<mark id="oztn4"></mark>
0
雷鋒網按：4月21日，中國證券投資基金業協會主辦的2017金融科技高峰論壇在杭州召開。“人工智能贏在維度。”第四范式聯合創始人、首席研究科學家陳雨強在會議上講道，“將來的企業運營中需要有更高的維度，維度的上升使得AI能力提升，從而使得企業能解決更復雜的問題，提升企業效率，進而提升企業競爭力，搶到更多的客戶，提供更好服務。”
據雷鋒網了解，陳雨強曾在百度鳳巢主持架構了世界上第一個商用的深度學習系統，在今日頭條主持設計了中國用戶量最多的新媒體人工智能推薦系統。
那么，什么是更高的維度？企業如何提升運營效率？如何用人工智能解決更復雜的問題呢？雷鋒網對于演講全文進行編輯整理如下：
亞馬遜是北美最大的在線零售商，沃爾瑪是世界上最大的連鎖超市。最近幾年，亞馬遜增長良好，增長率高達50%-60%，最低也在10%左右，而沃爾瑪增長一直處于停滯的狀態，有時甚至是負增長。那么兩者為何有這么大的差別呢？
沃爾瑪是一個超市，屬于人力密集型，全球大概有十多萬的員工，亞馬遜則偏技術密集型。亞馬遜員工人均年收益是62.1萬美元，而沃爾瑪員工的人均年收益只有22萬美元，相差了3倍，這代表兩者效率的差別。在這種情況下，亞馬遜增長速率會越來越快，越來越多地蠶食沃爾瑪市場份額。那是否說明沃爾瑪是一個菜鳥的公司或在互聯網時代不堪一擊呢？
其實并不是。從某種角落講，沃爾瑪是數據挖掘的先驅，早在20年前，沃爾瑪就有數據挖掘方面的探索和研究，啤酒和尿布的例子就是典型代表。
沃爾瑪為什么在互聯網時落后了呢？我們發現沃爾瑪是基于地點推薦（Location Based）的，亞馬遜則是基于用戶推薦的（User Based）的，后者需要做到千人千面，每個人在亞馬遜上看到的首頁、搜索頁、推薦頁都是不同的，這種不同導致兩者員工的人均年收益相差了3倍。亞馬遜解決了一個更復雜的問題，所以增長率和市值都有較大提升。沃爾瑪是曾經零售行業的老大，但在2014年-2015年間，亞馬遜以指數性上升的速度超過了沃爾瑪，成為了世界第一。
不僅如此，亞馬遜和沃爾瑪的商場或者庫存管理也存在著很大的問題復雜度差別。
亞馬遜做了一個KIVA機器人，它可以自動運送貨架到撿貨員面前，撿貨員把需要打包的貨物挑出來打包即可。而沃爾瑪則是N個配貨員配一種貨架。兩者的問題復雜度相差也很大。
如今，運營效率變得越來越重要。在傳統行業，跑馬圈地是重中之重，這對于互聯網時代也是一樣的。對于一些傳統行業來說，移動互聯網和互聯網只是增加了一種新渠道，但還是以跑馬圈地方式做事。以這種方式行事時，只需把產品做到60分，滿足客戶的基本需求即可，之后便盡最大可能獲取最大的市場，獲取市場和市場增長帶來的紅利。但隨著市場愈加飽和，跑馬圈地的模式逐漸失效。比如零售業的整體增長空間已經非常小了，剩下的無非就是你爭我奪的過程。這時，如果誰從60分做到了80分，那就能將其它公司的客戶轉變成自己的客戶。所以未來，運營效率代表著企業的核心競爭力。
總而言之，未來企業運營效率將會變得至關重要。我們可以通過解決更復雜的問題提升運營效率，而在解決復雜問題時，人工智能就需要粉墨登場。
人工智能沒有那么復雜，其實就是用數據解決問題。在數據方面，傳統方法首先做的事情是分析數據。數據按照“二八原則”分布，大部分集中在頭部。傳統的分析方法會首先把尾部數據全部去掉，因為尾部的數據太多、而且雜亂，用傳統的規則沒有辦法分析，而對于頭部數據，會用十幾～幾十個特征或規則進行刻劃。
這樣的人工智能問題有什么問題呢？數據的價值并沒有被完全發揮出來。
以證券公司為例，10萬客戶和1個億客戶的證券公司，如果只用頭部的客戶數據特征的話，兩家公司對客戶數據分析得出的結論沒有區別，無非是什么年齡、什么性別、什么學歷的人會喜歡什么樣的產品等特征。但如果能用到更多特征、分析更細分群體的話，兩者的結論將會有很大區別。1個億客戶的基金公司可能會發現一個100人的群體，他們的特征、喜好一致，那么公司就能基于此進行精準營銷。而這100客戶在只有10萬用戶的基金公司對應的可能之后1～2人，不能得到可信的結論。
只有用上所有的數據，并且分析得盡可能精細，數據量才能成為壁壘，量大的數據產生的價值才能比量少數據更大。
我曾經在今日頭條、百度蜂巢工作過。當時，今日頭條日活是幾千萬，特征總量大概有幾十億到幾百億，這意味著每個用戶都有上百個標簽，公司就能能精確區分一個用戶在周二早上上班路上喜歡看什么新聞，或周五晚上下班后在家里夜深人靜時喜歡看什么等，所以推薦效果可以做得非常精細。百度的搜索廣告也是類似的，我們對一個什么樣的人在什么搜索關鍵詞下會看什么廣告的組合有非常精細的刻畫，每天上新的廣告有上千萬，日活上千萬，在這樣復雜的場景下用機器刻畫，會有大量的特征量、規則量。
