新智元報導
“螞蟻金服是一家技術驅動的公司， 我們做的事情， 是使 AI 技術成為普惠金融的支點。 ”螞蟻金服副總裁、首席科學家漆遠博士， 在有中國“ AI 春節”之稱的新智元2017開源·生態AI技術峰會上表示。
大約一個月前， 在北大“人工智慧前沿”系列課程的講堂上， 作為特邀演講人的漆遠已經將 AI 技術和普惠金融的概念結合到了一起。 在新智元 AI 技術峰會上， 漆遠再次強調：“螞蟻金服核心的關鍵點在於普惠的金融服務，
場景！場景！場景！
從技術到落地， AI 的場景化應用成為本次新智元技術峰會上的一個關鍵字。 漆遠指出， 在杭州， 螞蟻金服和城市政府直接對接了超過100項市政服務， 比如司機闖紅燈， 可以通過支付寶進行直接賠付。 “再舉幾個例子， 支付寶可以在杭州城區購買地鐵票；當芝麻信用超過一定分數時， 人們可以免押金入住酒店， 免押金租房；人們可以使用支付寶在中醫院掛號， 可以乘坐公共汽車。 其實所有這一切， 都是依託場景。 ”
而杭州的變化只是中國萬千城市的一個縮影， “在浙江， 一年有6億人次享受城市服務， 全部通過手機實現。 例如， 95%的超市、便利店可以用支付寶進行付款。 這些資料背後， 可以看到一個人的吃穿住行等方方面面。 如此觸達的條件實際上為我們奠定了非常堅實的基礎， 能夠讓我們把技術和場景結合起來， 提供真正有價值的服務。 ”
“大家會問， 講 AI 為什麼要講這些？最近有人寫了一篇文章， 講 AI 的娛樂化趨向。 這其實是講了一個 common sense， 就是做 AI 離不開場景……我相信技術是第一生產力， 關鍵是怎麼落地， 在商業場景裡發揮出價值。 ”
漆遠認為， 一個非常重要的經驗是， “不要為了做技術而做技術， 一定要想到有商業價值的、有資料的場景， 場景非常關鍵。 否則， 只是在公司裡面閉門造車， 做了也沒有用。 如果是初創公司， 這公司已經註定要完蛋。 這其實是非常關鍵的一個point。 比如說我在阿裡做第一個項目， 是做參數伺服器， 就是分散式機器學習平臺。 但是我們找的第一個應用點特別簡單， 大家猜猜什麼場景會有商業價值？對，就是廣告。”
“於是我們就在CTR預估上採用了這個系統。因為這個系統只要能提升1‰，就有很多收益；提升1% 的收益就更多。我們當時做這個項目，應用在雙11即時預測的使用者產品推薦上，後來變成了阿裡巴巴第一個大規模機器學習平臺。所以一開始你要找到一個商業價值的落地點，如果我們做參數伺服器，同樣的技術，就是死路一條。在公司，在商業環境中，這肯定是沒有前途的。”
“又比如深度學習技術的應用。它帶來了圖像識別、語音辨識、NLP 等領域的長足進步，但是它的落地點在哪裡？這就要問你的核心價值在哪裡。一開始我們就很具體，就做客服。大家可能覺得這不是一個sexy的行業，但是真正能做好就有巨大的商業價值。這同樣是要在場景中體現能力。”
而對於場景和資料、雲計算以及演算法的關係，漆遠論述到，“其實很多公司今天都正在、或者已經完成國內互聯網領域的上半場角逐。之後，大家開始真正競爭的是雲計算的能力，比如阿裡，比如螞蟻金服的雲，比如微軟和Amazon的雲，而這背後其實就是資料。比拼的是誰的場景資料本身有價值。其實阿裡內部有一個比喻：資料是土壤，土壤上要蓋高樓，才能產生價值，這要靠演算法，靠人工智慧。要真正能把價值體現出來，而不是坐在金山上吃饅頭。我們需要通過人工智慧，讓使用者產生的社會資料發揮價值，並將有價值的服務帶給使用者。場景的 vertical domain 非常重要。場景一邊為我們帶來資料，一邊為使用者帶來真正有價值的服務。”
