0
| 本文作者： 李雨晨 | 2020-12-17 15:06 |
“幾乎所有的AI企業(yè)都沒(méi)有賺到錢，而根源問(wèn)題在于人工智能技術(shù)本身的缺陷——數(shù)據(jù)與算法的不安全性。”
對(duì)于目前AI企業(yè)的生存困境，清華大學(xué)人工智能研究院院長(zhǎng)張鈸院士的這番話很直接。
張鈸院士表示，在AI技術(shù)驅(qū)動(dòng)的產(chǎn)業(yè)中，全球前40個(gè)獨(dú)角獸企業(yè)遍布了所有的領(lǐng)域，估值70億到500億之間。然而，這些獨(dú)角獸都面臨的問(wèn)題在于：估值極高、銷量極小，一家100億估值的企業(yè)，其銷售額不到一個(gè)億。
這不是國(guó)內(nèi)知名學(xué)者第一次直陳AI產(chǎn)業(yè)產(chǎn)業(yè)的問(wèn)題。事實(shí)上，深度學(xué)習(xí)的不可解釋等“原生性”的問(wèn)題，在目前看來(lái)，仍然沒(méi)有很好的解決辦法。
諸多的AI企業(yè)，困在了“數(shù)據(jù)和算法”里。
當(dāng)前，AI基礎(chǔ)設(shè)施建設(shè)的重心集中在數(shù)據(jù)平臺(tái)、算力平臺(tái)上，主要為各類AI解決方案提供基本的運(yùn)算條件，為AI提供基礎(chǔ)生產(chǎn)力，相當(dāng)于是解決了AI的溫飽問(wèn)題。
在這些基礎(chǔ)設(shè)施的支撐下，數(shù)據(jù)和算力的快速增長(zhǎng)作為“外部驅(qū)動(dòng)力”，帶動(dòng)了AI產(chǎn)業(yè)在包括人臉識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域的一波浪潮，驅(qū)動(dòng)AI產(chǎn)業(yè)“第一增長(zhǎng)曲線”的出現(xiàn)。
但是，傳統(tǒng)行業(yè)由于場(chǎng)景復(fù)雜和隱私保護(hù)等限制，真正可以使用數(shù)據(jù)往往并不充足，同時(shí)算力的增長(zhǎng)也解決不了算法能力上限的問(wèn)題
深度學(xué)習(xí)發(fā)展到今天，一個(gè)核心特征是神經(jīng)網(wǎng)絡(luò)模型變得越來(lái)越復(fù)雜，訓(xùn)練集越來(lái)越大。
例如，今年最火爆的AI機(jī)器是GPT-3。
GPT-3的網(wǎng)絡(luò)層數(shù)可以達(dá)到96層，參數(shù)可以到1750億，模型大小700G。經(jīng)過(guò)了將近0.5萬(wàn)億個(gè)單詞的預(yù)訓(xùn)練，在不進(jìn)行微調(diào)的情況下，GPT-3可以在多個(gè)NLP基準(zhǔn)上達(dá)到最先進(jìn)的性能。
張鈸院士表示，深度學(xué)習(xí)的強(qiáng)大之處在于，在參數(shù)化的神經(jīng)網(wǎng)絡(luò)里，工程人員可以實(shí)現(xiàn)任何復(fù)雜的變換。
“換句話說(shuō)，任何一個(gè)圖像、文本輸進(jìn)去，都可以用參數(shù)化的神經(jīng)網(wǎng)絡(luò)將其變成所需要的結(jié)果。不管多么復(fù)雜，因?yàn)檫@是一個(gè)通用的函數(shù)映射?！?/p>
但是，數(shù)據(jù)與算法不安全性，就像是深度學(xué)習(xí)這項(xiàng)技術(shù)的阿喀琉斯之踵。
