“經(jīng)常有人問我，AI的未來是什么？你對未來有著怎樣的展望？我通常會說，那些金融科技公司所處的生態(tài)領(lǐng)域內(nèi)的發(fā)展，將是未來AI最有意思的地方。”機(jī)器學(xué)習(xí)領(lǐng)域的泰斗級學(xué)者、螞蟻金服科學(xué)智囊團(tuán)主席、加州大學(xué)伯克利分校教授Michael I. Jordan說。
確實如此，這些公司所面臨的是真正意義上的行業(yè)難題，而它們就是AI應(yīng)用最為有效的地方。“我們開始發(fā)現(xiàn)，AI不再是簡單的想要模仿人類的智能，而是成為了一種新的能力。它像水一樣滲透在社會經(jīng)濟(jì)的每一個角落，散發(fā)智能、解決問題。”螞蟻金服CTO程立解釋道，
“基于這樣的AI所釋放出來的能力，不僅可以幫助人們更加深刻地洞察社會，在金融領(lǐng)域更好地發(fā)現(xiàn)和控制風(fēng)險，也能夠為每一個普通人打造一個貼心的生活助理和財富顧問，讓每一個小微企業(yè)擁有最智慧的經(jīng)營助手和最優(yōu)秀的CFO。”
4月25日，ATEC螞蟻開發(fā)者大賽人工智能大賽啟動，主辦方螞蟻金服發(fā)起初衷就是要把業(yè)務(wù)體系中最又價值的問題提煉出來，并提供自主可控的AI平臺，分享給開發(fā)者用創(chuàng)新技術(shù)方案去解決。
“事實上，AI是一個工程學(xué)科，有時候大家覺得AI是神奇魔幻的工具，把它引入公司就會帶來奇跡，其實這是不對的。”Michael I. Jordan說道，“AI是由工程師的大腦打造出來的一種解決問題的手段，是一種思考解決問題手段的方法。今天我們舉行的大賽就是一個非常好的例子，大家可以去思考怎么樣用工程師的頭腦解決問題，而不是用魔術(shù)的手段帶來奇跡。”
某種程度上，對這些參賽選手而言，與其說是參與一次比賽，更像是在一家科技金融公司完成一個個真實項目。我們在現(xiàn)場深度了解了圍繞具體金融業(yè)務(wù)場景的賽題，并從專家們的介紹中找到了一些解題方向。
一、支付風(fēng)險識別第一道賽題是一個有關(guān)支付風(fēng)險識別的問題。
基于移動互聯(lián)網(wǎng)的新金融業(yè)務(wù)在蓬勃發(fā)展的同時，黑產(chǎn)攻擊的能力也在不斷升級。信息泄露是導(dǎo)致帳戶安全最為嚴(yán)重的問題之一。國際上多起用戶信息泄露的事件，過億的敏感數(shù)據(jù)被盜用、利用，給用戶和銀行帶來了巨大的經(jīng)濟(jì)損失。
保護(hù)消費者和風(fēng)險識別，也越來越成為金融行業(yè)和學(xué)術(shù)界關(guān)注的焦點。以這個研究點出發(fā)，螞蟻金服以高度模擬真實業(yè)務(wù)的數(shù)據(jù)和場景，希望行業(yè)大咖一起對風(fēng)險模式、無標(biāo)簽數(shù)據(jù)的學(xué)習(xí)這兩個技術(shù)難題做出深入的研究和突破，為金融風(fēng)控行業(yè)帶來價值的同時推動人工智能下一步的發(fā)展。
“過去四十年，這一直都是很大的問題，而且現(xiàn)在還沒有解決。90年代，有一些銀行開始用機(jī)器學(xué)習(xí)做檢測，而且結(jié)果不錯。亞馬遜在線上使用之后，我們可以看到虛假支付的比例升高，他們用機(jī)器學(xué)習(xí)手段把虛假支付率降低了很多。”Michael I. Jordan說道。
在活動現(xiàn)場，螞蟻金服副總裁、大安全負(fù)責(zé)人芮雄文介紹了這道賽題的背景——
支付寶是螞蟻金服的起源，而移動支付之所以在中國普及的根本原因在于，相較于信用卡，基于二維碼的移動支付上根本降低了消費者和商戶的支付門檻，而且與POS機(jī)比起來，成本更低。