從智慧客服到保險業
在金融服務這一大場景下，漆遠特別以其中的智慧客服、個性化產品和資訊推薦、保險及自動核賠等多個小場景為例，展現了AI 技術的應用及產生的價值。
“螞蟻金服正在構建人工智慧方方面面的能力和應用，我們在能力上的配備還是比較標準的——機器學習、自然語言處理（NLP）、圖像識別、語音辨識，尤其是語音辨識，完全使用的是阿裡集團自己的語音辨識能力。螞蟻金服也在開發許許多多的商業應用。”
“在今天有件事情已經變成共識——如果做平臺，沒有業務都是會死掉的，這是我們當時戰略官的名言。在螞蟻金服，我們有非常豐富的場景，從信用芝麻分、租車到貸款消費貸、風險控制、行銷、智慧助理等等，技術本身、資料和商業場景有非常好的結合。”
智能客服
“智慧助理在螞蟻金服有很多的例子，聊天機器人不是我們的重點，我們的重點在產品知識問答，比如金融產品，完成訂電影票或者旅行甚至訂餐，還有金融服務，比如選擇哪個保險比較適合。
“在螞蟻金服，一個標準化的機器人應用就是客服。客服專案在螞蟻金服可以說是第一個標杆性的人工智慧落地專案，它一開始是典型的人力服務工作，在成都客服中心有幾千人，每年雙11接電話非常繁忙。我們在2015年要做智慧客服，使用人工智慧演算法提升整體客服效率。我們做了大約半年，自助率從60%一下子升到94%，2016年自助率高達97%，去年雙11最忙的時候，客服小二實際上非常輕鬆。今年我們有了一個新的標杆性的指標，兩三個星期前剛剛做到。這個新的指標就是不光要自助率高，還要把服務的品質提高，我們要更好地解決問題。兩周前，我們已經做到機器人的問題解決率達到了73%，超過了人的線上解決率71%。這是一個標杆的提升。
PPT上顯示的是三個簡單的真實APP展示，展示了機器人本身是怎麼來回答問題的；第二，在你沒有問問題之前，不靠語音信號或者NLP輸入資訊，而是通過使用者的行為軌跡自動判斷當前可能的問題在哪裡，系統會根據使用者的行為軌跡做出時間訓練模型進行分析；第三，人工+智慧。我並不是說用機器全部代替人，而是什麼時候用人，怎麼用機器把人的效率提升。這裡我以我們的客服小二和工作臺為例，怎麼把好的小二的經驗變成工作臺自身的一部分，利用他們幫助其他的小二工作。這就叫智慧工作臺，大規模提升了人類“小二”的服務品質。不光減少了人力，這個項目做了不到半年時間，我們公司統計減去人的成本，減去GPU的成本，公司省下來一個億多的資金。在螞蟻金服整體業務迅速擴張的情況下，我們的客服部門人員一直在減少，而所有其它業務人員都在增加——只有客服人員一直在減少，可以看到這個技術的效用。”
個性化產品和資訊推薦
“個性化產品和資訊推薦，這裡面有很多資料的融合問題，比如電商行為購買資料如何能夠説明財富升值、資訊閱讀能不能幫助我們支付消費等等。
這裡面有一個比較簡單的思想，就是借助我們大量的資料來源，建立比較大規模的深度學習網路，把所有資料做一個隱含的表達，在一個空間裡面把很多資料來源融合到一起。基於此，可以保護資料的隱私，也可以做出很多有意思的應用。
通過使用者屬性可以分析他的閱讀偏好，聚寶頭條諮詢和社區觀點推薦，比原來的演算法直接提升了六倍的點擊率。大家看PPT，這裡顯示的是使用者對緊身褲、連衣裙選擇偏好，漂亮女孩有什麼共性？其中一個是她們經常穿比較緊身的牛仔褲，她們中的很多人會購買手機螢幕服務，所以我們為這一人群開發了碎屏險的保險產品。這是個性化產品非常碎片化、但又非常長尾的應用的例子。”