高維度對商業的影響
2012年，Facebook上市，但上市后四個月，它的股價就連續暴跌。我們當時和Facebook從市廣告技術同事聊天，發現那時Facebook只用了大概2000維的特征刻畫用戶，但這完全不能夠非常精細的、非常準確地預測一個人點擊廣告的概率，或在什么場景上會想要買什么東西。
2013、2014年時，一大批Google的廣告、算法工程師加盟Facebook從事廣告業務，他們把當時2千維系統做到2千億維，相當于提升了1億倍的維度。從2013年末到2014年始，Facebook的股價一路攀升，走上了傳奇之路，維度對于整個Facebook收入提升至關重要。
在全國性商業銀行的信用卡中心，每天有大概上百萬筆的交易，這些交易過了風控之后，由銀行來決定能不能讓某個人交易分期。對于能交易分期的人，比如每天有一百萬個，可以通過短信方式營銷。但如何鎖定這群人呢？
首先把分期進行目標拆解，把用戶收入拆解成短信發送量×短信響應率×分期費率。通過短信發送歷史，就能知道每個用戶到底最終是否辦理了交易分期，并基于此建立預測模型。這樣在發送短信之前，就知道某個用戶接收之前的概率高低，并進一步優化響應率。這種數據量并不大，但在當時銀行里也算是最大的人工智能數據。當時用到2T數據，大概有4千萬左右的歷史發送的短信量，我們在其中抽取了很多特征，包括短信的信息、帳戶的信息、持卡人、卡片、交易的信息等，共有5千萬維信息，并且，最終響應率提升68%的和收入提升61%。
傳統模型和AI模型之前存在一些本質的區別。
維度是最大的區別。拿汽車分期問題為例，我們發現某個POS機進行汽車分期的概率會特別大，這個POS來源于一個小型母嬰店， 這對于專家來說并不是特別復雜的問題。但問題在于這個母嬰店很小，日流量是100、200規模，全國這樣的母嬰店有幾千上萬家，專家不可能逐家分析這樣的母嬰店，但機器可以，這正是機器的優勢。只要我們能把問題變得足夠復雜，機器就能分析每個維度。
另一方面是迭代自學習。傳統專家規則是事先確定的，可能每隔一段時間，比如半年、一年進行一次規則調整。但改變很難，一方面成本高；另一方面，調整要求兼容原來的規則，同時加入新的規則，這是一件很藝術的事情。但對于機器學習、人工智能模型來說，在高維下加入新的特征、新的規則是非常容易的。正如AlphaGo每下一次棋，都會把棋譜拿回來復盤，使自己下棋的能力變得更高。
另外，電商推薦、智能理財、差異化定價、信貸、閱讀、智能客服、個性化定制產品等都能用到人工智能。所以人工智能的價值是非常大的，想象的空間也是非常大的。將來問題的解決需要很高的維度，同時用復雜的模型，用高維的模型解決高維的問題。這個理論是有科學依據的。
Vapnik和Chervonenkis兩位科學家提出了“VC”理論，來描述模型里函數復雜度的問題。函數復雜度可以類比為人腦神經元的個數，如果有更高的“VC”維，有更高函數能力，類比為有更多神經元，即為更強的智能能力。比如說人腦腦細胞數量比小白鼠腦內數量要多很多，所以說人比小白鼠聰明很多。所以說在將來復雜情況下，我們要不斷的提升“VC”維，讓企業運營的效率得到不斷的提升。
最近深度學習在圖像上的發展日新月異，從2010年到2016年，圖象識別錯誤率在不斷降低。2016年錯誤率已經達到了3.1%，而人做同樣圖片識別錯誤率是5%。也就是說，2016年之后，對于標準的數據庫圖片，計算機識別的能力比人要高。在這樣的成績背后，從2010年到2015年，圖像識別維度從最開始幾十萬維，一直升到上億維，更高的維度讓整個效果有很大的提升。
總而言之，在將來的企業運營中需要有更高的維度，VC維的上升使得AI能力提升，從而使得企業能解決更復雜的問題，提升企業效率，進而提升企業競爭力，搶到更多的客戶，提供更好服務。
人工智能贏在維度。
基于此，讓人工智能落地有五大要素。第一要有明確的業務定義；第二需要不斷的外部反饋，比如AlphaGo需要不斷與人下棋，需要外部反饋不斷輸入；第三需要很強的外部資源；第四需要頂尖的數據科學家；第五需要大數據，大數據加上機器學習等于人工智能。
相關文章：
IBM人工智能技術商業化落地現狀：目前已滲透到60多個職業領域
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