張鈸院士表示，算法不安全的原因主要有三點(diǎn)：特征（偽語(yǔ)義）——語(yǔ)義空間映射是多對(duì)一；語(yǔ)義空間不是距離空間，是離散的層次空間；缺少語(yǔ)義的基于條件概率建模的“黑箱”學(xué)習(xí)方法，而這三點(diǎn)原因也決定了AI模型的推廣能力很差。
“馬跟石頭的語(yǔ)義距離很遠(yuǎn)，但是在形式空間里的距離又很近，形式空間里做出來(lái)的區(qū)別，不能保證在語(yǔ)義空間是安全的。這就是為什么AI模型非常容易受到干擾的攻擊。這也就造成現(xiàn)在企業(yè)為什么難以做大做強(qiáng)，必須擴(kuò)大應(yīng)用產(chǎn)品的安全性和魯棒性。”
RealAI聯(lián)合創(chuàng)始人劉荔園向雷鋒網(wǎng)表示，AI的可靠性、安全性不高帶來(lái)的深層次問(wèn)題在于無(wú)法應(yīng)用到關(guān)鍵場(chǎng)景中的核心問(wèn)題上，核心決策問(wèn)題，一定對(duì)AI的這些要素要求非常高。
她認(rèn)為，用戶并不是需要一個(gè)工程化的機(jī)器學(xué)習(xí)建模平臺(tái)，而是不管有沒(méi)有這個(gè)平臺(tái)，都能知道業(yè)務(wù)可解釋的點(diǎn)在哪里，保證模型上線之后是可控的。這是RealAI選擇切入的市場(chǎng)。
因此，RealAI想要解決的是各個(gè)行業(yè)的核心——“決策”問(wèn)題，而要解決這樣的問(wèn)題，不單是需要提供算法能力，同時(shí)還有AI應(yīng)用可控方面的因素共同支撐。
這也就是清華人工智能研究院提出“第三代人工智能”的出發(fā)點(diǎn)。
在2018年的CCF-GAIR峰會(huì)上，張鈸院士就提出，今后發(fā)展的方向是把第一代人工智能知識(shí)驅(qū)動(dòng)的方法和第二代人工智能數(shù)據(jù)驅(qū)動(dòng)的方法結(jié)合起來(lái)，發(fā)展安全、可信、可靠和可擴(kuò)展的人工智能技術(shù)，從而推動(dòng)人工智能的創(chuàng)新應(yīng)用。
從這個(gè)角度來(lái)說(shuō)，第三代人工智能技術(shù)體系，包括了貝葉斯深度學(xué)習(xí)、可解釋機(jī)器學(xué)習(xí)、AI安全對(duì)抗攻防、新一代知識(shí)圖譜、隱私保護(hù)機(jī)器學(xué)習(xí)等技術(shù)。
就以貝葉斯深度學(xué)習(xí)為例，通過(guò)對(duì)變量之間的關(guān)系及神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行概率建模，將數(shù)據(jù)和預(yù)測(cè)結(jié)果中天然存在的不確定性納入算法，從而實(shí)現(xiàn)可靠、可解釋的AI。
清華大學(xué)人工智能研究院基礎(chǔ)理論研究中心主任朱軍教授評(píng)價(jià)到，它（貝葉斯深度學(xué)習(xí)）既有貝葉斯本身的可解釋性，可以從少量的數(shù)據(jù)里邊來(lái)學(xué)習(xí)；另外又有深度學(xué)習(xí)非常強(qiáng)大的擬合能力。
地平線機(jī)器人創(chuàng)始人兼CEO余凱也曾表示，深度神經(jīng)網(wǎng)絡(luò)其實(shí)更加適合做感知，而貝葉斯理論的核心是推理，只有從感知到推理才能到?jīng)Q策。
