在中國人工智能大會(huì)上，螞蟻金服副總裁兼首席數(shù)據(jù)科學(xué)家漆遠(yuǎn)博士發(fā)表了主題為《金融智能的發(fā)展與應(yīng)用》的演講。在此次演講中，漆遠(yuǎn)從風(fēng)控系統(tǒng)、智能助理、定損寶等產(chǎn)品案例出發(fā)，全面介紹了螞蟻金服產(chǎn)品背后的 AI 技術(shù)。現(xiàn)場，螞蟻金服的“模型服務(wù)平臺(tái)”首次公開亮相，主打“模型所見即所得”。漆遠(yuǎn)表示，數(shù)據(jù)是資產(chǎn)，模型本身也是資產(chǎn)。未來，螞蟻金服也會(huì)將這個(gè)平臺(tái)作為其中一個(gè)AI能力向合作伙伴和客戶開放。本文根據(jù)演講內(nèi)容整理了螞蟻金服人工智能的發(fā)展與應(yīng)用圖譜。

螞蟻金服AI發(fā)展與應(yīng)用圖譜，回復(fù)“螞蟻”獲取高清版

以下為漆遠(yuǎn)博士演講實(shí)錄：

今天很高興給大家作一個(gè)分享，介紹一下AI在螞蟻金服的發(fā)展和應(yīng)用。

首先我會(huì)講一講為什么我們要做AI，為什么呢？因?yàn)锳I離不開場景和數(shù)據(jù)，為什么要場景，因?yàn)槲覀円鉀Q真正的問題，產(chǎn)生真正有意義的服務(wù)。在金融里面我們有大量的服務(wù)，從支付、保險(xiǎn)、財(cái)富、到風(fēng)控、微貸等各個(gè)領(lǐng)域，其中典型的場景就例如要判斷某個(gè)小企業(yè)是否具備相應(yīng)的信用能夠承受貸款的風(fēng)險(xiǎn)。

在所有的場景里面產(chǎn)生了海量的數(shù)據(jù)，而這些數(shù)據(jù)成為了人工智能的燃料，使得我們可以發(fā)展和應(yīng)用一系列的人工智能技術(shù)。而這些場景、問題本身又為人工智能帶來了挑戰(zhàn)，比如說時(shí)間敏感要求一筆交易需要毫秒級完成判斷。再如海量數(shù)據(jù)，一天幾億筆的數(shù)據(jù)，這就需要非常大規(guī)模的穩(wěn)定的風(fēng)控的系統(tǒng)。還有業(yè)務(wù)多樣性，比如說怎么用遷移學(xué)習(xí)來發(fā)現(xiàn)不同任務(wù)之間的共性。再比如說系統(tǒng)性風(fēng)險(xiǎn)， 系統(tǒng)可以用一個(gè)網(wǎng)絡(luò)來表達(dá)，那你怎樣從網(wǎng)絡(luò)的角度分析問題。還有強(qiáng)數(shù)據(jù)安全和用戶隱私保護(hù)也是金融業(yè)務(wù)本身的屬性。

面對這些挑戰(zhàn)我們構(gòu)建了一個(gè)金融智能的平臺(tái)，從底層的圖像理解，以及使用阿里巴巴集團(tuán)的語音識(shí)別能力，在此之上發(fā)展了NLP的能力，然后這上面進(jìn)行機(jī)器學(xué)習(xí)、深度學(xué)習(xí)，分析時(shí)間序列，比如說預(yù)測余額寶的利率變化；在最頂層，我們發(fā)展推理和決策的能力，使我們能夠幫助我們的用戶和金融合作伙伴做出明智的決策。

在這個(gè)金融智能平臺(tái)中包括了一系列的人工智能技術(shù)，比如說強(qiáng)化學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、圖推理、共享學(xué)習(xí)。這些技術(shù)具備金融領(lǐng)域的實(shí)時(shí)對抗性、大規(guī)模以及安全加密性。