在便捷、低成本的基礎(chǔ)上，安全就成為了螞蟻金服要面臨的首要問題，這也是所有金融服務(wù)的基石。
在安全科技方面，螞蟻金服擁有三大核心能力，分別為確保線上線下環(huán)境中操作者即賬戶擁有者本人的數(shù)字身份；運用大數(shù)據(jù)、機(jī)器學(xué)習(xí)和人工智能實現(xiàn)精準(zhǔn)識別和防控風(fēng)險的智能風(fēng)控大腦；以及免于內(nèi)外遭受攻擊的數(shù)據(jù)保護(hù)及隱私。
芮雄文還特別提到了螞蟻金服在智能風(fēng)控方面的最新探索——AlphaRisk風(fēng)控引擎。
這套引擎擁有四個核心系統(tǒng)，包括風(fēng)險感知（感知風(fēng)險形勢和情境）、風(fēng)險識別（毫米級精準(zhǔn)識別所有風(fēng)險）、自動駕駛（基于風(fēng)險場景和用戶狀態(tài)完成個性化智能推薦的管理措施）、以及自我學(xué)習(xí)能力（在黑產(chǎn)不停變化的同時保證整個風(fēng)控系統(tǒng)能夠自動學(xué)習(xí)、更新）。
在這套風(fēng)控引擎的支持下，目前螞蟻金服的資損率已經(jīng)小于百萬分之一，每秒可以在峰值時處理超過50萬筆的風(fēng)險交易，還可以在1秒內(nèi)更換整個策略體系。
不過，智能風(fēng)控領(lǐng)域仍然存在一些難以攻克的挑戰(zhàn)。芮雄文舉了兩個例子，一是黑產(chǎn)作案手段不斷變化，傳統(tǒng)的攻防模型過幾天效果就會下降；二是缺乏黑樣本的情況下讓模型精準(zhǔn)識別。
對此，東華大學(xué)校長、原同濟(jì)大學(xué)副校長蔣昌俊也分享了他的觀點：
“早期使用的規(guī)則系統(tǒng)產(chǎn)品性、針對性強(qiáng)，但適應(yīng)性、演化性弱。但騙子不可能拿著一招騙術(shù)一勞永逸下去，肯定會更新，這個時候規(guī)則系統(tǒng)難以適應(yīng)，所以需要模型和算法來解決這個問題。”
然而，模型和算法是抽取出來一個數(shù)學(xué)處理方式，其場景性已經(jīng)沒有那么強(qiáng)。在這個過程中，如何把規(guī)則的、場景性的特征針對性地融合到模型和算法中，讓模型和算法適應(yīng)整個場景，才會提高系統(tǒng)的時效性和穩(wěn)定性。
“這是需要賽手們發(fā)揮智慧的地方。”蔣昌俊說道，
“另外就是黑樣本和正常樣本數(shù)量嚴(yán)重不對稱的問題。一般來說，兩個樣本在差不多情況下建立的模型會比較好，而在嚴(yán)重不對稱的情況下，怎么還能夠達(dá)到這個效果？這就是這個風(fēng)控問題的第二個難點，做好了也是這個問題的亮點。我覺得這是關(guān)于智能風(fēng)控的問題上需要大家去創(chuàng)新、去創(chuàng)造的地方。”
二、智能金融客服第二道賽題則與智能客服相關(guān)。普惠金融的重要目標(biāo)就是給廣大用戶提供高效和個性化的客戶服務(wù)體驗，以人工智能技術(shù)為核心的智能客服在提升用戶體驗方面扮演了重要角色。
而智能客服的本質(zhì)，就是充分理解用戶的意圖，在知識庫中精準(zhǔn)地找到與之相匹配的知識點，從而回答用戶問題或提供解決方案。整個智能客服都是圍繞著用戶問題而構(gòu)建，問題相似度計算則是貫穿智能客服知識庫建設(shè)、在線問題匹配，全鏈路數(shù)據(jù)化運營等幾乎所有環(huán)節(jié)最核心的技術(shù)，這項技術(shù)的發(fā)展及其相關(guān)數(shù)據(jù)的建設(shè)，勢必會促進(jìn)整個客服行業(yè)的進(jìn)步。
“在金融領(lǐng)域，挑戰(zhàn)本身是非常廣泛的，來自很多方面。”螞蟻金服副總裁、首席數(shù)據(jù)科學(xué)家漆遠(yuǎn)說道，“為了解決這些問題，我們開發(fā)了一系列人工智能算法。”