因此，未來(lái)的AI發(fā)展需要拓寬“數(shù)據(jù)”和“算力”之外的維度，在相同的數(shù)據(jù)、算力條件下，更好的支撐AI賦能行業(yè)的深度應(yīng)用，打開(kāi)AI產(chǎn)業(yè)化全新的市場(chǎng)空間。
近日，由清華大學(xué)人工智能研究院、北京智源人工智能研究院、瑞萊智慧聯(lián)合主辦的“2020第三代人工智能產(chǎn)業(yè)論壇暨瑞萊智慧RealAI戰(zhàn)略發(fā)布會(huì)”在北京召開(kāi)。
本次戰(zhàn)略發(fā)布會(huì)上，隱私保護(hù)機(jī)器學(xué)習(xí)平臺(tái)RealSecure和人工智能安全平臺(tái)RealSafe2.0版本相繼發(fā)布，而發(fā)布這兩款產(chǎn)品的公司——瑞萊智慧RealAI，則是一家從清華園里走出來(lái)的AI企業(yè)。
瑞萊智慧CEO田天是清華大學(xué)計(jì)算機(jī)系博士，曾獲評(píng)西貝爾學(xué)者，清華大學(xué)特等獎(jiǎng)學(xué)金，為計(jì)算機(jī)系十余年間唯一研究生獲獎(jiǎng)?wù)摺?/p>
他向雷鋒網(wǎng)表示，在應(yīng)用中碰到技術(shù)難題時(shí)，我們不是見(jiàn)一個(gè)解決一個(gè)，修修補(bǔ)補(bǔ)；而是發(fā)現(xiàn)一個(gè)問(wèn)題就看到一類問(wèn)題，并通過(guò)底層技術(shù)框架、平臺(tái)的突破，幫助產(chǎn)業(yè)進(jìn)行升級(jí)。
從全行業(yè)內(nèi)來(lái)看，RealAI的出身和這種“平臺(tái)化”打法，有些類似于國(guó)內(nèi)的商湯：
2001年，商湯創(chuàng)始人湯曉鷗教授一手建立了香港中文大學(xué)多媒體實(shí)驗(yàn)室，深入探索計(jì)算機(jī)視覺(jué)領(lǐng)域的研究工作，這間實(shí)驗(yàn)室的初創(chuàng)團(tuán)隊(duì)就是成立商湯科技的前身。
RealAI則是依托清華大學(xué)人工智能研究院設(shè)立的人工智能企業(yè)，由清華大學(xué)人工智能研究院院長(zhǎng)張鈸院士、清華大學(xué)人工智能研究院基礎(chǔ)理論研究中心主任朱軍教授共同擔(dān)任首席科學(xué)家。
從研發(fā)背景來(lái)看，兩者都擁有國(guó)內(nèi)最頂尖的技術(shù)、人才資源。
“學(xué)者型”特質(zhì)的公司強(qiáng)在科研和技術(shù)能力，可以直接定位到AI產(chǎn)業(yè)發(fā)展的最前沿，而這類公司的最終目標(biāo)是實(shí)現(xiàn)平臺(tái)型產(chǎn)品的AI賦能，一旦成功，想象空間巨大。
但是，除了“學(xué)者型”氣質(zhì)濃厚的創(chuàng)業(yè)公司，AI行業(yè)里還有諸多“接地氣”的傳統(tǒng)廠商。
田天認(rèn)為，渠道占優(yōu)的行業(yè)廠商，是在傳統(tǒng)解決方案的基礎(chǔ)上加上一部分AI進(jìn)行升級(jí)改造，進(jìn)而快速實(shí)領(lǐng)域內(nèi)的增量式提升。
就以安防行業(yè)為例，無(wú)論是傳統(tǒng)的安防企業(yè)諸如?？低?、大華股份，還是人工智能初創(chuàng)企業(yè)商湯、曠視等都在加大AI安防領(lǐng)域的投入。然而，如果AI能力不強(qiáng)或者只是實(shí)現(xiàn)一些“同質(zhì)化”的淺層應(yīng)用，在紅海市場(chǎng)中會(huì)面臨激烈的競(jìng)爭(zhēng)。
