929      阿裏雲  技術社區[雲棲]

前沿｜CCAI 2017專題論壇：擁抱智能金融新時代

7 月 22 - 23 日（上周末），由中國人工智能學會、阿裏巴巴集團 & 螞蟻金服主辦，CSDN、中國科學院自動化研究所承承辦,雲棲社區作為獨家直播合作夥伴的第三屆中國人工智能大會（CCAI 2017）在杭州國際會議中心成功落下帷幕。這也是該大會首次在北京以外的城市舉辦。

作為中國國內高規格、規模空前的人工智能大會，CCAI 代表著國內最高水準和最高質量的產學研 AI 技術交流，每年都吸引了數千人工智能從業者參與，尤以研究員、技術專家、教授為甚。本次大會匯聚了超過 40 位頂級人工智能專家，帶來 9 場權威主題報告，以及4 大專題論壇。

螞蟻金服在人工智能+金融領域的研究深耕已久，這也是螞蟻金服技術基因中重要的組成部分。螞蟻金服作為CCAI這場專業嚴謹的學術大會的主辦方之一，為大家帶來了眾多精彩的技術幹貨分享環節。其中，以“智能金融”為話題的專題論壇更是得到了大家的一致好評。沒有親臨大會現場的同學們不要灰心，小編蟻哥為你總結了“智能金融”專題論壇上的精華內容，一篇文章帶你把握智能金融的時代脈搏！

“智能金融”專題論壇的演講嘉賓及流程介紹：

主席：

李小龍，螞蟻金服人工智能部技術總監

嘉賓：

鄧小鐵，上海交通大學計算機係致遠講席教授

柳崎峰，香港智能金融科技有限公司(FDT-AI)聯合創始人兼CEO

Sudheer Chava，喬治亞理工學院金融學教授、Alton M. Costley主席

王夢迪，普林斯頓大學運籌與金融工程係助理教授

張勝譽，香港中文大學計算機係副教授

此次智能金融論壇為“主題演講”+“圓桌討論”的形式，包括螞蟻金服人工智能技術部總監李小龍在內，各位嘉賓首先分別以主題演講的形式分享了各自研究領域下人工智能與金融結合的前沿趨勢；隨後大家圍繞“智能金融”這一話題共同探討了學術界和工業界正麵臨的機遇與挑戰。

李小龍博士作為螞蟻金服人工智能部技術總監在他的演講環節分享了他對“人工智能+金融”的看法以及螞蟻金服的使命，並以螞蟻金服的智能客服助理為例，從技術應用層麵分享了螞蟻金服是如何將人工智能與金融服務進行很好結合的。

1. 人工智能+金融服務可以預見的使用場景非常豐富。以支付寶為例，它不僅僅是一個支付工具，無論其中的理財、投資、貸款、征信等業務，還是安全、保險、客服等服務，這些應用背後都離不開人工智能技術的支持。
2. 金融服務相比於其他行業而言，擁有發展人工智能技術得天獨厚的優勢——數據量大，且業務數據化程度極高。
3. 人工智能+金融服務的社會意義重大。眾所周知，傳統的專業金融服務往往有著較高的門檻，而大多數普通人的金融需求並不能得到很好的滿足。而借助於人工智能技術，我們真正可以做到降低金融服務的門檻，能夠以更優質高效的服務更多的用戶，讓人人都能享有公平的機會，實現普惠金融。

螞蟻金服是以信用為基礎，人工智能驅動的有想象力的金融生活公司，致力於為全球20億人提供普惠金融服務。

其中，有三個關鍵詞值得我們關注。

信用。讓信用等於財富，不僅是一句口號，更是我們每天實實在在在做的事情。我們會發現，信用社會的建設能夠讓每個人的信用產生價值，例如租房租車可以通過信用免交押金等。

人工智能技術驅動。我們認為，技術是推動平等的重要手段，其中，人工智能技術驅動至關重要。

普惠金融。普惠金融是我們最終的目標和願景，而我相信人工智能技術也會是普惠金融一個強有力的助推器。

在這頁PPT內，大家可以看到在螞蟻金服人工智能+金融有著非常豐富的應用場景。例如微貸和花唄的準入模型，例如金融領域的核心問題——業務安全。在財富領域，我們可以利用人工智能技術做理財產品的精準推薦、智能投資顧問；在芝麻信用板塊，人工智能技術可以利用用戶畫像做精準評估。