保險及自動核賠
“保險業非常注重大資料應用，從人群定位到識別、從反欺詐到風險定價等等，從頭到尾貫穿著資料。運費險是一個現在比較經典的例子，我買東西要退，保險費只要一塊多錢，但是每個人不一樣，我們做到了完全個性化。一開始這並不是差異化的，而是一口價，所以最初這個生意一直賠錢，後來我們把一個廣告的演算法用到保險裡面，建立了一個人退貨概率和產品之間的關係——這其實和很多廣告非常類似，一個人點擊廣告也有概率——計算之後產生新的保險產品，這個保險產品一天盈利就達到幾千萬。這是典型的碎片化但是極為廣泛的應用的例子。”
“自動核賠，用戶在手機上報被盜32塊錢。人臉識別之外下面還有很多演算法和模型自動判斷是不是您，其實並不是只做一個人臉識別。整體能夠大幅度提升效率。”
一些挑戰
對於 AI 技術應用中一些特別需要注意的問題和挑戰，漆遠此前有過精彩論述。
基於加強學習的對話系統
“其實在對話系統沒有很多資料的情況下，一開始你很難做加強學習，有可能你就只能做一個規則技術。但再往後面，可能當你需要完成任務，以任務為目標的時候，你在做 task completion 的時候，就像下圍棋，你要完成任務，贏別人。這時候你和用戶其實是 interation。這個時候你可以考慮，怎麼來介入。大家也知道翻譯模型，對話系統很多用翻譯模型，我們叫做 seq2seq，也就是sequence to sequence。假如有一堆 sequence，假如是多輪對話，你能不能應付，就是一個 sequence 到另一個 sequence，再到另一個 sequence。這其實都是對技術的挑戰，對資料收集的挑戰，對資料標注的挑戰。”
小資料學習
“這個問題現在也越來越明顯了。其實今天講大資料，有點令人誤會。就很多場景下問題的複雜度而言，其實資料並不大。我們要分析風雲變幻的市場。就如剛才雷老師說，你看一個公司過去兩年的交易資料，其實一點不多，把季報全都加進來。其實一年就4份財報。在資料並不多的情況下，怎麼能夠把這個小資料學習的問題解決？”
推理和知識圖譜
很多問題需要你做推理，如果A發生了，到B，B發生，回到C，你怎樣把推理過程做好？今天，大家做了很多深度學習，比如說一個文本裡面，A會導致B的發生，你把這個相關的答案找到。但是並不能推理出B到C和C到D。如果做知識圖譜，其實跟深度學習沒什麼關係，今天的深度學習圖譜其實是建了一個圖模型，然後把這個點一個一個往下推，而這兩個框架是完全分離的框架，這其實也是分裂的。大家能不能真正有一套機制，能有推理的功能？這其實既有理論上的價值，更有商業上的價值，巨大的價值。剛才已經提到知識圖譜了，大家其實現在有一系列演算法講知識圖譜，knowledge graph，但是學術上發表的很多文章，工業上暫時是沒法用的。有一些演算法——我就不說哪個演算法了，有的還是我好朋友寫的——很難應用在工業上，為什麼呢？因為它基本上不能達到需要的準確性。
無監督學習
“另外，無監督學習也喊得比較響。這是跟小資料學習相關的。很多資料是有標注的，還有很多資料沒有標注，那怎麼能夠把沒有標注的資料都用起來，真正做到把資料的所有價值都真正體現出來？當然，在無監督學習和有監督學習中間，還有一個半監督學習（有一部分有標注）。我們怎麼把它們結合起來一起進行學習？這也是一個在今天的背景下非常有意義的方向。”