此外，AI在行業(yè)里落地，一大困難在于“應(yīng)用場(chǎng)景的碎片化”，最終容易讓創(chuàng)業(yè)公司淪為一個(gè)個(gè)的“項(xiàng)目制”公司，導(dǎo)致運(yùn)營(yíng)成本高居不下，難以實(shí)現(xiàn)技術(shù)和產(chǎn)品的高“復(fù)用性”。
田天認(rèn)為，正如社交領(lǐng)域的“微信”，電商領(lǐng)域的“淘寶”，平臺(tái)型公司如果能選擇一個(gè)好的方向，滿足產(chǎn)業(yè)價(jià)值非常高的功能點(diǎn)，推廣成本被攤薄后，成長(zhǎng)速度會(huì)比聚焦在某個(gè)領(lǐng)域的公司更快。
但是，走這條路線的公司，具備較長(zhǎng)的布局周期和極強(qiáng)的技術(shù)和資源粘性，這對(duì)于一般的創(chuàng)業(yè)團(tuán)隊(duì)來(lái)說(shuō)，是一個(gè)不小的挑戰(zhàn)。
RealAI在這次發(fā)布會(huì)上共發(fā)布了兩款新品，還是從數(shù)據(jù)安全和算法安全兩方面入手。
首先是，隱私保護(hù)機(jī)器學(xué)習(xí)平臺(tái)RealSecure。
隱私保護(hù)機(jī)器學(xué)習(xí)平臺(tái)：從“雕版印刷”到“活字印刷”
數(shù)據(jù)安全主要涉及兩方面：一是要解決隱私保護(hù)的問(wèn)題，二是解決數(shù)據(jù)所有權(quán)的問(wèn)題。
從實(shí)現(xiàn)第三代人工智能的思路出發(fā)，企業(yè)需要用更好的方法打通數(shù)據(jù)，保證數(shù)據(jù)隱私安全前提下最大化的挖掘數(shù)據(jù)價(jià)值。
這個(gè)過(guò)程中，受保護(hù)的、可用不可見(jiàn)的數(shù)據(jù)交互非常重要。
在很多高價(jià)值商業(yè)場(chǎng)景，如金融、醫(yī)療、交通場(chǎng)景中，有價(jià)值的數(shù)據(jù)常常分散在不同的機(jī)構(gòu)和用戶手中，形成了大大小小的數(shù)據(jù)孤島，明顯制約了AI能力的提升。
早在2016年，谷歌就提出了聯(lián)邦學(xué)習(xí)的概念，可以實(shí)現(xiàn)“數(shù)據(jù)可用不可見(jiàn)”。
近幾年，在產(chǎn)學(xué)研的聯(lián)合推動(dòng)下，國(guó)內(nèi)外諸多科技巨頭，均已開(kāi)始搭建聯(lián)邦學(xué)習(xí)的研究與應(yīng)用團(tuán)隊(duì)，國(guó)內(nèi)也出現(xiàn)聯(lián)邦學(xué)習(xí)、共享智能、知識(shí)聯(lián)邦、聯(lián)邦智能和異步聯(lián)邦學(xué)習(xí)等多個(gè)相關(guān)研究方向，RealAI所提出隱私保護(hù)機(jī)器學(xué)習(xí)與其同屬一類技術(shù)范疇，但更強(qiáng)調(diào)隱私保護(hù)屬性。
不同于傳統(tǒng)機(jī)器學(xué)習(xí)，隱私保護(hù)機(jī)器學(xué)習(xí)是分布式、密碼學(xué)、人工智能三個(gè)領(lǐng)域的結(jié)合，這就意味著，企業(yè)想要做隱私保護(hù)機(jī)器學(xué)習(xí)，之前搭建起來(lái)的人工智能團(tuán)隊(duì)、經(jīng)驗(yàn)等方法論不能直接拿來(lái)復(fù)用，需要重新搭建隱私保護(hù)機(jī)器學(xué)習(xí)體系下的團(tuán)隊(duì)與方法論。