今天講幾個(gè)例子，從例子出發(fā)講講背后的技術(shù)。在這之前，我先講講螞蟻金服現(xiàn)在的兩個(gè)關(guān)鍵詞。螞蟻金服我們定位為Techfin，而科技公司的一個(gè)核心的是什么？是AI。所以今年螞蟻金服兩個(gè)關(guān)鍵詞，一個(gè)是“開放”，一個(gè)是“AI”，我們希望通過AI驅(qū)動(dòng)所有的業(yè)務(wù)，同時(shí)作為科技公司，我們技術(shù)成熟一個(gè)開放一個(gè)，所以下面探討的技術(shù)也是探討如何開放給伙伴。

安全風(fēng)控

首先是在安全風(fēng)控中，里面有用戶、設(shè)備、商家，他們之間通過資金流動(dòng)形成互聯(lián)。傳統(tǒng)的風(fēng)控技術(shù)中我們建立了很多的規(guī)則和模型。螞蟻金服過去十年通過使用大量的機(jī)器學(xué)習(xí)建立強(qiáng)大的風(fēng)控系統(tǒng)。但是今天我們希望進(jìn)一步地升級風(fēng)控系統(tǒng)。比如說可信模型，我們想判斷有一筆交易是否存在賬號被盜。而這里面我們使用了一個(gè)跨界的技術(shù)，其實(shí)就廣告CTR預(yù)估的技術(shù)。 在2014年Facebook廣告算法的文章中， 講的是GBDT+邏輯回歸。使用我們開發(fā)的參數(shù)服務(wù)器技術(shù)，我們把邏輯回歸換成了大規(guī)模深度學(xué)習(xí)，使用到風(fēng)控里面： 通過GBDT產(chǎn)生特征，然后DNN繼續(xù)學(xué)習(xí)。 因?yàn)樵陲L(fēng)控里面很多特征我們無法判斷哪些有用哪些沒有用，我們用GBDT產(chǎn)生海量特征然后把這些特征feed給深度學(xué)習(xí)模型。

前面是說我們把GBDT和DNN結(jié)合起來考慮風(fēng)控。深度學(xué)習(xí)往下走，我們也考慮關(guān)系，用戶、商家、賣家等的關(guān)系，下面我舉一個(gè)例子，我們通過embedding技術(shù)，把整個(gè)關(guān)系結(jié)合起來，形成圖形網(wǎng)絡(luò)，然后進(jìn)行監(jiān)督學(xué)習(xí)、加強(qiáng)學(xué)習(xí)。

給大家看看例子，比如說支付寶賬號的賬戶（行為），我們一個(gè)網(wǎng)絡(luò)有好人、壞人，有設(shè)備比如說手機(jī)、計(jì)算機(jī)，iPad等，我判斷今天這個(gè)人是否注冊一個(gè)垃圾賬號特別簡單。我們可以把整個(gè)的圖關(guān)系通過一個(gè)embedding的技術(shù)產(chǎn)生一個(gè)深度學(xué)習(xí)的網(wǎng)絡(luò)，通過機(jī)器學(xué)習(xí)產(chǎn)生一個(gè)隱層表達(dá)，這個(gè)表達(dá)不光涵蓋了每個(gè)節(jié)點(diǎn)自身復(fù)雜的特征，同時(shí)還對網(wǎng)絡(luò)結(jié)構(gòu)做了一個(gè)encoding。在垃圾賬號的識(shí)別上，在經(jīng)典的Recall-Precision曲線中，Precision越高越好，接近1就是完美。原來的規(guī)則是不具可采信的，現(xiàn)在我們對圖使用embedding技術(shù)后有一個(gè)質(zhì)的飛躍，Recall在70%、80%的時(shí)候，Precision達(dá)到90%，而原來的算法Precision在40%幾，這基本相當(dāng)于瞎猜。這個(gè)和以前的系統(tǒng)相比，Node2Vec也是非常先進(jìn)了，我們在此基礎(chǔ)上又做出了明顯的提升。

將圖的關(guān)系和Feature結(jié)合起來，可以產(chǎn)生非常Power的模型，用在我們的模型里面。通過廣告的算法提升了系統(tǒng)，我們進(jìn)一步學(xué)習(xí)，將深度學(xué)習(xí)和圖模型結(jié)合起來，可以融合網(wǎng)絡(luò)關(guān)系與復(fù)雜特征。

