冰鑑科技CEO顧凌雲: AI金融產品是「雞肋」還是「雞腿」?

金融科技這一行,存在兩種「偽AI產品」。

一種是温室花朵,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複雜業務環境中,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,但企業非得讓客户使用更貴、更復雜的產品。猶如高射炮打蚊子。

金融行業到底需要什麼樣的人工智能?

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、產品和客羣各異的企業們進行採訪,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,由冰鑑科技CEO顧凌雲講述他眼中AI和金融之間的關係。

以下為顧凌雲的所感所想:

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世紀的第一個十年裏,人工智能從商用角度來講,始終是陽春白雪,難以落地。

直到深度學習爆發後,我才意識到,AI的時代要來了。

於是在2015年,我創辦了AI金融風控公司——冰鑑科技。

「冰鑑」擁有上百家客户,其中也包括工商銀行總行、中國銀行總行等大客户,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,聽到這條消息後,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,連諮詢公司都來湊份熱鬧。

這麼多公司只選出5家進入第二輪競爭,而「冰鑑」是這5家公司當中「技術標」第一名。

當然,這並不意味着我們最終贏得勝利,後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麼高,技術標的百分比也調的沒那麼低。

最後,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麼一個觀點,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迴歸就能完成。

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複雜的方法。最後把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,任何東西都可以往裏裝。

從CMU讀書到創辦冰鑑科技,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,我們為什麼還一定要用AI畫蛇添足?

但是,這並不意味着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。

冰鑑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複雜的機器學習模型,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着非常多的應用,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,其實際效果並不理想。

在計算機視覺當中,有個非常傳統的研究領域叫OCR,説白了就是識別圖片上的文字,然後提取出來,變成可編輯的文檔。

這些數據電子化後,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,哪裏放照片、哪裏寫姓名、哪裏填數字,每一張試卷的格式都一樣,那麼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,通過查閲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,然後通過自然語言處理,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技術就可以輕鬆蒐證。

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,有沒有人採購這種可以輕鬆分析大量法律文件,歸納總結並拿去上庭的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,第二點是在數據採集的過程中,保證採集的數據更加清晰、乾淨。

此外,在非常火熱的智能營銷領域,由於用户有多元化的需求,然而市場上的產品較少,導致推薦效果並不理想。

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,對每一個客户進行一次用户畫像。

畫像後,進行分層,分層後,對不同的人羣和不同的流量,進行最優化,然後匹配。

讓AI成為“雞腿”

食之無味、棄之可惜,如何讓AI這隻“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鑑別哪家金融科技公司AI實力更強,隨着合作的愈發緊密,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,説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,但是這並不代表你的AI產品一定就是好的。

此外,AI模型也是有時效性的,隨着時間的變化,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模型和銀行的核心繫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。

金融業務十分複雜,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、生物特徵識別上應用的更多,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户,也普遍使用這樣的技術。

當一家企業開完户後,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。

貸款後,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。

在貸後管理環節,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,教育客户什麼是AI、怎麼用AI也是非常重要的一點。

我們的方式是聯合建模,手把手地和客户共同完成一個項目。

聯合建模比諮詢更進一步,大家肩並肩坐在一起,我告訴你我是怎麼一步一步把這個模型建出來的,你跟着我用你的數據重複一遍,這種方法是教育不太懂AI的客户最好的方法。

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。

比如説某些消費金融機構,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範圍,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

從業這麼多年,我不斷地在加深一個認識:科技和監管之間的關係到底是什麼?

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,但這並不意味着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衞,研究的東西也比較新穎。

人們於是認為科技公司開着一輛法拉利跑車,嗡地一聲就開出去很遠,監管可能還騎着一輛二八大槓的自行車,在後面追也追不上。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、停車等標誌,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。

最後,我也想對金融科技的創業者和優秀技術人才説幾句話。

如果你是悲觀主義者,那就別再往AI金融行業裏跳了,它早已不是藍海,而是一片看不到頭的紅海,你還往裏跳什麼,即便你穿着救生衣,帶着游泳圈跳進來,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,屬於近水樓台先得月,是離國民經濟最核心的地方。

在這樣的行業中,對於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》

版權聲明:本文源自 網絡, 於,由 楠木軒 整理發佈,共 4632 字。

轉載請註明: 冰鑑科技CEO顧凌雲: AI金融產品是「雞肋」還是「雞腿」? - 楠木軒