<mark id="oztn4"></mark>
1
| 本文作者： 溫曉樺 | 2017-04-12 10:45 |
在實驗室中開發算法難，將AI研究成果帶出實驗室更是難上加難。怎樣將AI變成產品并實現商業價值？產品和技術方面有什么改進要點？如何控制企業應用AI技術的成本？有效的AI產品化可以怎樣優化銀行反欺詐體系？我們可以期待一個智能的未來嗎？
AI已經誕生了60多年，即使伴隨著計算能力的突飛猛進和大數據時代的來臨，但AI的理論到實踐之路仍不是那么好走。機器學習面臨高維海量數據的現實挑戰，求解企業自建機器學習技術產品設計和工程優化是當前眾多行業從業者苦苦探索，試圖翻越的“AI鴻溝”。
本次是雷鋒網AI金融專場公開課之第三期，我們有幸邀請到第四范式聯合創始人、首席架構師胡時偉，以及產品經理周開拓來分享他帶領團隊完成AI首個全流程產品的心得。
胡時偉，第四范式聯合創始人、首席架構師。在百度任職期間作為系統架構負責人，主持了百度商業客戶運營、鳳巢新興變現、“商業知心”搜索、阿拉丁生態等多個核心系統的架構設計工作；作為鏈家網創始團隊成員，完成了鏈家網新主站、經紀人新作業系統、績效變革系統的整體架構設計以及研發團隊的建設管理?，F任第四范式研發總工程師，帶領團隊打造出國內首款人工智能全流程平臺“第四范式·先知”，“先知”平臺2016年榮獲中國智能科技最高獎——“吳文俊人工智能科學技術獎”創新獎一等獎。
以下是本次公開課實錄，雷鋒網做了不改變原意的編輯：
今天我們給大家分享的主題是如何以產品化的形式實現AI的商業價值，主要分成3個部分：第一部分是商業價值；第二部分是產品化；第三部分，請開拓給大家講一講他為公有云客戶提供平臺化產品的經驗和體會。
如何發掘AI的商業價值
談到AI的商業價值，首先談一下AI是什么。今天教育、醫療、金融等各行各業的人都在憧憬人工智能，并且嘗試實踐，利用人工智能的技術來給行業提供價值。這里面定義很復雜，今天先不講概念，首先縮小一下范圍，談一下數據驅動的人工智能。
當今大多數的AI系統由兩個基石組成：一個是大數據，一個是機器學習的技術。比如AlphaGo，它的成功首先是因為吸納了KGS的網站上30多萬張棋譜——這個是AlphaGo第一波數據。此外，結合深度學習和強化學習等機器學習的技術，AlphaGo可以比以前基于規則或者基于淺層神經網絡的對弈程序，擁有更好的表現。
所以我們認為，人工智能=大數據+機器學習。如果說大數據是原材料——米，機器學習是工具——電飯煲，那么人工智能就是白米飯。
所謂有效的AI應用，指至少可以替代人去做一件事情，比如下棋，打游戲，或者安全防護。對此，我們總結了產生一個有效的AI應用的5個要素：
我們對下圍棋可以定義一個數字化的目標，即數子或數目的勝負。而如果定義的目標是下得有藝術，那就不是一個清晰的問題邊界，因為這些是主觀化的定義。
此外，也需要持續的外部反饋。只給一張棋譜是無法讓機器自動下棋的，需要持續的外部或者內部的系統產生反饋信號。AlphaGo自我對弈的功能，就是持續地產生內部反饋。
足夠多的數據
如果只有反饋信號，沒有特征，也是不可。
舉例來說，用AI技術識別欺詐交易，那么交易相關主體的屬性，例如人的性別、年齡、居住地址就特別重要，否則，如果我們只知道某天某個卡，交易了多少錢，那么這些數據是不夠的——因為這種情況下得到的只有反饋信號，沒有特征。
培養一個成功的AI科學家要6年到10年的時間，但同時帶來的價值也特別大，但今天世界上頂尖的AI科學家，其實并不多，因為作為一個頂尖的AI科學家，也要橫跨很多很多不同的領域。
下面我們通過銀行的交易反欺詐來講一下，AI可以做到的事，究竟是什么。
