<mark id="oztn4"></mark>
0
金融科技這一行，存在兩種「偽AI產品」。
一種是溫室花朵，產品性能在實驗室和小數據場景中表現優越，然而一旦放在槍彈雨林的復雜業務環境中，系統立馬崩潰。好比碰到歐美球隊的中國男籃。
二是畫蛇添足式產品，很多IT問題，明明可以用簡單、傳統的技術方法就能解決，但企業非得讓客戶使用更貴、更復雜的產品。猶如高射炮打蚊子。
金融行業到底需要什么樣的人工智能？
為此，雷鋒網《AI金融評論》策劃了「AI能否解決金融剛需問題」系列選題，借同一個話題，對不同背景的受訪者、產品和客群各異的企業們進行采訪，期望在不同的商業和技術認知下捕捉觀點碰撞的火花。
本系列選題的第一篇文章，由冰鑒科技CEO顧凌云講述他眼中AI和金融之間的關系。
以下為顧凌云的所感所想：
聞到血腥味兒的“鯊魚”
90年代末，我在CMU計算機學院攻讀博士，當時選擇了AI作為研究方向。
其實在21世紀的第一個十年里，人工智能從商用角度來講，始終是陽春白雪，難以落地。
直到深度學習爆發后，我才意識到，AI的時代要來了。
于是在2015年，我創辦了AI金融風控公司——冰鑒科技。
「冰鑒」擁有上百家客戶，其中也包括工商銀行總行、中國銀行總行等大客戶，投標經歷，不可謂不豐富。
當年有一家國有行，在網上公開招標，這一賽道里的金融科技公司，聽到這條消息后，都像嗅到了血腥味的鯊魚一樣。
那次POC極其慘烈，一共來了29條“鯊魚”。
這29家公司中不僅有做人工智能算法的、有做IT系統的，甚至，連咨詢公司都來湊份熱鬧。
這么多公司只選出5家進入第二輪競爭，而「冰鑒」是這5家公司當中「技術標」第一名。
當然，這并不意味著我們最終贏得勝利，后面還有競爭更為激烈的「商務標」。
商場如戰場，這5家公司中，有一家在圈內比較知名的公司砸了一個極低的價格。
但幸運的是，這家大型銀行的商務標的百分比調的沒有那么高，技術標的百分比也調的沒那么低。
最后，我們爭得了技術標和綜合標的第一名，成功拿到了這一單。
這是我印象最深刻的一次POC經歷。
當然，POC測試也好、投標經歷也罷，要想成功競標，擁有一支技術鐵軍，永遠是第一位。
管理一支卓越的技術隊伍，最基本的原則就是，領導者能夠清晰地定義問題，清楚地知道每一種AI方法的能力和邊界。
我之前聽一些專家談到這么一個觀點，如果能用上個世紀的傳統方法很好地解決問題，那就別輕易用最新的算法。
其實在金融風控領域也同樣如此，很多業務根本用不到先進的機器學習模型，一個簡單的決策樹或邏輯回歸就能完成。
但很多AI公司犯了一個比較致命的錯誤，認為凡事都該用前沿和復雜的方法。最后把AI這個實用的工具，弄成了炫技的道具。
這非常可悲。
AI不是一個筐，任何東西都可以往里裝。
從CMU讀書到創辦冰鑒科技，雖然一直都在和AI打交道，但我不認為AI就是放之四海而皆準的真理、不認為在任何場景下AI都可以應用地比現有的技術都要好。
張口閉口談AI，卻對以往的信貸風控方法嗤之以鼻，那它基本不是一家AI公司。
AI不是「排他型」的技術，不會一路走來像坦克碾壓一樣，把歷史上所有的算法或方法都扔進垃圾桶。
在我們做數據處理時，數據的來源越是繁雜、越是難以用人工分析，AI所發揮的功能越強。
當每一個物理變量都非常清晰，我們為什么還一定要用AI畫蛇添足？
但是，這并不意味著企業要減少科學家團隊的招募力度。
根據我多年經驗來看，搭建一個特別昂貴的機器學習團隊，非常必要。
冰鑒85%以上的員工是技術人員，很多來自CMU、MIT、斯坦福等高校，他們無論是工程師還是產品經理，擼起袖子就可寫代碼、整整領子便能談商務。
一家科技公司靠一個算法或者一個特別復雜的機器學習模型，就想長期領跑行業，幾乎不可能。
科技在不斷變遷，研究的方向也在不斷改變，一家公司能在某一技術領域領先其他對手6~9個月，就已經非常了不起。
