资讯 金融科技
此为临时链接,仅用于文章预览,将在时失效

第四范式柴亦飞:低门槛的AI平台正在成为一种趋势

作者:周舟
2020/07/23 11:55

第四范式柴亦飞:低门槛的AI平台正在成为一种趋势

做AI驱动的公司,还是做驱动AI的公司,这是一个问题。

所谓AI驱动的公司,指的是某个或者某些业务通过AI赋能,业绩大幅提升的公司,比如各大金融机构、大型医疗企业等AI+公司;而所谓驱动AI的公司,是以提供AI技术或者服务为生,提高企业智能化比例的公司,也可称为人工智能技术与服务提供商。

随着人工智能服务提供商快速的“攻城略地”,受AI驱动的公司越来越多。但仍有大量企业没有接触或者还未深入应用人工智能,根据麻省理工学院(MIT)访问学者李大维的一份报告,只有32%的中国企业在数据和商业应用方面应用人工智能。智能化之路任重道远。

目前,阻碍众多企业进一步智能化的的因素在于,AI系统或者平台的使用门槛过高。如何将AI的使用门槛降低,让更大范围的人群也能接触和使用AI,成为人工智能技术与服务提供商以及需要AI赋能业务的企业绕不开的一个难题。

对此,雷锋网(公众号:雷锋网)「AI金融评论」采访了人工智能技术与服务提供商——第四范式合伙人/副总裁柴亦飞,他向我们讲述了AI在金融领域的落地情况和近期AI在金融方向的一些行业动态。

以下为柴亦飞的口述:

银行的AI“新需求”

在选择做「AI应用」,还是做其背后的「AI平台」之间,第四范式选择了「AI平台」,将目标客户定位在那些需要通过AI实现智能化转型的企业。企业客户可以在我们的「AI平台」上,自己造出10个、100个甚至1000个「AI应用」。

近两年,我们发现银行等金融客户的需求有了一些新的变化。

此前,金融机构会比较在意我们提供的AI系统的功能和效果,现在他们也关注它的使用门槛。

一直以来,AI一直由学过建模的专业数据科学家来操作,门槛很高,极大地影响了AI的产能。而随着AI在金融机构的普及和规模化应用,头部银行开始希望熟悉业务、但没有学过建模的非计算机专业的员工,也能操作我们的AI平台来开发AI应用。

第四范式基于自动机器学习技术(AutoML)将机器学习建模的过程自动化,相比原来靠建模科学家「手动建模」,AutoML让机器自动建模、迭代,跑出效果。根据模型AUC指标,我们发现AutoML的建模效果,并不比人工建模的差,甚至比专业的建模科学家做的还有提升。此外,自动化也节省了大量开发时间,比如某客户在做高危客户流失预警模型时,只要用原来1/40的时间就能跑出模型。

第四范式希望以一个低门槛、低代价的AI平台,让没有机器学习背景的人也能开发AI模型,帮助企业客户在更多重要场景上做AI应用尝试。实际上,这种设想已经在很多大型银行里真实落地,而且越来越受市场欢迎,这是我们近来发现的一个新变化。

“大众化”的三种方法

当然,降低企业客户使用AI的门槛,绝非易事,需要多种方案齐头并进。

首先,是人才的门槛,这是企业在AI应用中面临的普遍问题。现在我们看到大部分银行不会只投入一两个AI应用,他们有几十个甚至上百个AI应用的需求,但核心问题是,这些AI应用需要数据科学来构建,但传统企业并没有足够的AI人才。去年Gartner在AI应用现状调查报告中也提到,AI人才的匮乏,是目前企业进军AI的首要挑战。

上面我们提到AI的规模化需要让非机器学习背景的业务人员或者是开发者也能开发AI应用。然而JAVA工程师会说没办法做到,因为人工智能太难了。这也是为什么我们投入非常多的精力与时间去降低AI平台的使用门槛,目前开发者在经过简单学习后,也能在我们的平台上构建足够好的AI模型。

其次,是数据的门槛。现今很多企业都存有一定的数据,而这些数据是通过BI(商业智能)的方式收集的。BI以图形和报表的形式呈现,是给决策层的管理者看的,不能简单地直接用于AI。但是客户或者一些帮客户做AI应用的公司,本身没有太重视这个问题。最终,在线下用离线数据建造的模型效果很好,但是上线后,常常出现各种问题,这是因为AI不同于BI,需要大量完整的、形成闭环的数据,因此构建一个专门的面向AI的数据治理体系,也是十分重要的。

最后,是成本的门槛。顶尖的互联网公司,每年都需要有很多服务器来支撑AI业务,甚至会花费上百亿,但很少有公司能够承受这么大的成本。AI是硬件和软件深度融合的体系,我们发现采用软件定义算力的方式,不止性能会提高,成本也会大幅降低。

十倍增效的「AI方法论」

现在,人们从怀疑AI是否真的有价值,转而思考AI提供的价值是否能给企业业务带来质的飞跃。

比如在金融机构,前些年,大家应用AI比较多的是传统的营销场景,即通过短信、电话进行精准的理财产品推荐与营销。一些营销类的场景在应用AI之后,成功率/转化率能能提高10%到500%。

近几年,一些银行开始做智能风控场景,以交易反欺诈、申请反欺诈的业务为例,效果也很喜人。在反欺诈这一领域,做得优秀的银行比不太重视的银行水平要高出很多。而过去在反欺诈领域做得好的银行,他们的反欺诈系统应用了人工智能之后,效率提升能达数十倍,最终给业务带来了质的改变。

随着一些传统的线下信贷转变成了线上的信贷业务,风控的业务越来越复杂,数据复杂度和场景复杂度都在提升。而智能风控对于复杂多变的场景有很强的模型精准度,优势也越来越明显。

目前,很多银行在智能营销、智能风控等领域已经展开了诸多探索和落地,AI正在进入一个比较成熟的应用阶段。

银行的“思”与“变”

银行也正在面临着非常复杂的竞争局势。不仅仅是同业的银行想要“争地盘”,甚至要与互联网公司、金融科技公司等互相博弈。现在大部分用户已经不去线下网点了,如何投身于互联网大潮,争夺线上“蛋糕”成为首要目标。用户在线上的行为、兴趣点、使用时长、消费场景等信息的授权获取,数据又如何转化成实实在在的业务价值,是当下所有银行都在思考的问题。

在这个过程中,利用人工智能技术,可以对用户数据进行分析与挖掘,建立超高维模型,实现对每一个目标用户的精准刻画,提升其线上体验。这与以往传统的BI模型通过标签将用户进行简单分类的方式截然不同。

对金融机构来说,用户留在机构内的相关数据将是极具价值以及区分度的信息。利用人工智能等手段对客户进行精细地刻画,进而采取差异化、“千人千面”的行动,实现多业务、跨场景、全链路的精准营销和运营,与客户建立更深刻的联系,正在成为金融机构的主要发力点。

对于为金融机构提供AI服务的企业而言,有的在做定制化的服务,有的专注于标准化产品的开发。第四范式目前除了AI平台的工作之外,也对一些AI落地方法论十分关注,包括如何推动银行建设更底层的AI基础设施、如何提高数据管理和治理体系的效率等,这方面的工作可能比我们上线一两个AI的场景应用,价值更大。(雷锋网、雷锋网)

文章点评
相关文章