田天表示，重新堆人力將原有機(jī)器學(xué)習(xí)代碼一點(diǎn)點(diǎn)的改寫成聯(lián)邦學(xué)習(xí)代碼，這種方式顯然并不落地，可落地的聯(lián)邦學(xué)習(xí)平臺(tái)，必須是與原有機(jī)器學(xué)習(xí)生態(tài)一脈相承的。
而“一脈相承”有兩層含義：
一是算法的一脈相承，指機(jī)器學(xué)習(xí)算法與隱私保護(hù)機(jī)器學(xué)習(xí)算法應(yīng)是繼承關(guān)系，而非完全重構(gòu)的關(guān)系，原有的AI算法積累，可以通過(guò)平臺(tái)自動(dòng)實(shí)現(xiàn)隱私保護(hù)化，實(shí)現(xiàn)兩大生態(tài)的統(tǒng)一。
二是應(yīng)用的一脈相承，建模使用上需要符合原有數(shù)據(jù)科學(xué)家的建模流程，交互方式上既能支持UI的業(yè)務(wù)級(jí)一鍵建模，還可以支持以jupyter的形式建模，大幅度提高應(yīng)用靈活度，讓數(shù)據(jù)科學(xué)家能夠以最熟悉的方式使用聯(lián)邦學(xué)習(xí)。
田天說(shuō)到，數(shù)據(jù)科學(xué)家還是數(shù)據(jù)科學(xué)家，本地怎么建模，隱私保護(hù)就怎樣建模，分布式、加密的工作全部一鍵自動(dòng)完成。
這也是RealAI推出隱私保護(hù)機(jī)器學(xué)習(xí)平臺(tái)RealSecure（RSC）的兩點(diǎn)考慮。
據(jù)雷鋒網(wǎng)了解，這款平臺(tái)是業(yè)內(nèi)首款隱私保護(hù)AI編譯器。
以底層數(shù)據(jù)流圖的視角揭示機(jī)器學(xué)習(xí)算法與對(duì)應(yīng)分布式隱私保護(hù)機(jī)器學(xué)習(xí)算法的聯(lián)系，通過(guò)“算子”組合將兩端的生態(tài)打通，解決企業(yè)搭建隱私保護(hù)生態(tài)面臨著的性能差、易用性差、黑盒協(xié)議等諸多難題。
如何理解這里定位的“編譯器”？田天解釋道，在與傳統(tǒng)處理方式相比，RSC能夠?qū)C(jī)器學(xué)習(xí)算法一鍵編譯成隱私保護(hù)機(jī)器學(xué)習(xí)算法。
“如果說(shuō)此前的改寫方式像‘雕版印刷’一樣，RSC則實(shí)現(xiàn)了‘活字印刷’，將模型代碼解構(gòu)到‘算子’級(jí)別，通過(guò)算子的靈活組合來(lái)適配各種各樣的機(jī)器學(xué)習(xí)算法，擺脫重復(fù)改寫的繁瑣工作，實(shí)現(xiàn)靈活‘制版’。”
據(jù)雷鋒網(wǎng)了解，在底層編譯的加持，以及融合密碼技術(shù)與算法的優(yōu)化[1] ，RSC能夠?qū)崿F(xiàn)性能的大幅提升，比如，在某實(shí)際風(fēng)控場(chǎng)景中，RSC模型訓(xùn)練相比某主流國(guó)產(chǎn)開(kāi)源框架性能提升40倍，耗時(shí)從4小時(shí)40分鐘縮減至6分鐘。
人工智能安全平臺(tái)：AI算法的“殺毒軟件”
現(xiàn)在，AI應(yīng)用隨處可見(jiàn)。目前市面上的手機(jī)均不同程度地配備了人臉識(shí)別方案；在公共場(chǎng)所，地方政府也已經(jīng)部署了人臉識(shí)別攝像頭，用于嫌疑犯追蹤。