智能助理

下面講講另外一個(gè)方向，在過去的很多年，不管是中國還是美國，講起智能助理和機(jī)器人都是非常熱的話題。這里對話很關(guān)鍵，在螞蟻金服初始的對話從客服機(jī)器人開始，如果你使用支付寶，打開客服小螞答可以問各種各樣的問題，例如你問余額寶收益怎么算，他就給你一個(gè)這樣一個(gè)答復(fù)，提供工具輸入金額并計(jì)算。然后還有財(cái)富的理財(cái)渠道，你問某個(gè)企業(yè)業(yè)績怎樣就會(huì)開始進(jìn)行輿情分析，輿情分析在金融里面非常多的應(yīng)用，我們可以自動(dòng)分析，海量的輿情在中國國內(nèi)，為月新聞、周新聞相應(yīng)地打出輿情分。

下面講兩個(gè)技術(shù)，在對話機(jī)器人里面，在客服里面，假如問了這句話我怎樣申請退錢回來，它是沒有場景的。在問答系統(tǒng)中要理解它，就要真正知道在問什么，我們可以根據(jù)用戶的近期操作，這些操作本身就提供了一個(gè)背景和場景。我們通過LSTM對用戶行為軌跡做一個(gè)編碼，然后整個(gè)模型是一個(gè)深度排序模型，比較哪個(gè)更相似，通過LSTM建立模型，把怎樣申請退錢回來的用戶問題，和轉(zhuǎn)賬轉(zhuǎn)錯(cuò)怎么辦和為什么銀行卡轉(zhuǎn)賬被退回來，這兩個(gè)進(jìn)行答案匹配。我們給出正確的選擇轉(zhuǎn)賬到賬戶錯(cuò)了怎么辦。這里有一系列的創(chuàng)新。這些創(chuàng)新今天不一一講。最后的結(jié)果，去年雙十一智能客服自助率做到97%。同時(shí)今年我們問題解決率超過了人工客服，機(jī)器人回答問題比人回答更為滿意。

這里對輿情分析背后技術(shù)簡單介紹，首先一個(gè)特別簡單的模型，就是統(tǒng)計(jì)這些感情單元，同時(shí)又和深度學(xué)習(xí)的方法結(jié)合，最后產(chǎn)生整體的判斷，這里面的話使用CNN，k-max pooling可以結(jié)合起來，還有TNN，將所有的信息結(jié)合起來進(jìn)行一個(gè)綜合的評價(jià)。

剛才兩個(gè)例子講到對話機(jī)器人，第一個(gè)是客服，第二個(gè)是財(cái)富號的輿情分析。再就是保險(xiǎn)，同時(shí)支付寶本身也在進(jìn)行升級，您對支付寶可以說話，比如說我要給我的同事通過語音進(jìn)行轉(zhuǎn)賬，自動(dòng)完成轉(zhuǎn)賬并記錄到賬單里面。

機(jī)器學(xué)習(xí)平臺(tái)

下面第三個(gè)講機(jī)器學(xué)習(xí)平臺(tái)，這是我們團(tuán)隊(duì)在阿里第一年開始做的工作，后來在螞蟻繼續(xù)和阿里集團(tuán)合作開發(fā)。現(xiàn)在它是阿里和螞蟻金服使用最廣泛的大規(guī)模機(jī)器學(xué)習(xí)平臺(tái)。2015年我們用于廣告取得非常好的效果，后來用于淘寶推薦，前年用到雙11推薦，今年又用到了螞蟻的風(fēng)控里面，其實(shí)它的核心技術(shù)就是我們能夠通過系統(tǒng)和算法的結(jié)合，處理海量數(shù)據(jù)。所以在風(fēng)控系統(tǒng)里面，我們可以在同樣安全覆蓋的情況下，提升召回率，每天一千多萬筆可以準(zhǔn)確輕松地通過審查。這個(gè)平臺(tái)前年做到了，但是今年才寫文章出來。它能支持100億特征、千億樣本、萬億參數(shù)。這是說它可以支持非常多的數(shù)據(jù)和特征，我們能從數(shù)據(jù)中提取價(jià)值做出預(yù)測。

