金融科技这一行，存在两种「伪AI产品」。
一种是温室花朵，产品性能在实验室和小数据场景中表现优越，然而一旦放在枪弹雨林的复杂业务环境中，系统立马崩溃。好比碰到欧美球队的中国男篮。
二是画蛇添足式产品，很多IT问题，明明可以用简单、传统的技术方法就能解决，但企业非得让客户使用更贵、更复杂的产品。犹如高射炮打蚊子。
金融行业到底需要什么样的人工智能？
为此，雷锋网《AI金融评论》策划了「AI能否解决金融刚需问题」系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行采访，期望在不同的商业和技术认知下捕捉观点碰撞的火花。
本系列选题的第一篇文章，由冰鉴科技CEO顾凌云讲述他眼中AI和金融之间的关系。
以下为顾凌云的所感所想：
闻到血腥味儿的“鲨鱼”
90年代末，我在CMU计算机学院攻读博士，当时选择了AI作为研究方向。
其实在21世纪的第一个十年里，人工智能从商用角度来讲，始终是阳春白雪，难以落地。
直到深度学习爆发后，我才意识到，AI的时代要来了。
于是在2015年，我创办了AI金融风控公司——冰鉴科技。
「冰鉴」拥有上百家客户，其中也包括工商银行总行、中国银行总行等大客户，投标经历，不可谓不丰富。
当年有一家国有行，在网上公开招标，这一赛道里的金融科技公司，听到这条消息后，都像嗅到了血腥味的鲨鱼一样。
那次POC极其惨烈，一共来了29条“鲨鱼”。
这29家公司中不仅有做人工智能算法的、有做IT系统的，甚至，连咨询公司都来凑份热闹。
这么多公司只选出5家进入第二轮竞争，而「冰鉴」是这5家公司当中「技术标」第一名。
当然，这并不意味着我们最终赢得胜利，后面还有竞争更为激烈的「商务标」。
商场如战场，这5家公司中，有一家在圈内比较知名的公司砸了一个极低的价格。
但幸运的是，这家大型银行的商务标的百分比调的没有那么高，技术标的百分比也调的没那么低。
最后，我们争得了技术标和综合标的第一名，成功拿到了这一单。
这是我印象最深刻的一次POC经历。
当然，POC测试也好、投标经历也罢，要想成功竞标，拥有一支技术铁军，永远是第一位。
管理一支卓越的技术队伍，最基本的原则就是，领导者能够清晰地定义问题，清楚地知道每一种AI方法的能力和边界。
我之前听一些专家谈到这么一个观点，如果能用上个世纪的传统方法很好地解决问题，那就别轻易用最新的算法。
其实在金融风控领域也同样如此，很多业务根本用不到先进的机器学习模型，一个简单的决策树或逻辑回归就能完成。
但很多AI公司犯了一个比较致命的错误，认为凡事都该用前沿和复杂的方法。最后把AI这个实用的工具，弄成了炫技的道具。
这非常可悲。
AI不是一个筐，任何东西都可以往里装。
从CMU读书到创办冰鉴科技，虽然一直都在和AI打交道，但我不认为AI就是放之四海而皆准的真理、不认为在任何场景下AI都可以应用地比现有的技术都要好。
张口闭口谈AI，却对以往的信贷风控方法嗤之以鼻，那它基本不是一家AI公司。
AI不是「排他型」的技术，不会一路走来像坦克碾压一样，把历史上所有的算法或方法都扔进垃圾桶。
在我们做数据处理时，数据的来源越是繁杂、越是难以用人工分析，AI所发挥的功能越强。
当每一个物理变量都非常清晰，我们为什么还一定要用AI画蛇添足？
但是，这并不意味着企业要减少科学家团队的招募力度。
根据我多年经验来看，搭建一个特别昂贵的机器学习团队，非常必要。
冰鉴85%以上的员工是技术人员，很多来自CMU、MIT、斯坦福等高校，他们无论是工程师还是产品经理，撸起袖子就可写代码、整整领子便能谈商务。
一家科技公司靠一个算法或者一个特别复杂的机器学习模型，就想长期领跑行业，几乎不可能。
科技在不断变迁，研究的方向也在不断改变，一家公司能在某一技术领域领先其他对手6~9个月，就已经非常了不起。