而在開發(fā)算法的核心，也就是打造人工智能引擎的過程中，螞蟻金服也遇到了很多挑戰(zhàn)，例如使機(jī)器學(xué)習(xí)引擎能夠快速的再判斷、如何面對非常小的樣本實現(xiàn)學(xué)習(xí)和預(yù)測等。
“我們在這里做的第一個工作就是在智能客服上面，希望通過多輪對話的能力使支付寶更加智能，可以理解對話背后的意義。”漆遠(yuǎn)補(bǔ)充道。
螞蟻金服資深算法專家張家興進(jìn)行賽題闡述時說，“這個賽題說起來它的定義非常簡單，就是給你兩句話，讓你判斷這兩句話說的語義是不是一致的。比如一句話是‘花唄怎么還款’，另外一句話是‘花唄如何還錢’。這兩個句子有很多字不一樣，但是有相同的意思。”
這在智能客服中的意義是非常重大，但背后并不簡單。
首先，客服最重要的一點就是理解用戶的意圖，然后在知識庫中匹配相關(guān)的知識點。目前工業(yè)界最主流的匹配做法就是把用戶的問題與知識庫中所有的問題逐一進(jìn)行相似度計算，把相似度最高的問題作為用戶的意圖，再把它的答案返還給用戶。
除此之外，相似度計算對整個客服的各個方面也都具有意義。例如，知識庫其實是用是基于文本的自動挖掘而來，這個文本的自動挖掘算法也要基于計算任意兩個文本之間的相似度，或者高維空間二者之間的距離。
在數(shù)據(jù)化運營的各個環(huán)節(jié)，還有包括搜索推薦、對話等其他領(lǐng)域，相似度計算也都是非常核心、基礎(chǔ)的問題。
而眼下，NLP相似度計算所面臨最大挑戰(zhàn)和問題恰恰是在于，智能客服里面存在大量的非常多樣性的問題，包括各地的方言、口語以及各種表達(dá)方式等方面的不同，對問題的匹配提出相當(dāng)高的要求。但NLP的進(jìn)展主要集中體現(xiàn)在情感分析和翻譯方面，在這些場景下，大多情況下是在一個比較固定的數(shù)據(jù)集，可以在比較簡單干凈的數(shù)據(jù)集上得到很好的結(jié)果。
“這里的挑戰(zhàn)其實也很簡單，就是因為人的在他表達(dá)相同意思的時候，可能性太多了，有各種各樣不同的說法。”張家興還給出了自己的解題想法：
一是關(guān)注問題的表達(dá)以及不同層次的表達(dá)。人們所看到的自然語言本身也是一種表達(dá)形式，在這個基礎(chǔ)上可以做很多事情。例如，基于深度學(xué)習(xí)模型把句子變成一個向量，計算向量之間的距離；也可以通過依存分析，把句子建立一個語法樹，在樹的層次上建立模型匹配；或者可以把句子真正理解到語義層次，這樣一來，把任何兩個句子的語義做一個匹配可能會達(dá)到更好的效果。這都是實踐中的嘗試，希望大家也可以嘗試出更多的道路。
第二點在于，機(jī)器學(xué)習(xí)依賴大數(shù)據(jù)，這道賽題給的是客服領(lǐng)域的數(shù)據(jù)，希望大家可以探索更多領(lǐng)域的數(shù)據(jù)，用一些機(jī)器學(xué)習(xí)方法把其他領(lǐng)域?qū)W到的東西結(jié)合客服領(lǐng)域的數(shù)據(jù)上來，最終達(dá)到更好的效果。
事實上，無論是黑產(chǎn)的變化多端導(dǎo)致的樣本信息不對稱，還是因為客服數(shù)據(jù)多樣性造成的模型弱適應(yīng)性，這些問題都要解決“小數(shù)據(jù)”問題。我們理論上常說如果有了大數(shù)據(jù)就能怎樣怎樣，但實際工程化過程中都很難達(dá)到如此理想的環(huán)境。無論是遷移學(xué)習(xí)，還是無監(jiān)督學(xué)習(xí)，如何用較少的樣本來達(dá)到更高的精度，更快速的識別率，提升機(jī)器學(xué)習(xí)泛化能力，都是下一階段極具挑戰(zhàn)性的課題。
這一系列命題，部分構(gòu)成了新金融領(lǐng)域當(dāng)下最需要解決的難題。
下載文檔