假設(shè)非常多的數(shù)據(jù)，萬億參數(shù)非常耗能耗的，同時(shí)需要很多的機(jī)器。很多時(shí)間的applications,我們希望速度比較快比較省能源。在非常非常經(jīng)典的矩陣分解中，相信很多做相關(guān)研究和做開發(fā)的同學(xué)都非常了解，如果我們把矩陣分解和哈希算法做結(jié)合，我們可以處理非常大的矩陣，比如說1億×1千萬的矩陣分解，我們2小時(shí)收斂，從工業(yè)界的角度具有非常大的價(jià)值。我們用到了口碑的場景中，點(diǎn)擊率的升幅超過120%。

剛才介紹的是機(jī)器學(xué)習(xí)，就是參數(shù)服務(wù)器，支持深度學(xué)習(xí)。下面再講一個(gè)技術(shù)，我們的場景是營銷，比如說各種各樣的商家營銷，怎樣發(fā)，發(fā)給誰，這是非常有價(jià)值的商業(yè)問題。這里面我們開發(fā)了加強(qiáng)學(xué)習(xí)技術(shù)。在這個(gè)算法中，我們有State、Action和Reward的狀態(tài)，我們定義了一個(gè)空間，State是從多個(gè)業(yè)務(wù)抽取特征，刻畫用戶狀態(tài)，Action是對哪些卡片和渠道做了相關(guān)決策組合，Reward就是用戶的點(diǎn)擊和簽約行為。整個(gè)框架是流式強(qiáng)化學(xué)習(xí)框架，所以能夠?qū)崟r(shí)實(shí)現(xiàn)Update。這上面講了一個(gè)流程，比如說花唄準(zhǔn)入，比如說它是否點(diǎn)入和簽約，整個(gè)算法可以在框架上迭代，效果就是在深度學(xué)習(xí)基礎(chǔ)上有更好的效果提升，比如推薦卡片點(diǎn)擊率171%的增長和最終簽約率149%的增長。

剛才講了加強(qiáng)學(xué)習(xí)，講了深度學(xué)習(xí)，下面講另外一個(gè)例子。如果每個(gè)技術(shù)都作為一個(gè)好用的工具開放出來，您只想用這個(gè)工具而不太深入技術(shù)本身怎么辦？我們開發(fā)了一個(gè)模型服務(wù)平臺(tái)，將整個(gè)模型訓(xùn)練給您可視化，您通過簡單的點(diǎn)擊、拖拽數(shù)據(jù)就能產(chǎn)生所有的結(jié)果。比如說您是開發(fā)應(yīng)用的，您可以把算法在里面應(yīng)用以后進(jìn)行一鍵部署。當(dāng)然如果您是開發(fā)算法的也可以寫出新的算法，例如加強(qiáng)學(xué)習(xí)等，可以通過統(tǒng)一的平臺(tái)進(jìn)行服務(wù)。在螞蟻金服內(nèi)部，從芝麻信用到網(wǎng)商銀行的借貸，到風(fēng)控都正在全面地使用我們的平臺(tái)。

模型服務(wù)平臺(tái)

我們今天講到了開放與AI，這里講到螞蟻金融云和開放平臺(tái)，希望我們的AI技術(shù)的能力開放服務(wù)于我們的客戶和合作伙伴。

這個(gè)模型服務(wù)平臺(tái)簡單來說我們就是模型所見即所得，不光數(shù)據(jù)是資產(chǎn)，模型本身也是資產(chǎn)。做到可視化的，對于用戶來講，提供給開發(fā)人員非常方便的建模方式，非常容易使用，不需要知道某一行公式怎樣推導(dǎo)的，然后可以支持A/B測試，可以全流程地效果監(jiān)控，同時(shí)跨團(tuán)隊(duì)地合作，并且可以實(shí)現(xiàn)多人同時(shí)開發(fā)。