我认为，能够保证我们在最新的领域中始终保持自己独到的见解，甚至再进一步，引领行业新的研究方向，才是我们打造昂贵机器学习团队的最终目的。
“鸡肋”的人工智能
目前人工智能在金融行业中有着非常多的应用，企业也不断在拿锤子找钉子。
但很多时候，AI在一些看似热门的应用领域，其实际效果并不理想。
在计算机视觉当中，有个非常传统的研究领域叫OCR，说白了就是识别图片上的文字，然后提取出来，变成可编辑的文档。
这些数据电子化后，我们做模型就会非常方便。
听起来很简单，但实际操作却非常困难。
如果OCR扫描的是高考试卷，哪里放照片、哪里写姓名、哪里填数字，每一张试卷的格式都一样，那么OCR可以很快捷的识别。
但是如果每一张纸的内容不同，就很难处理了。
每一次上法庭前，律师都需要准备大量的材料。每份材料都有相对应的观点，需要一一分类。
这些事，全靠法律实习生或者实习律师，通过查阅浩如烟海的文献资料，归纳总结出来。
律师事务所就在想，这些法律材料比如公司的营业执照、组织机构代码、财务文件、合同等等都是打印出来的图片。
能否通过OCR将这些图片扫描，然后通过自然语言处理，找出相关内容，放到律师的观点下。这样律师上庭的时候， 不用自动归纳总结，用AI技术就可以轻松搜证。
这是一个听起来，目前技术可以解决的问题。但是真正操作起来，即使用最好的NLP技术，50%的正确率也达不到。换言之，和扔硬币没区别，我扔硬币的准确率还50%。
法务这样的一个场景，很多公司都在做，都希望赚钱，但实际上AI的实际应用效果一点都不好，而且价格高昂。
你可以去任意一家律师事务所询问，有没有人采购这种可以轻松分析大量法律文件，归纳总结并拿去上庭的AI产品。一定不会有答案。
AI没能帮助律师事务所处理这个问题，实际上是因为底层的技术本身还不够强劲，从理论到实践还有很长的路要走。
想要解决这个问题，AI企业第一要做的是将基础算法再往前推进一步，第二点是在数据采集的过程中，保证采集的数据更加清晰、干净。
此外，在非常火热的智能营销领域，由于用户有多元化的需求，然而市场上的产品较少，导致推荐效果并不理想。
我们的方法则是用很多跟AI相关的算法，对流量进行分层。一家公司不管好坏，只要购买了流量，我们就能根据非常有限的信息，对每一个客户进行一次用户画像。
画像后，进行分层，分层后，对不同的人群和不同的流量，进行最优化，然后匹配。
让AI成为“鸡腿”
食之无味、弃之可惜，如何让AI这只“鸡肋”变成“鸡腿”，一直是金融和科技公司在思考的问题。
银行需要一些客观的标准来鉴别哪家金融科技公司AI实力更强，随着合作的愈发紧密，甲乙两方也逐渐摸索出一套比较通用的技术指标。
其中第一个标准叫「KS值」，KS是俄罗斯两位科学家的名字，因为两个人的名字太长，世界上没几个人能记得，所以把他们名字的第一个字母提取出来。这是一个用来衡量AI模型好坏非常通用的指标。
另外一个指标叫「AUC」（Area Under Curve），就是在一条曲线下的面积到底有多大，在这个曲线下的面积越大，说明这个模型效果越好，反之模型效果越差。
还有一个指标叫「F-score」，当准确率变得越来越高的时候，效果也会越来越好，可以把更多的坏人挡在门外。
刚才讲了三个指标，但是如果你的模型覆盖率太低，那也没用。
假如某个模型的目标是覆盖1000万人，即便你测试了1000人，达到了测试标准，但是这并不代表你的AI产品一定就是好的。
此外，AI模型也是有时效性的，随着时间的变化，它的性能是否会大幅下降？AI模型在更新的过程中，是否需要大量时间和金钱？AI模型和银行的核心系统在对接的过程当中是否简易？AI模型本身是否做的很标准化？
这些都是在技术指标之外，银行使用AI产品时，必须要考量的标准。