資料和模型的壓縮
“從工業界來講，更實用的是資料和模型的壓縮。剛才有人問我說深度學習能不能用於量化交易，尤其是高頻。我說高頻的話，如果深度學習有好幾層的模型，比如做圖像有 100 多層。而高頻交易希望在千分之一秒或者萬分之一秒之內把交易完成，這兩個互相矛盾。工業很多應用非常在乎即時性，不能有大量 delay。怎麼能做得快呢？這就需要模型的壓縮，要用 hashing 等技術，這也是非常好的方向。”
漆遠在演講的最後總結道：我們在做從移動互聯網到雲計算到端的擴展。螞蟻金服核心的關鍵點在於普惠的金融服務，而實現普惠金融服務依靠的技術就是人工智慧和大資料。
3月27日，新智元開源·生態AI技術峰會暨新智元2017創業大賽頒獎盛典隆重召開，包括“BAT”在內的中國主流 AI 公司、600多名行業精英齊聚，共同為2017中國人工智慧的發展畫上了濃墨重彩的一筆。
點擊閱讀原文，查閱文字版大會實錄
大家猜猜什麼場景會有商業價值？對，就是廣告。”“於是我們就在CTR預估上採用了這個系統。因為這個系統只要能提升1‰，就有很多收益；提升1% 的收益就更多。我們當時做這個項目，應用在雙11即時預測的使用者產品推薦上，後來變成了阿裡巴巴第一個大規模機器學習平臺。所以一開始你要找到一個商業價值的落地點，如果我們做參數伺服器，同樣的技術，就是死路一條。在公司，在商業環境中，這肯定是沒有前途的。”
“又比如深度學習技術的應用。它帶來了圖像識別、語音辨識、NLP 等領域的長足進步，但是它的落地點在哪裡？這就要問你的核心價值在哪裡。一開始我們就很具體，就做客服。大家可能覺得這不是一個sexy的行業，但是真正能做好就有巨大的商業價值。這同樣是要在場景中體現能力。”
而對於場景和資料、雲計算以及演算法的關係，漆遠論述到，“其實很多公司今天都正在、或者已經完成國內互聯網領域的上半場角逐。之後，大家開始真正競爭的是雲計算的能力，比如阿裡，比如螞蟻金服的雲，比如微軟和Amazon的雲，而這背後其實就是資料。比拼的是誰的場景資料本身有價值。其實阿裡內部有一個比喻：資料是土壤，土壤上要蓋高樓，才能產生價值，這要靠演算法，靠人工智慧。要真正能把價值體現出來，而不是坐在金山上吃饅頭。我們需要通過人工智慧，讓使用者產生的社會資料發揮價值，並將有價值的服務帶給使用者。場景的 vertical domain 非常重要。場景一邊為我們帶來資料，一邊為使用者帶來真正有價值的服務。”
從智慧客服到保險業
在金融服務這一大場景下，漆遠特別以其中的智慧客服、個性化產品和資訊推薦、保險及自動核賠等多個小場景為例，展現了AI 技術的應用及產生的價值。
“螞蟻金服正在構建人工智慧方方面面的能力和應用，我們在能力上的配備還是比較標準的——機器學習、自然語言處理（NLP）、圖像識別、語音辨識，尤其是語音辨識，完全使用的是阿裡集團自己的語音辨識能力。螞蟻金服也在開發許許多多的商業應用。”
“在今天有件事情已經變成共識——如果做平臺，沒有業務都是會死掉的，這是我們當時戰略官的名言。在螞蟻金服，我們有非常豐富的場景，從信用芝麻分、租車到貸款消費貸、風險控制、行銷、智慧助理等等，技術本身、資料和商業場景有非常好的結合。”
智能客服
“智慧助理在螞蟻金服有很多的例子，聊天機器人不是我們的重點，我們的重點在產品知識問答，比如金融產品，完成訂電影票或者旅行甚至訂餐，還有金融服務，比如選擇哪個保險比較適合。