信用卡盜刷、電信詐騙等這種事情都是典型的欺詐交易。根據相關報告調查，中國是信用卡欺詐以及銀行卡欺詐發生最為嚴重的地區，并且欺詐手段越來越多元化。應該這么說：這個世界上最聰明的腦袋，一部分在做壞事，另外一部分在防止做壞事。
過去銀行解決欺詐問題有4個主要的方法，比較直觀的方法有：法規政策、信息安全技術，例如借助token等通過防守和法律的方式來解決問題。
另外兩個相對智能：一是專家規則，二是模型。
當前而言，國際上做反欺詐做得最好的廠商有100多名專家，每年投入數千萬美元的研發成本來維護專家的規則。這些規則少則幾千條，多則上萬條：比如同一張卡短時間在兩個城市交易首次取現密碼錯誤等。通過規則來防守，其有效性是毋庸置疑的，但同時也存在著缺點：
一方面，這種方法比較依賴于專家的主觀性。專家行業積累越深，越有經驗，但是面向較新的技術時，并不一定能夠應付。
另一方面，規則需要持續維護，以便應對犯罪分子的變化。比如，規則設定為“交易八千元以上要進行審核”，或者“某個年齡點以上要進行審核”等，這時犯罪分子會通過試探來找到規則的邊界，從而實行欺詐，比如正好盜刷7999元。
最后一點是，多種規則之間存在排斥關系，規則A能解決一個問題，但解決不了另外一個問題。
值得一提的是，傳統上也有基于神經網絡的模型的解決方案，然而這種神經網絡是指原先基于反向傳播技術的淺層神經網絡，由于其結構較為簡單，導致數據利用不充分，所以多數情況下也無法提供足夠多的效果。
在反欺詐技術上我們和銀行的合作，首先做的是把以前在互聯網企業做的高維模型技術移植過來，然后用全量的歷史交易取代采樣的歷史交易——利用幾百G，甚至上T的數據來做基礎建模工作。
比如，通過使用持卡人的屬性、商務信息、交易通道等特征，進而衍生出一定的二階特征。舉例來說，持卡人的屬性，組合上商戶的屬性——即什么樣的人在什么樣的店里，是否發生異常的行為，比如一個宅男，突然到了一個奢侈品店里高額消費，那就有可能是盜刷行為。
根據經驗，越多的特征和越多特征組合可以更好地刻畫客觀的規律，但由于人的想象空間有限，在挖掘二階特征之后，對于三階特征、四階特征便出現了瓶頸。
這個時候，我們就引入了一個新的技術——特征的自動組合和探索。依靠這個技術，我們把特征的最高階數做到了五階甚至六階，然后把特征的維度——模型可以覆蓋的情況的數量，做到了數以十億計?；谶@樣的高階特征，機器可以快速地學出各規則，防范欺詐。
如果一個犯罪分子欺詐成功了，銀行就要賠付損失，每個月至少增加千萬級別的支出。而技術就在這個新的場景中發揮出效益，這個是商業的價值。
下面我們從技術的角度上來分析，究竟是什么技術使得業務的提升成為可能。
首先，是高維度的大規模機器學習。對于用AI解決業務問題整體上來說，主要是考慮用VC維的概念。
VC維度是什么？學術一點來說是“Vapnik-Chervonenkis Dimension”，一個由Vapnik和Chervonenkis于1960年代至1990年代建立的統計學習理論，它反映了函數集的學習能力——VC維越大則模型或函數越復雜，學習能力就越強。
大腦的維度大概就是大腦腦細胞的個數，所以可以把VC維度理解為腦細胞維度。而機器的維度也需要更多的腦細胞，才能更聰明，才能學習更多的知識。機器的誤差隨著模型維度的提升而降低。
此外還有奧卡姆剃刀原理——如無必要，勿增數據。但是這個理論其實是二三十年之前才是正確的理論，今時不同往日的是，今天的手機和那個年代的超級計算機差不多，今天整個互聯網一秒鐘累積的數據也許就已經可以達到過去一年所累積的數據水平。因此，今天我們有更大的數據，也要有更大的利用數據的方式。