金融业务十分复杂，每项业务所需要的AI能力也不尽相同。
我们知道，人工智能的三大技术分支：计算机视觉、语音语义、机器学习，对实际业务的改善效果也各有千秋。
计算机视觉在人脸识别、生物特征识别上应用的更多，具体到金融业务中，在支付方式上应用的就很广泛，现在很多人去商店购物都是刷脸支付；当你去银行或者证券公司开户，也普遍使用这样的技术。
当一家企业开完户后，你如果要申请贷款或者理财时，语音语义（自然语言处理）所具备的舆情分析能力就变得很重要。
计算机视觉、自然语言处理一般是应用在贷款过程中。
贷款后，金融机构需要判断个人或者企业发展稳不稳定，是否能还钱。而机器学习算法本身就可以帮助金融机构决定谁先还款、如何还款。
在贷后管理环节，还可以应用语音识别技术。利用人工智能客服，可以大大减少人力成本、提高效率。此外，教育客户什么是AI、怎么用AI也是非常重要的一点。
我们的方式是联合建模，手把手地和客户共同完成一个项目。
联合建模比咨询更进一步，大家肩并肩坐在一起，我告诉你我是怎么一步一步把这个模型建出来的，你跟着我用你的数据重复一遍，这种方法是教育不太懂AI的客户最好的方法。
当然，银行在评估金融科技公司的产品时，也会有自己自有的一套指标或者方法。
比如说某些消费金融机构，会执行一套客观的指标。以24小时、7天或者30天为一个期限，他们会时时刻刻监控模型的效果，一旦模型的效果超出规定范围，马上就会根据期限调整产品。
即使你本身的模型效果很稳定，他也会每3个月做一次测评，每6个月做一次测评，每一年对供应商进行一次重新的测评和调换。
通过这种方法来保证他们使用的产品，一直由最佳技术实力的公司提供。
我的一些思考
从业这么多年，我不断地在加深一个认识：科技和监管之间的关系到底是什么？
很多人认为这两者之间是一对冤家，监管越严，科技公司发展得越困难。我觉得不是。
监管本身跟谁都没有仇，监管是为了能够让金融和科技在合法、合规的框架中更好的发展。
监管，实际上监管的都是金融机构，当然金融公司受到了影响，科技公司也会受到影响，但这并不意味着监管直接对科技产生了影响。
大多时候，监管限制了金融机构的发展，却促进了金融科技公司的长远进步。
没有监管，科技本身将裹足不前。
因为没有监管，银行和金融机构赚钱太容易，从而不会在技术上有大规模的投入。
但是，一旦有了监管，金融机构就戴了锁链，还想赚钱就必须提高自己的竞争力，而提高自己竞争力最好的方法是拥抱科技公司，所以最终监管暂时抑制了金融公司的发展，促进了科技公司的发展， 最终促进了两者的共同发展。
监管的本质是良币去驱逐劣币，监管打击的是劣币，促进了真正的科技公司的发展。
科技公司一般都比较前卫，研究的东西也比较新颖。
人们于是认为科技公司开着一辆法拉利跑车，嗡地一声就开出去很远，监管可能还骑着一辆二八大杠的自行车，在后面追也追不上。实际上不会这样。
因为「监管」在整个道路上面设计了网格化。网格化就是红绿灯、限速、停车等标志，跑得再快的法拉利，到了路口，也要停下来。
红绿灯的时间由「监管」来调控，如果监管觉得科技可以跑得更快，就让绿灯亮的时间更长；如果觉得科技已经跑得太快了，有超速的倾向，监管可以将红灯的时间调得更长。
最后，我也想对金融科技的创业者和优秀技术人才说几句话。
如果你是悲观主义者，那就别再往AI金融行业里跳了，它早已不是蓝海，而是一片看不到头的红海，你还往里跳什么，即便你穿着救生衣，带着游泳圈跳进来，不淹死你，也能挤死你。
如果你是乐观派，你们赶紧来吧，AI金融和其他所有行业比起来，属于近水楼台先得月，是离国民经济最核心的地方。
在这样的行业中，对于科技的渴求是最强烈的，是最容易做出一番事业、最容易发挥我们技术人才聪明头脑的。（雷锋网）雷锋网
封面图来源：电影《万物理论》
正在生成分享图...
nebula