我認為，能夠保證我們在最新的領域中始終保持自己獨到的見解，甚至再進一步，引領行業新的研究方向，才是我們打造昂貴機器學習團隊的最終目的。
“雞肋”的人工智能
目前人工智能在金融行業中有著非常多的應用，企業也不斷在拿錘子找釘子。
但很多時候，AI在一些看似熱門的應用領域，其實際效果并不理想。
在計算機視覺當中，有個非常傳統的研究領域叫OCR，說白了就是識別圖片上的文字，然后提取出來，變成可編輯的文檔。
這些數據電子化后，我們做模型就會非常方便。
聽起來很簡單，但實際操作卻非常困難。
如果OCR掃描的是高考試卷，哪里放照片、哪里寫姓名、哪里填數字，每一張試卷的格式都一樣，那么OCR可以很快捷的識別。
但是如果每一張紙的內容不同，就很難處理了。
每一次上法庭前，律師都需要準備大量的材料。每份材料都有相對應的觀點，需要一一分類。
這些事，全靠法律實習生或者實習律師，通過查閱浩如煙海的文獻資料，歸納總結出來。
律師事務所就在想，這些法律材料比如公司的營業執照、組織機構代碼、財務文件、合同等等都是打印出來的圖片。
能否通過OCR將這些圖片掃描，然后通過自然語言處理，找出相關內容，放到律師的觀點下。這樣律師上庭的時候， 不用自動歸納總結，用AI技術就可以輕松搜證。
這是一個聽起來，目前技術可以解決的問題。但是真正操作起來，即使用最好的NLP技術，50%的正確率也達不到。換言之，和扔硬幣沒區別，我扔硬幣的準確率還50%。
法務這樣的一個場景，很多公司都在做，都希望賺錢，但實際上AI的實際應用效果一點都不好，而且價格高昂。
你可以去任意一家律師事務所詢問，有沒有人采購這種可以輕松分析大量法律文件，歸納總結并拿去上庭的AI產品。一定不會有答案。
AI沒能幫助律師事務所處理這個問題，實際上是因為底層的技術本身還不夠強勁，從理論到實踐還有很長的路要走。
想要解決這個問題，AI企業第一要做的是將基礎算法再往前推進一步，第二點是在數據采集的過程中，保證采集的數據更加清晰、干凈。
此外，在非常火熱的智能營銷領域，由于用戶有多元化的需求，然而市場上的產品較少，導致推薦效果并不理想。
我們的方法則是用很多跟AI相關的算法，對流量進行分層。一家公司不管好壞，只要購買了流量，我們就能根據非常有限的信息，對每一個客戶進行一次用戶畫像。
畫像后，進行分層，分層后，對不同的人群和不同的流量，進行最優化，然后匹配。
讓AI成為“雞腿”
食之無味、棄之可惜，如何讓AI這只“雞肋”變成“雞腿”，一直是金融和科技公司在思考的問題。
銀行需要一些客觀的標準來鑒別哪家金融科技公司AI實力更強，隨著合作的愈發緊密，甲乙兩方也逐漸摸索出一套比較通用的技術指標。
其中第一個標準叫「KS值」，KS是俄羅斯兩位科學家的名字，因為兩個人的名字太長，世界上沒幾個人能記得，所以把他們名字的第一個字母提取出來。這是一個用來衡量AI模型好壞非常通用的指標。
另外一個指標叫「AUC」（Area Under Curve），就是在一條曲線下的面積到底有多大，在這個曲線下的面積越大，說明這個模型效果越好，反之模型效果越差。
還有一個指標叫「F-score」，當準確率變得越來越高的時候，效果也會越來越好，可以把更多的壞人擋在門外。
剛才講了三個指標，但是如果你的模型覆蓋率太低，那也沒用。
假如某個模型的目標是覆蓋1000萬人，即便你測試了1000人，達到了測試標準，但是這并不代表你的AI產品一定就是好的。
此外，AI模型也是有時效性的，隨著時間的變化，它的性能是否會大幅下降？AI模型在更新的過程中，是否需要大量時間和金錢？AI模型和銀行的核心系統在對接的過程當中是否簡易？AI模型本身是否做的很標準化？
這些都是在技術指標之外，銀行使用AI產品時，必須要考量的標準。
金融業務十分復雜，每項業務所需要的AI能力也不盡相同。