所以衡量一個模型的智能水平，就是VC維越高越好。過去因為沒有足夠的數據，所以無法做高。第四范式創始人戴文淵說過：“人做事情是越簡單越好，機器做事情是越復雜越好。因為機器既不知疲倦，而且做重復性工作的戰斗力特別強?！币虼?，從技術來角度來講，我們就要把維度提高。
維度提升之后，緊接著的問題是：高維度的大規模機器學習需要有算法框架的支持。
原來的系統中，無論是數的算法，還是回歸算法或者神經網絡算法，一旦層數或者并行變量的數量增加以后，運行會變得極其緩慢。如今深度神經網絡的進步，也得益于英偉達的GPU。
因為算法的效果是最終價值的關鍵，所以這個方面必須要達到最極致的優化，針對這個問題，市場上有一些開源的框架。而我們自己開發了一個框架，叫GDBT，即通用的分布式框架。
通用型分布式框架的特點，首先體現在內存全分布式，也支持用硬盤的方式來訓練；另外具有較好的擴展性，傳統中比如Spark或者SparkSQL，其實可以做到數據的并行，但是做不到模型并行；最后也是最重要的一點：快。
在數據橫向擴展快速的算法，以及維度提升的結合下，這個分布式架構可以將以前兩個小時訓練完一千維的效率，提高到現在兩個小時訓練完1000萬維的速度。
大數據本身需要大規模的數據處理能力，因為在模型訓練之前，還需要做復雜的特征工程。這一點來講，我們用spark，加上一些自主開發的特征訓練算法，并且在spark接口上開發一些聚合函數，以此使得單位的時間內可以處理更大吞吐量的數據，幫助有限的計算資源獲得更好的效果。
反欺詐中，通過模型提升5到6倍的效果，才完成了整個工作的30%。另外的70%，就是把該技術用到生產上。用到生產上就要有高性能。
銀行業和互聯網行業很不一樣?；ヂ摼W行業，比如在百度搜索，一天的搜索請求普遍超過十億，甚至20億次，而銀行業的交易數據，即便在當前的互聯網支付時代，也沒有那么多，但其特點是，會要求比如在二十毫秒之內把整個流程處理完，并且準確度保證在99.9%以上。也就是說，穩定性是特別重要的問題。
而在高性能角度來講，我們做了如下幾件事情：
第一個是特征庫，就是常說的實時變量計算。比如機器學習最后做出來的特征集里，包含歷史上“某個人曾經去過的5個地點”一類特征，那么就要在線上建立實時數據庫，以便讓機器能夠取到歷史上的5次甚至是更多——比如最多可能要取到1000條歷史行為數據。
第二個是模型庫。原先無論是數模型、線性模型都相對簡單，一兩千個變量甚至都可以在代碼文件里直接去讀取 if else。
但如今，模型的維度上升至1000萬，甚至上億，十幾億，我們就要將其儲存于分布式的存儲。這當中也要用到很多技術，比如模型的特點是一次性地就把整個模型讀取進來；當然大家就想用hashtable，在hashtable上也可以進行大量的數據結構優化，以便總體提升性能。
有了這種高性能的線上預估服務，我們才能滿足反欺詐一類極其苛刻的業務需求。
還有一點就是高可用?！案呖捎谩睂崿F起來有比較明確的做法，因為銀行也是基于交易，所以有自動切換，或者說分片、副本等的技術。
利用Master-Agent結構，它可以自動完成高可用的機制，不需要再手動寫代碼。從中我們可以看到，離線的數據模型發布到模型倉庫后，可以在線地把模型拉上來，包括分片，以及內存的數據庫。
技術問題解決之后，我們又面臨一個很大的問題是：復制。下面是我們這兩年內在各個領域里面的嘗試和實踐：
到底需要多少人才能完成如此多的業務？其實我們用的人很少，特別是數據科學家。我們有一些特別的做法可以增強人的能力，降低其他人的進入門檻——我們把它叫做產品化。