目前螞蟻在人工智能業務架構上大致包含幾個方麵：

底層算法層，包括深度學習、強化學習、圖學習等各種各樣的最先進的算法研究。垂直研究領域包括文本、語音、圖像、視頻等等。
中間工具層。我們在中間沉澱了一些內部的平台工具，包括異構學習、模型服務等技術的平台化共享。
上層產品層。基於算法和工具提供的能力，我們開發了提供金融服務的多種人工智能產品：包括搜索推薦、智能營銷、智能客服、金融大腦、輿情分析等。
最終，螞蟻金服的人工智能技術平台是用於賦能螞蟻內部的各個業務線的，如支付、口碑、網商等等。更重要的是，我們希望將這個平台上沉澱的強大技術能力開放地輸出給所有的金融機構。提到“金融科技”，螞蟻將更注重與“科技”層麵，將科技實力開放給金融機構，服務於金融機構，讓他們更好的發揮自己在金融業務上的專長。

最後，我會以智能客服為例，跟大家詳細介紹人工智能+金融服務是如何在螞蟻落地，並真正演進為服務大眾的技術產品的。

打開支付寶，可以通過“我的客服”圖標點進去感受螞蟻前沿的人工智能客服產品。支付寶每天的求助問詢達到四、五百萬，有了智能客服的幫助，絕大多數這些問詢通過人工智能即可解決，完全不需要人工介入，日常自助的比例高達94%。而去年雙十一自助服務的比例更是高達驚人的97%，同時智能客服的回答滿意度高過人工服務的3個百分點，服務體驗有了顯著的提升。這背後節省下來的人力成本是驚人的。

螞蟻智能客服助理主要包括兩大環節，“猜你問題”和“智能問答”。用戶進來後智能客服首先會根據用戶過去的行為和特征預測對方可能碰到的問題。而當這些問題候選如果沒有猜中用戶所想的話，用戶則可以利用對話框直接輸入他想谘詢的問題，這個時候“智能問答”功能就開始發揮它的作用了。

“猜你問題”：目前這項服務的點擊率由最開始的37%到現在的72%，巨大的提升背後主要是以下四個方向技術的提升。

1. 加入用戶的行為軌跡提高預測準確率，不僅局限於人工設置的因子特征。
2. 深度學習代替線性模型提高準確率。
3. 簡化知識庫建立過程並提高精度：利用數據挖掘從用戶的原始問句中提煉出標準問題，再由標準問題對應出標準答案。
4. 數據閉環：實現模型的在線學習和在線提升。

支付寶上每天都有四、五百萬的求助量，而在智能客服這一端每天也有四、五十萬的求助問題。如果你仔細分析這些問題，其中很多都是基於同一訴求的不同表達方式。通過聚類的方式能夠找到這一類表達所對應的標準問題和標準答案，極大的提升了知識庫的效率，也減輕了人工的工作量。

在用戶的行為軌跡編碼上，我們改進了DSSM的結構，用時間序列的描述，加進曆史操作信息。例如當用戶詢問“怎麼退款”，他可能問的是轉賬退款問題，可能是信用卡退款問題等等。但結合具體用戶之前的操作，係統就能準確定位他的訴求。這樣一來，根據用戶曆史行為的LSTM編碼，加上問句的DNN編碼，係統就很容易能定位到用戶所需的知識點是“轉賬到賬戶轉錯了怎麼辦？”，而不是“為什麼銀行卡轉賬被退回來了？”

除了上麵這些創新技術以外，我們還借鑒采用了其他的技術，比如說Decomposable Attention Model等深度學習領域的前沿技術、匹配語義樹、係統的優化等等。

除了螞蟻金服智能客服之外，我們還有很多人工智能技術+金融服務的落地案例。螞蟻金服讓我們技術人真正有機會將這些前沿的人工智能技術與眾多的服務場景相結合，鼓勵創新、大膽設想，我們最終能夠真正將技術落實在實際生活場景之中，造福大眾。

▲鄧小鐵，上海交通大學計算機係致遠講席教授

在一個拍賣環境下，每個拍賣者都有屬於自己的一套競價策略，那麼如何實現效率最高的拍賣策略呢？在互聯網領域，這類問題並不少見，搜索廣告的廣告競價拍賣、電商折扣設計等可謂這類問題的代表。鄧教授比較關注的對抗性學習和博弈學習就試圖解決這一難題。鄧教授在演講中用貝葉斯優化的方案來探討在金融學和經濟學上的常見問題——如何實現收益的最大化。

博弈學習解決的核心難題是多個玩家的博弈係統。在美國的金融交易市場中，機構運營占有很高的比例，且絕大多數機構都采用算法進行。當每個玩家都能夠在線調整自己的策略，是否收斂到失衡，這就是博弈論的範疇。從學術的角度來說，如何研究出一個漂亮穩定的模型是難點。而在實際操作中，真正起作用的反而是信息。你知道的信息越早、信息越優質，你就有機會選擇最優的策略。當然，如果大家的策略都一樣的話，整個市場就是平均的。