最出名的莫過(guò)于“張學(xué)友的演唱會(huì)”，在2018年，張學(xué)友演唱會(huì)上就累計(jì)拿下了近80名違法犯罪分子。
但是，隨著人工智能規(guī)?；瘧?yīng)用加速，其面臨的安全風(fēng)險(xiǎn)也日益凸顯出來(lái)。
去年，RealAI就實(shí)現(xiàn)了通過(guò)一副印有特殊紋理圖案的眼鏡，解鎖了他人的手機(jī)；針對(duì)安防監(jiān)控的場(chǎng)景，通過(guò)穿上印有特殊紋理圖案的衣服，就能逃過(guò)人體檢測(cè)算法實(shí)現(xiàn)隱身。
田天表示，目前，最廣泛使用的深度學(xué)習(xí)技術(shù)，是通過(guò)查看數(shù)據(jù)集中許多的示例進(jìn)行學(xué)習(xí)從而建立出模型的。與人類不同，深度學(xué)習(xí)模型沒(méi)有可以利用的基礎(chǔ)知識(shí)，它們的全部知識(shí)完全取決于訓(xùn)練的數(shù)據(jù)。
當(dāng)數(shù)據(jù)集中的數(shù)據(jù)被攻擊者有意的操縱，植入秘密的后門時(shí)，模型就會(huì)學(xué)習(xí)到后門中的特征，比如圖片中的向日葵。那么在實(shí)際運(yùn)行中時(shí)，這個(gè)向日葵就會(huì)觸發(fā)模型出錯(cuò)。
解決人工智能安全問(wèn)題的核心，在于理解為什么人工智能模型學(xué)習(xí)的模式如此脆弱。然而，對(duì)于廣泛使用的最新機(jī)器學(xué)習(xí)算法（例如深度神經(jīng)網(wǎng)絡(luò)）是如何學(xué)習(xí)和工作的，人們了解得很少，即使在今天，它們?nèi)匀辉谠S多方面仍是黑盒的。
因此，RealAI推出了首個(gè)針對(duì)人工智能模型的“殺毒軟件”和“防火墻”——RealSafe平臺(tái)，一方面能夠?qū)δＰ偷陌踩赃M(jìn)行全面檢測(cè)，另一方面提供多種增強(qiáng)安全性的方案。
在本次發(fā)布會(huì)上，RealSafe平臺(tái)迎來(lái)2.0升級(jí)，在模型安全性檢測(cè)方面，除了能針對(duì)對(duì)抗樣本攻擊，給出安全評(píng)分以及將檢測(cè)場(chǎng)景從人臉識(shí)別拓展到了目標(biāo)檢測(cè)、圖像分類外，RealSafe 2.0還增加了模型后門檢測(cè)功能，能夠在不獲取模型結(jié)構(gòu)及參數(shù)等具體信息的情況下，分辨出僅在特定輸入情況才會(huì)識(shí)別出錯(cuò)平時(shí)表現(xiàn)正常的被植入后門的模型。
除了能夠?qū)Π踩詸z測(cè)以外，平臺(tái)也提供了安全性提升方案。
通過(guò)內(nèi)置的對(duì)抗樣本去噪方法，可以幫助用戶在人工智能應(yīng)用中，破壞掉攻擊者惡意添加的圖像噪聲，使模型能夠正常運(yùn)作。
通過(guò)內(nèi)置的對(duì)抗樣本檢測(cè)方法，可以幫助用戶檢測(cè)輸入數(shù)據(jù)是否存在惡意添加的圖像噪聲，避免其進(jìn)入人工智能系統(tǒng)的業(yè)務(wù)流程。
通過(guò)提供平臺(tái)自動(dòng)化生成的、能夠使被測(cè)模型出錯(cuò)的對(duì)抗樣本，幫助用戶進(jìn)行對(duì)抗訓(xùn)練，訓(xùn)練出更加魯棒的算法模型。
目前，RealSafe平臺(tái)已在工信部重大建設(shè)項(xiàng)目以及某電網(wǎng)公司落地應(yīng)用。