產品化最核心的思路是：把A的能力固化下來，讓它被更廣泛的人群所用。一開始A能做的事情，我們想辦法讓B也能做；B有可能是比較擅長業務，但是不一定擅長深入的技術。
另外一個產品化的訴求和目標是，讓這個能力用起來更舒服。
產品化的基礎下，我們可以調整機器學習科學家的工作，讓整個過程形成指數級的放大關系。第四范式產品化的平臺叫做“先知”，有3個組成部分：
第一個叫調研平臺，調研平臺是一個純粹向下的過程，可以認為是做一個建模的過程。因為我們要用AI去預測一個業務，就要做一個模型，包括剛剛講的反欺詐模型。
第二個過程是自學習平臺。反欺詐模型每天都會有新的數據、新的欺詐場景反饋回來，這些新的欺詐場景和內容在打上數據的標記后，我們需要更新模型。更新模型就用歷史的數據再訓練一遍。所以自學習平臺就是，如果能夠做一套系統，每天用調研人員做出來的套路，固定地把數據變成新的模型參數文件。
最后是預估平臺。我們已經有了一個模型，預估平臺要解決兩個問題：用什么數據去預估，因為數據在線上和線下可能并不一致，要做大量的轉換；第二是是數據進來以后，如何把數據轉化成一個分數。
里面的技術難點在哪里呢？第一是自動機器學習。在這樣一個界面中，如何保證最終模型的效果？
正常來講，一個非機器學習或者人工智能數據挖掘專業博士的人，并不懂那些理論，但是上圖中的結構是可以做出來。如何做得比別人好？其中包含以下幾項技術：
第一是自動調參。從技術上來講，第一個部分就是我們如何能在盡可能少的迭代次數之下獲得一個較優的解，這是成本和收益的關系。
第二是自動特征工程。什么樣的算法相對能夠更多地代替人的工作？反欺詐中，傳統的方式上，我們需要分別對用戶和商戶刻畫畫像，這已經是兩個模型。假如有了高適應性的算法，對于既可以用線性數據也可以用離散數據的情況，就用連續值和離散值同時訓練的算法，降低門檻。
第三是高適應性算法，比如線性分型、嵌入式的高維模型。
第四是性能的優化和實際性能參數。自動調參和自動特征工程，本質上是一個搜索的過程。但我們不能窮舉，所以需要智能的算法，研究如何能盡可能地減少次數。
我們現在給客戶提供服務，只要建模人員建出來的模型，上線過程在web上面一鍵就可以點出來，這個事情是如何做到的呢？
線上線下有一致性
線上線下的一致性是指，線下怎么處理一個字段，線上就要怎么一起??；線下用什么樣的算法訓練，線上就要用什么樣的算法預估。這個一致性是通過對代碼進行控制的。
線上自動實時拼表
即特征預處理和轉換過程的線上版本自動生成。舉例來說，線下要統計過去一個月的最高消費數值，是可以用一個circle解決，但由于線上的數據是不停積累的，我們就需要一個自動轉換的線上版本，簡稱線上自動實時拼表。
自動發布
正在提供服務的模型，怎么能夠一鍵無縫替換模型？怎么做訪問請求遷移？還有一點是發布?，F在發布的每個單元，其實要放在容器里才能做到資源和運行環境的隔離。
基于算子的自學習架構
自學習的架構來講，分成3個部分：
數據的自動引入。
整個訓練過程的知識增量學習——因為一方面是學習代價的問題，另外一方面其實還有很多模型是要求有穩定性。
調度機制，比如如何產生新的模型，如何判斷新的模型。
所以還需要一個架構，就是計算機和自學架構。
這張圖是調研平臺、自學習平臺、預估平臺的整個生命周期流程，先知平臺必須要做到全生命周期才能真正給人像擁有鋼鐵俠能力的一種裝備?；谶@整個系統的外延的完整邊界，我們就可以在上面產生基于AI的應用，并且能夠盡可能地降低成本。成本降低了，無論是速度還是效率都能夠得到提升。
對于先知平臺的演示，請看視頻（大概在40:00開始）：
雷鋒網公開課視頻實錄
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
