和機器來幫助他們。
“我們現(xiàn)在所做的事是，對金融文檔進(jìn)行自動結(jié)構(gòu)化，干凈利落得獲得金融文檔中的語義信息。古有庖丁解牛，我們這是庖丁解文?！?/p>
產(chǎn)品名為AutoDoc，現(xiàn)在支持金融文檔中數(shù)據(jù)勾稽關(guān)系的復(fù)核和筆誤修改，后續(xù)會逐步增加自動撰寫、智能分析功能。
羅平教授簡單地描述了一番應(yīng)用流程，“使用起來很簡單，用戶只需上傳需要復(fù)核的金融文檔，經(jīng)過自動解析和比對，機器會自動標(biāo)注出數(shù)據(jù)不一致的地方。”
如上圖所示，根據(jù)文檔中的表格數(shù)據(jù)，機器可自動計算出“2016年主營收入較2015年下降的比例”應(yīng)該為“12.43%”，但文字中的顯示為“11.29%”。
“其實，投行和律所的工作人員長時間的都在干這些數(shù)字復(fù)核的事情。然而，這些文檔通常都是好幾百頁，復(fù)核的過程很“反人性”。現(xiàn)在，這些工作都可以交給AI自動完成了?！?/p>
那么背后的核心技術(shù)是什么？羅平教授告訴雷鋒網(wǎng)，復(fù)核就是復(fù)核文章各種數(shù)字之間的勾稽關(guān)系。背后涉及到從非結(jié)構(gòu)化的文檔中自動提取出對應(yīng)語義的元組和公式。
據(jù)介紹，他們研發(fā)的深度結(jié)構(gòu)化技術(shù)包含兩個層面：
第一個層面是 Text2Tuple，從文本到元組。元組是時間、財務(wù)指標(biāo)、值的三元組，比如說：2013、2014、2015年第一大客戶的營業(yè)額分別是多少錢，需要提取出來。
第二個層面是 Text2Equ。他們需要把文本中的比例數(shù)字，如60%、58%、55%，解釋為語義相同的計算公式；同時文中還提到“呈現(xiàn)逐漸下降的趨勢”，所以也要提取出這個不等式的關(guān)系。
“我們研發(fā)的模型，輸入非結(jié)構(gòu)化或半結(jié)構(gòu)化的文本，可輸出可供計算機搜索、比對、分析的結(jié)構(gòu)化的數(shù)據(jù)。這其實是自動構(gòu)建知識圖譜的核心技術(shù)。有了知識圖譜，后續(xù)可以支撐很多應(yīng)用。”
不過由于產(chǎn)品還處于早期階段，為了方便用戶使用，目前復(fù)核重點是數(shù)字，后期有關(guān)人名、事件表述也會增加；對于數(shù)據(jù)勾稽關(guān)系的確認(rèn)還未涉及外部公開數(shù)據(jù)，僅是check上傳文檔的數(shù)字一致性。
雖然AutoDoc功能簡單，但是表現(xiàn)不俗。據(jù)了解，他們對1000對個公開的債券募集說明書進(jìn)行測試，發(fā)現(xiàn)有68.92%的文檔存在數(shù)據(jù)不一致錯誤，每篇出錯文檔平均包含4.26個錯誤。后來在4月份將該功能發(fā)布在微信公眾號 “債有主”上。截至七月，用戶上傳近1000份文檔，其中98.4%的文檔存在錯誤，每篇出錯文檔平均有6.5個錯誤。
"從非結(jié)構(gòu)文檔提出結(jié)構(gòu)化的準(zhǔn)確率，已過95%。"羅平教授說。
羅平教授在微信的研究工作圍繞自然語言處理微信公眾號及展開。目前，公眾號已成為人們獲取信息和知識的一個重要平臺。面對這些海量的非結(jié)構(gòu)化文章和數(shù)據(jù)，他們思考如何提供是幫助用戶搜索找到更精準(zhǔn)的問題答案。
“現(xiàn)在的搜索只能給出一些大致的答案，我們希望對公眾號文章做深入語義獲取。這樣，用戶在微信中搜索一個具體問題時，比如如何修輪胎、做飯等，會呈現(xiàn)出圖文并茂的指導(dǎo)?！?/p>
在今年6月CCF舉辦的學(xué)術(shù)報告會上，他將信息和知識獲取平臺劃分為三種類型——“搜索引擎”、“問答系統(tǒng)”和“Bot平臺”。這些平臺，在交互方式、處理數(shù)據(jù)方式、數(shù)據(jù)擁有者在系統(tǒng)內(nèi)的角色三方面都存在不同。前兩類采用統(tǒng)一入口，索引關(guān)鍵詞或完整問題，數(shù)據(jù)/知識擁有者參與程度不高；而Bot平臺采用單獨入口和自然語言交互技術(shù)，融合領(lǐng)域數(shù)據(jù)和模型，并不斷迭代，數(shù)據(jù)擁有者納入商業(yè)體系，有較強的精耕細(xì)作動力，能生產(chǎn)出高價值內(nèi)容。
“就現(xiàn)階段而言，精準(zhǔn)搜索還未實現(xiàn)，我們還在持續(xù)研究中?！?/p>
隨著AI技術(shù)的大熱，一大批創(chuàng)業(yè)公司如雨后春筍般冒出來，如何在同質(zhì)化競爭中占據(jù)高地？作為一位有著技術(shù)產(chǎn)品化實踐的計算機學(xué)家，羅平教授表示，技術(shù)可能并非護(hù)城河，競爭的真正壁壘在于數(shù)據(jù)、用戶、場景和先發(fā)優(yōu)勢。
“可能是因為我對于技術(shù)非常熟悉，從我的角度而言，一個公司的成功不是靠一項獨一無二的技術(shù)，技術(shù)門檻并非那么高不可攀?！?/p>
此外，關(guān)于金融領(lǐng)域弱特征大數(shù)據(jù)，強特征小數(shù)據(jù)之爭常有見報。對此，羅平教授認(rèn)為，在征信場景中，由于強特征人群覆蓋不全，面對日益旺盛的信貸需求，大數(shù)據(jù)自然有其用武之地。
“特別在征信領(lǐng)域，數(shù)據(jù)為王，算法靠后?！?/p>
同時他也指出，人群特征有一個關(guān)鍵概念——關(guān)聯(lián)，關(guān)聯(lián)是指很多事情偶然地同時出現(xiàn)，但開發(fā)者可能將它們也作為“有錢人”的特征挖掘出來，從而很可能導(dǎo)致風(fēng)險發(fā)生。關(guān)聯(lián)性并不等于因果關(guān)系，有因果關(guān)系的大數(shù)據(jù)才能真正起到作用?！?span style="line-height: 1.8;">正如一些真正賺錢的基金經(jīng)理，在對金融市場的認(rèn)知基礎(chǔ)上，他們構(gòu)建出一套可能只有一兩個特征的邏輯，并能基于這些簡單的邏輯悶聲發(fā)大財?！?/span>
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。