RealAI產(chǎn)品副總裁唐家渝向雷鋒網(wǎng)表示，未來(lái)還將在RealSafe平臺(tái)中集成更多安全風(fēng)險(xiǎn)的檢測(cè)能力，包括數(shù)據(jù)逆向還原風(fēng)險(xiǎn)、成員推理風(fēng)險(xiǎn)、模型竊取等安全風(fēng)險(xiǎn)。
雖然，AI算法界的“殺毒軟件”這一說(shuō)法由RealAI最早提出，但滿足類似功能的產(chǎn)品在市面上也并非獨(dú)此一家。比如，行業(yè)內(nèi)早有一些人工智能對(duì)抗技術(shù)的工具包，例如foolbox、IBM的ART以及谷歌的CleverHans。
田天認(rèn)為，這些公司推出的技術(shù)，更多還是停留在學(xué)術(shù)研究階段，還沒(méi)有進(jìn)入到商業(yè)應(yīng)用的階段。
“很多學(xué)術(shù)機(jī)構(gòu)發(fā)布的工具，是一種白盒的算法，如果要商用，要去檢測(cè)某款A(yù)I系統(tǒng)的安全性，我們不可能要求對(duì)方把所有的源代碼都給我們，他們會(huì)覺(jué)得更不安全。”
因此，人工智能安全平臺(tái)在提供檢測(cè)方案的時(shí)候必須要具備“黑盒”的檢測(cè)能力。
據(jù)雷鋒網(wǎng)了解，RealAI目前在金融、工業(yè)、公共服務(wù)三大領(lǐng)域中進(jìn)行布局。
田天也向我們表示，這幾大領(lǐng)域都有很好的機(jī)會(huì)，基本處于同步推進(jìn)的狀態(tài)。但是在落地速度上，金融領(lǐng)域會(huì)相對(duì)快一些，這也取決于金融業(yè)本身已有的信息化基礎(chǔ)、金融問(wèn)題的定義更加清晰。而在工業(yè)領(lǐng)域，由于這個(gè)行業(yè)的改造周期更長(zhǎng)，項(xiàng)目推進(jìn)的周期也更長(zhǎng)。
以金融場(chǎng)景為例，風(fēng)控場(chǎng)景中數(shù)據(jù)有偏問(wèn)題尤其突出，如何評(píng)估沒(méi)有貸后表現(xiàn)的拒絕客群、挖掘其中的優(yōu)質(zhì)客戶一向是行業(yè)難題。
RealAI利用自研的半監(jiān)督回?fù)颇Ｐ?，提高?duì)拒絕客群質(zhì)量的識(shí)別能力，實(shí)現(xiàn)撈回客群與原風(fēng)控放款客群風(fēng)險(xiǎn)一致下，幫助金融機(jī)構(gòu)無(wú)成本提升20%的資產(chǎn)規(guī)模。
劉荔園也向雷鋒網(wǎng)透露，很多金融機(jī)構(gòu)已經(jīng)在使用黑盒模型，但是金融機(jī)構(gòu)還是希望在可解釋性上更進(jìn)一步?！斑@個(gè)機(jī)會(huì)不僅僅是留給第一波吃到螃蟹的人，而是讓更多的用戶能夠更安心、更大面積的使用這些模型?！?/p>
田天說(shuō)到，“短期內(nèi)，我們需要做出一些效果突出的行業(yè)解決方案；長(zhǎng)期來(lái)看，我們希望逐步把生態(tài)體系打造出來(lái)，對(duì)AI賦能所需要的各方面能力（算法、數(shù)據(jù)）進(jìn)行集成，讓解決方案提供商完成一系列AI應(yīng)用的搭建，這個(gè)能體現(xiàn)出我們作為一家平臺(tái)型公司的價(jià)值。”
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