“在螞蟻金服，一個標準化的機器人應用就是客服。客服專案在螞蟻金服可以說是第一個標杆性的人工智慧落地專案，它一開始是典型的人力服務工作，在成都客服中心有幾千人，每年雙11接電話非常繁忙。我們在2015年要做智慧客服，使用人工智慧演算法提升整體客服效率。我們做了大約半年，自助率從60%一下子升到94%，2016年自助率高達97%，去年雙11最忙的時候，客服小二實際上非常輕鬆。今年我們有了一個新的標杆性的指標，兩三個星期前剛剛做到。這個新的指標就是不光要自助率高，還要把服務的品質提高，我們要更好地解決問題。兩周前，我們已經做到機器人的問題解決率達到了73%，超過了人的線上解決率71%。這是一個標杆的提升。
PPT上顯示的是三個簡單的真實APP展示，展示了機器人本身是怎麼來回答問題的；第二，在你沒有問問題之前，不靠語音信號或者NLP輸入資訊，而是通過使用者的行為軌跡自動判斷當前可能的問題在哪裡，系統會根據使用者的行為軌跡做出時間訓練模型進行分析；第三，人工+智慧。我並不是說用機器全部代替人，而是什麼時候用人，怎麼用機器把人的效率提升。這裡我以我們的客服小二和工作臺為例，怎麼把好的小二的經驗變成工作臺自身的一部分，利用他們幫助其他的小二工作。這就叫智慧工作臺，大規模提升了人類“小二”的服務品質。不光減少了人力，這個項目做了不到半年時間，我們公司統計減去人的成本，減去GPU的成本，公司省下來一個億多的資金。在螞蟻金服整體業務迅速擴張的情況下，我們的客服部門人員一直在減少，而所有其它業務人員都在增加——只有客服人員一直在減少，可以看到這個技術的效用。”
個性化產品和資訊推薦
“個性化產品和資訊推薦，這裡面有很多資料的融合問題，比如電商行為購買資料如何能夠説明財富升值、資訊閱讀能不能幫助我們支付消費等等。
這裡面有一個比較簡單的思想，就是借助我們大量的資料來源，建立比較大規模的深度學習網路，把所有資料做一個隱含的表達，在一個空間裡面把很多資料來源融合到一起。基於此，可以保護資料的隱私，也可以做出很多有意思的應用。
通過使用者屬性可以分析他的閱讀偏好，聚寶頭條諮詢和社區觀點推薦，比原來的演算法直接提升了六倍的點擊率。大家看PPT，這裡顯示的是使用者對緊身褲、連衣裙選擇偏好，漂亮女孩有什麼共性？其中一個是她們經常穿比較緊身的牛仔褲，她們中的很多人會購買手機螢幕服務，所以我們為這一人群開發了碎屏險的保險產品。這是個性化產品非常碎片化、但又非常長尾的應用的例子。”
保險及自動核賠
“保險業非常注重大資料應用，從人群定位到識別、從反欺詐到風險定價等等，從頭到尾貫穿著資料。運費險是一個現在比較經典的例子，我買東西要退，保險費只要一塊多錢，但是每個人不一樣，我們做到了完全個性化。一開始這並不是差異化的，而是一口價，所以最初這個生意一直賠錢，後來我們把一個廣告的演算法用到保險裡面，建立了一個人退貨概率和產品之間的關係——這其實和很多廣告非常類似，一個人點擊廣告也有概率——計算之後產生新的保險產品，這個保險產品一天盈利就達到幾千萬。這是典型的碎片化但是極為廣泛的應用的例子。”
“自動核賠，用戶在手機上報被盜32塊錢。人臉識別之外下面還有很多演算法和模型自動判斷是不是您，其實並不是只做一個人臉識別。整體能夠大幅度提升效率。”
一些挑戰
對於 AI 技術應用中一些特別需要注意的問題和挑戰，漆遠此前有過精彩論述。