我們知道，人工智能的三大技術分支：計算機視覺、語音語義、機器學習，對實際業務的改善效果也各有千秋。
計算機視覺在人臉識別、生物特征識別上應用的更多，具體到金融業務中，在支付方式上應用的就很廣泛，現在很多人去商店購物都是刷臉支付；當你去銀行或者證券公司開戶，也普遍使用這樣的技術。
當一家企業開完戶后，你如果要申請貸款或者理財時，語音語義（自然語言處理）所具備的輿情分析能力就變得很重要。
計算機視覺、自然語言處理一般是應用在貸款過程中。
貸款后，金融機構需要判斷個人或者企業發展穩不穩定，是否能還錢。而機器學習算法本身就可以幫助金融機構決定誰先還款、如何還款。
在貸后管理環節，還可以應用語音識別技術。利用人工智能客服，可以大大減少人力成本、提高效率。此外，教育客戶什么是AI、怎么用AI也是非常重要的一點。
我們的方式是聯合建模，手把手地和客戶共同完成一個項目。
聯合建模比咨詢更進一步，大家肩并肩坐在一起，我告訴你我是怎么一步一步把這個模型建出來的，你跟著我用你的數據重復一遍，這種方法是教育不太懂AI的客戶最好的方法。
當然，銀行在評估金融科技公司的產品時，也會有自己自有的一套指標或者方法。
比如說某些消費金融機構，會執行一套客觀的指標。以24小時、7天或者30天為一個期限，他們會時時刻刻監控模型的效果，一旦模型的效果超出規定范圍，馬上就會根據期限調整產品。
即使你本身的模型效果很穩定，他也會每3個月做一次測評，每6個月做一次測評，每一年對供應商進行一次重新的測評和調換。
通過這種方法來保證他們使用的產品，一直由最佳技術實力的公司提供。
我的一些思考
從業這么多年，我不斷地在加深一個認識：科技和監管之間的關系到底是什么？
很多人認為這兩者之間是一對冤家，監管越嚴，科技公司發展得越困難。我覺得不是。
監管本身跟誰都沒有仇，監管是為了能夠讓金融和科技在合法、合規的框架中更好的發展。
監管，實際上監管的都是金融機構，當然金融公司受到了影響，科技公司也會受到影響，但這并不意味著監管直接對科技產生了影響。
大多時候，監管限制了金融機構的發展，卻促進了金融科技公司的長遠進步。
沒有監管，科技本身將裹足不前。
因為沒有監管，銀行和金融機構賺錢太容易，從而不會在技術上有大規模的投入。
但是，一旦有了監管，金融機構就戴了鎖鏈，還想賺錢就必須提高自己的競爭力，而提高自己競爭力最好的方法是擁抱科技公司，所以最終監管暫時抑制了金融公司的發展，促進了科技公司的發展， 最終促進了兩者的共同發展。
監管的本質是良幣去驅逐劣幣，監管打擊的是劣幣，促進了真正的科技公司的發展。
科技公司一般都比較前衛，研究的東西也比較新穎。
人們于是認為科技公司開著一輛法拉利跑車，嗡地一聲就開出去很遠，監管可能還騎著一輛二八大杠的自行車，在后面追也追不上。實際上不會這樣。
因為「監管」在整個道路上面設計了網格化。網格化就是紅綠燈、限速、停車等標志，跑得再快的法拉利，到了路口，也要停下來。
紅綠燈的時間由「監管」來調控，如果監管覺得科技可以跑得更快，就讓綠燈亮的時間更長；如果覺得科技已經跑得太快了，有超速的傾向，監管可以將紅燈的時間調得更長。
最后，我也想對金融科技的創業者和優秀技術人才說幾句話。
如果你是悲觀主義者，那就別再往AI金融行業里跳了，它早已不是藍海，而是一片看不到頭的紅海，你還往里跳什么，即便你穿著救生衣，帶著游泳圈跳進來，不淹死你，也能擠死你。
如果你是樂觀派，你們趕緊來吧，AI金融和其他所有行業比起來，屬于近水樓臺先得月，是離國民經濟最核心的地方。
在這樣的行業中，對于科技的渴求是最強烈的，是最容易做出一番事業、最容易發揮我們技術人才聰明頭腦的。（雷鋒網）雷鋒網
封面圖來源：電影《萬物理論》
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