接下來簡單展示訓(xùn)練模型時(shí)的一個(gè)視頻。這是顯示的分類結(jié)果，這是得出來的樹狀模型，然后可以進(jìn)行效果評估，這里可以比較兩個(gè)算法哪一個(gè)更好，拆分以后隨便選兩個(gè)算法自動(dòng)評估，然后可以進(jìn)行結(jié)果對比。我們以前在學(xué)校訓(xùn)練完模型，然后手工測試幾個(gè)測試集就結(jié)束了，而在實(shí)際業(yè)界應(yīng)用里一直有新的數(shù)據(jù)跑，新的預(yù)測，必須簡潔好用。在我們說話的時(shí)候，這就產(chǎn)生了一個(gè)部署的API，大家如果有問題還可以看一個(gè)請求示例，示范如何使用這個(gè)API。部署完了以后我們要知道效果好不好，是不是一直穩(wěn)定，比如我們要監(jiān)控信用分，KS值，它是AUC的變種。我們可以看到它對每一天當(dāng)時(shí)的效果實(shí)時(shí)進(jìn)行監(jiān)控。

剛才講了整體的從模型訓(xùn)練到數(shù)據(jù)特征的產(chǎn)生，您可以從各種模塊，到訓(xùn)練到部署產(chǎn)生API，到最后效果的監(jiān)控，全流程地展示。

定損寶

那下面最后講一個(gè)例子，前幾周我們保險(xiǎn)事業(yè)部和我們發(fā)布了一個(gè)產(chǎn)品叫“定損寶”，做什么呢？出了一個(gè)小車禍，照張像，哪里有問題，是撞了一個(gè)洞還是刮蹭進(jìn)行判斷，這是非常復(fù)雜的事。我們不是做 OCR識(shí)別，也不是做數(shù)字識(shí)別，但是我們要做檢測，我們要檢測哪個(gè)部件比如說車門、車燈還是bumper，我們要理解這個(gè)場景，比如說有一個(gè)縫，本身計(jì)算機(jī)不知道是車上的縫還是墻上的縫，還必須知道這個(gè)問題多么嚴(yán)重，最后是一個(gè)決策，將多個(gè)數(shù)據(jù)源結(jié)合起來，給用戶和定損員一個(gè)輔助判斷 。

看這張圖像，您覺得車哪里有問題，我當(dāng)時(shí)看了很久也沒看出來，不知道大家怎樣？ 這里面有什么問題呢？如這里所示，有個(gè)特別微小的變形。但是這里我們要解決幾個(gè)問題，第一個(gè)是問題在哪里，第二個(gè)你要把問題分幾層，到底有多嚴(yán)重的問題，比如說這是輕度變形。有的變形了你得把整個(gè)部件換掉，有的稍微一修就修好了，最后告訴您修多少錢，在您的App里面把北京你所在位置附近的維修店全部選出來告訴您成本，您做一個(gè)決策是否要修。 下面舉幾個(gè)我們遇到的計(jì)算機(jī)視覺上的挑戰(zhàn)。比如部件識(shí)別，這里面有多少個(gè)部件呢？我不是很專業(yè)，不算汽車愛好者，但是可以看出來這里有很多很多部件。所有的部件要找到，并且說有問題你都要看出來。再舉個(gè)例子，左邊一個(gè)強(qiáng)反光，強(qiáng)反光是不是有問題呢？我們要琢磨琢磨。還有，照相的時(shí)候人臉都對著框子里照，拍車照片的角度變化大很多 。

這個(gè)項(xiàng)目的開始和拿到初步的結(jié)果是算法團(tuán)隊(duì)和業(yè)務(wù)同學(xué)通力合作的結(jié)果。算法同學(xué)積極學(xué)習(xí)業(yè)務(wù)，從開始看不出來圖像里車的問題，到現(xiàn)在都快成了專業(yè)的圖像定損員了。我們的技術(shù)有一系列的流程，從噪音去除到類別識(shí)別到目標(biāo)檢測和程度判斷，到底多嚴(yán)重，是變形還是刮蹭。根據(jù)很多張圖片，最后我們要做預(yù)測結(jié)果的綜合，綜合以后我們做數(shù)據(jù)決策輔助，這要打通車的原件數(shù)據(jù)庫來分析，假如這個(gè)部件壞了多少錢。全國有4500萬案件/年， 60%的案件都是純外觀損傷的，它覆蓋了非常大的比例。每個(gè)成本平均150塊錢， 可以減少50%的作業(yè)量。