基於加強學習的對話系統
“其實在對話系統沒有很多資料的情況下，一開始你很難做加強學習，有可能你就只能做一個規則技術。但再往後面，可能當你需要完成任務，以任務為目標的時候，你在做 task completion 的時候，就像下圍棋，你要完成任務，贏別人。這時候你和用戶其實是 interation。這個時候你可以考慮，怎麼來介入。大家也知道翻譯模型，對話系統很多用翻譯模型，我們叫做 seq2seq，也就是sequence to sequence。假如有一堆 sequence，假如是多輪對話，你能不能應付，就是一個 sequence 到另一個 sequence，再到另一個 sequence。這其實都是對技術的挑戰，對資料收集的挑戰，對資料標注的挑戰。”
小資料學習
“這個問題現在也越來越明顯了。其實今天講大資料，有點令人誤會。就很多場景下問題的複雜度而言，其實資料並不大。我們要分析風雲變幻的市場。就如剛才雷老師說，你看一個公司過去兩年的交易資料，其實一點不多，把季報全都加進來。其實一年就4份財報。在資料並不多的情況下，怎麼能夠把這個小資料學習的問題解決？”
推理和知識圖譜
很多問題需要你做推理，如果A發生了，到B，B發生，回到C，你怎樣把推理過程做好？今天，大家做了很多深度學習，比如說一個文本裡面，A會導致B的發生，你把這個相關的答案找到。但是並不能推理出B到C和C到D。如果做知識圖譜，其實跟深度學習沒什麼關係，今天的深度學習圖譜其實是建了一個圖模型，然後把這個點一個一個往下推，而這兩個框架是完全分離的框架，這其實也是分裂的。大家能不能真正有一套機制，能有推理的功能？這其實既有理論上的價值，更有商業上的價值，巨大的價值。剛才已經提到知識圖譜了，大家其實現在有一系列演算法講知識圖譜，knowledge graph，但是學術上發表的很多文章，工業上暫時是沒法用的。有一些演算法——我就不說哪個演算法了，有的還是我好朋友寫的——很難應用在工業上，為什麼呢？因為它基本上不能達到需要的準確性。
無監督學習
“另外，無監督學習也喊得比較響。這是跟小資料學習相關的。很多資料是有標注的，還有很多資料沒有標注，那怎麼能夠把沒有標注的資料都用起來，真正做到把資料的所有價值都真正體現出來？當然，在無監督學習和有監督學習中間，還有一個半監督學習（有一部分有標注）。我們怎麼把它們結合起來一起進行學習？這也是一個在今天的背景下非常有意義的方向。”
資料和模型的壓縮
“從工業界來講，更實用的是資料和模型的壓縮。剛才有人問我說深度學習能不能用於量化交易，尤其是高頻。我說高頻的話，如果深度學習有好幾層的模型，比如做圖像有 100 多層。而高頻交易希望在千分之一秒或者萬分之一秒之內把交易完成，這兩個互相矛盾。工業很多應用非常在乎即時性，不能有大量 delay。怎麼能做得快呢？這就需要模型的壓縮，要用 hashing 等技術，這也是非常好的方向。”
漆遠在演講的最後總結道：我們在做從移動互聯網到雲計算到端的擴展。螞蟻金服核心的關鍵點在於普惠的金融服務，而實現普惠金融服務依靠的技術就是人工智慧和大資料。
3月27日，新智元開源·生態AI技術峰會暨新智元2017創業大賽頒獎盛典隆重召開，包括“BAT”在內的中國主流 AI 公司、600多名行業精英齊聚，共同為2017中國人工智慧的發展畫上了濃墨重彩的一筆。
點擊閱讀原文，查閱文字版大會實錄