▲王夢迪，普林斯頓大學運籌與金融工程係助理教授

在提到人工智能的未來之前，我們首先需要回顧人工智能的曆史。助理教授王夢迪將人工智能的曆史分為了三個階段。

1950s-1990s，控製論——對機械裝置等已知係統設計自反饋機製。
1990s-2010s，機器學習——從大規模樣本中尋找事物之間的靜態映射關係。
至今，深度增強學習——探索複雜的動態係統。
什麼是增強學習呢？以德州撲克機器人為例，這套係統處在一個非常複雜的環境，和他一起玩的可能是網上的真人玩家，或是其他的機器人玩家。德州撲克機器人的經驗一開始非常有限，他需要從無數次和其他玩家玩牌的交互過程中總結遊戲的規則和經驗教訓，並從牌局的結果反饋來不斷更新自己的行為，以期實現最好的表現效果。

這個問題其實非常難，涉及方方麵麵，例如怎樣對一個複雜的係統進行降維和歸納，利用深度學習的方法來實現對策略和價值函數進行建模，同時讓價值網絡和策略網絡進行對抗式地學習，最終希望利用神經網絡來模擬人腦的總結歸納的能力。

目前我們對人工智能的研究可能還處於嬰幼兒時期。一些公司采用模擬人類學習的過程讓人工智能係統通過打遊戲的方式進行學習。在金融領域利用增強學習進行高頻量化交易，在經濟領域可以用其做動態在線定價，在醫療領域幫助醫生做醫學診療決策等等……

總的來說，無論是在硬件層麵、算法層麵還是係統層麵，人工智能領域都在飛速發展，大家有理由相信它在未來會創造更多驚喜！

▲張勝譽，香港中文大學計算機係副教授

人工智能在金融領域都有哪些應用呢？副教授張勝譽認為一共可以歸納為六類：

1. 人工智能技術服務類：如機器人客服、財務報表的自動生成和更新、基於生物特征的識別等等。
2. 金融產品或服務的個性化推薦，以及尋找優質的潛在客戶。我們希望根據用戶的瀏覽行為，用戶的個人畫像，用戶過往消費者的借貸行為，為其推薦產品和服務。這裏的數據十分豐富，一些看似和金融並不相關的數據都可能蘊含洞察。
3. 分配定價類。這是一種比較常見的場景，例如P2P網貸、共享經濟（包括打車拚車和共享單車等），如何利用人工智能技術將對應的人群和對應的定價進行綁定等。
4. 投資管理類：涉及到算法交易、風險管理等。
5. 防偽類：涉及到銀行和電商如何反欺詐問題。
6. 產品增強類。這部分的應用極富潛力，例如如何設計具有差異化和個性化的個體保險產品。

• 關於個性化推薦：
  大家可以看到，理財產品和金融類新聞的應用常常會對用戶進行每日推薦。眾所周知，不同用戶常有著不同的關注點和訴求，而這一點有時甚至用戶本身都無法準確意識到。例如很多用戶都無法準確評估自身的理財風險承受能力。而新聞推薦係統，你也無法準確獲得每一次推送之後針對具體某條新聞的用戶反饋。采用強化學習的 contextual multi-armed bandit 算法，能夠使係統平均來看非常接近最優推薦。

• 關於共享經濟：
  共享經濟指的就是多人分享一個物品。例如合租公寓、拚車等等。物品和人的匹配則是一個常見的問題。對於公寓來說，有的人喜歡朝南，有的喜歡大一點衛生間的；對於拚車而言，如果當前的乘客離某個司機比較近的話，那麼這兩個最近的匹配則能發揮最大的效率。共享經濟不僅是人和物品之間的匹配問題，還有人和人之間的匹配問題。例如合租公寓中住客的生活作息是否一致，業餘愛好是否一致的問題。拚車問題涉及的拚友之間的起始點是否一致、是否順路以及定價問題等。

共享經濟需要考慮的不僅僅是社會總效用的問題，還有社會公平和穩定性的問題。落實到具體的公寓分配、拚車分配，如果一味追求最優解的話，問題的難度相當於解決NP問題。但是談及學術研究，目前學界可以找到一定程度上的近似最優解，而且保證該解決方案能夠達到較高的穩定性。當這些問題我們能夠初步找到答案，接下來一個問題也隨之出現：如何解決這套係統的在線輸入和動態變化問題。
當人工智能進入金融領域，我們希望它的作用不僅僅是降低成本、提高效率，而且也能有一個更加公平的機製環境，讓人人都能平等的享受技術對生活帶來的美好改變。

來源：今日頭條
原文鏈接

最後更新：2017-07-25 14:02:39

  上一篇：  java 實現ftp文件的獲取跟下載

  下一篇：  Greenplum／Deepgreen主機改名