今天我介紹了一系列的技術(shù)，以前我當(dāng)老師寫NSF proposals，都有兩個(gè)目標(biāo)要寫，一個(gè)是intellectual merits 就是技術(shù)的原創(chuàng)性，另外一個(gè)是broad impact，就是對世界的影響。一般第一個(gè)目標(biāo)我們都拼命寫，第二段都是那種來回貼的那種，為什么？因?yàn)楫?dāng)時(shí)在學(xué)校的研究里工業(yè)界有距離，缺乏直接的對世界產(chǎn)生影響的辦法。今天我覺得學(xué)校可以和工業(yè)界合作，工業(yè)界有更多的數(shù)據(jù)，更大的問題更難的挑戰(zhàn)，不僅應(yīng)用技術(shù)還可以發(fā)展技術(shù)，今天介紹的只是一部分的技術(shù)，我們還有沒有發(fā)布的技術(shù)。

未來的挑戰(zhàn)

總結(jié)一下，今天講了深度學(xué)習(xí)和圖的結(jié)合，它主要是系統(tǒng)性風(fēng)險(xiǎn)的監(jiān)測與預(yù)測； 智能助理，我們達(dá)到了超越人滿意度的智能客服。今天智能助理完成任務(wù)基于一系列的場景，因?yàn)橹Ц秾毼覀兪且幌盗械慕鹑谏罘?wù)平臺(tái)，今天就加上智能的定語叫智能的一系列的金融生活服務(wù)平臺(tái)； 今天也介紹了基于哈希的海量特征提取，完全是從工業(yè)的角度，希望算得快、便宜和省內(nèi)存；另外是深度強(qiáng)化學(xué)習(xí)，在營銷與推薦應(yīng)用。在營銷比較關(guān)鍵，如果只是深度學(xué)習(xí)那么總是給你想要的，但是加強(qiáng)學(xué)習(xí)您可以探索一個(gè)在exploitation 和exploration的平衡：給你以前推薦你看過的類似的，也可以給你沒有看到的。

下面說些我們和其他公司可能都面臨的挑戰(zhàn)，我們雖然有很多的數(shù)據(jù)，但是比起我們的業(yè)務(wù)問題復(fù)雜度還是不夠，小數(shù)據(jù)、弱標(biāo)注的數(shù)據(jù)的學(xué)習(xí)就很重要。另外，比如說怎樣處理有噪音與不確定性的推理，專家系統(tǒng)是從邏輯推出來的，但是它不能handle真實(shí)世界里的噪音和異常情況，今天講的Graph Emedding是一條路，但不是僅這一條還有其他的方向。 然后機(jī)器學(xué)習(xí)里面還有一個(gè)很重要的問題是模型的可解釋性，你要知道為什么，那在金融場景有非常多的應(yīng)用，為什么信用分變低了你要給一個(gè)交代，就是解釋，今天的深度學(xué)習(xí)缺乏解釋性。還有如何從觀測的而不是隨機(jī)對比的數(shù)據(jù)中分析因果分析。還有長期目標(biāo)與短期目標(biāo)映射，怎樣把長期的目標(biāo)和短期做的目標(biāo)結(jié)合起來。最后，非線性動(dòng)態(tài)網(wǎng)絡(luò)系統(tǒng)，網(wǎng)絡(luò)本身在改變 這里和物理學(xué)一些概念很相關(guān)，同時(shí)和圖理論非常相關(guān)，這對風(fēng)險(xiǎn)、監(jiān)控和交易都會(huì)很有用。

最后，再次說，螞蟻是一家做普惠金融的科技公司。我們主題的是開放與AI， 技術(shù)成熟一個(gè)開放一個(gè)。從客服到模型部署平臺(tái)到其他的每一個(gè)案例，包括輿情平臺(tái)，我們都非常愿意賦能和服務(wù)客戶，和我們的合作伙伴、與我們的客戶共同探討和創(chuàng)造未來。