|
说到ATM机是我们上一代金融行业里面使用的科技产品，我想请庞总分享一下新一代的金融科技的系统和产品您的一些观点，包括在我们智能化技术应用到各类金融行业的业务里面，从AI技术软件的厂商角度来看，您对企业构建人工智能的体系有什么样的一个建设的建议？请您做一个分享。 庞博：首先不敢说是建议，因为我相信咱们各个行业里面的企业已经有非常严谨、谨慎的构建的思路。我这边主要是从平时帮助我们金融企业落地的角度谈一下我的一些看法。 第一个就是因为现在其实大家对于人工智能都是集中在有监督的或者叫传统的机器学习，在深度学习这一块的探索也是开始在金融行业里面有一些应用。我想讲的第一个就是说可解释性，我们的业务能够更多的包容，因为金融行业里面是非常强调可解释性，比如说营销、反欺诈为什么得出这样的结论，你的数据、数学理论怎么去跟我们的业务去解释。所以第一个提的小小的建议，我们的业务对可解释这块有更大的包容性，这样科技人才才能更好地去做相关的研究。 第二个我们觉得大家的目光都放在应用这个领域，但是实际上应用这个领域跟我们的基础设施是密不可分的，包括我们的芯片，我们的这种分布式的算法，这里我举了一个小的例子。两年前我帮助一个券商，这个券商自己的部门在做量化回测的时候，用历史数据要进行一周，这样的效率很难帮助他们提升投资的盈利的，所以当时我们也是通过分布式的算法做了一些改造，然后结合一些芯片的技术帮他们提升在半个小时以内整个量化回测的框架在半个小时之内算完，这样就可以大大提升他们应用的效率。 第三个我想讲一下，落地的过程中我们花了很长时间做了数据的标准化和数据的治理工作，也是希望在整个人工智能的发展过程中也要注重数据标准化、数据质量这块的工作，这样子数据科学家和真正的业务分析师才能更快地去应用这些人工智能的算法也好、技术也好、模型也好，在上面做更多的探索。 谢谢。 林常乐：非常感谢庞总的分享。我们进入下一个环节，因为我们现在时间比较晚，非常感谢各位干货满满的分享，我看大家都到了饥肠辘辘的状态，下面观众听得非常认真，说明大家的干货非常的有吸引力，接下来我想请大家谈一谈智能金融发展前景的看法以及面临的痛点问题。由于时间的原因，请大家就谈一点前景的看法和相应的挑战吧。这次我们从庞总您先开始。 庞博：因为我觉得应用场景这块后面几个嘉宾会谈得比较多，我主要讲一下痛点。 我们现在落地的时候会发现目前的机器学习或者人工智能的模型主要还是离线训练在线上应用的这么一个过程，我觉得这个其实也是一个痛点，就是模型的训练能够更加实时性。打个比方，我们以前有一个案例，我们知道基金确认单、报销单格式是很多的，我们提前给它训练好OCR的模型，比如你上线以后业务突然来了一个新的格式，这个格式业务是不会给时间等一周把这个模型重新训练再部署的，其实他们希望能够更快的，比如说我这个模型能够更加智能化，而且我觉得实时地做一些动态的调整就能识别这些新的模式，我就主要讲这一点。 林常乐：庞总分享的这个需求很有意思，我相信孙总也有自己的非常精彩的观点。 孙伟：首先发展前景，我也说运维这块吧。是有非常大的前景，因为现在运维的数据非常多，各种数据保存都是完整的，各种数据其实都有。科学家们是不是没有把精力放在运维上，把算法在运维上面做一些肯定会帮到更多的运维人员。 说一下挑战的话，主要是三方面：第一就是算法这块。因为我们之前也跟一些学校沟通，也查了一下论文，发现运维现在一些算法和论文确实不多，还是要加强这方面的研究。 第二方面，数据这块，交易系统基本上都处于外购的形式，数据的标准出现很大问题，没有做过运维人员没有感受这么深，但是做过各种格式的运维人员觉得非常复杂，其实是需要大家一起来推动整个数据运维这一方面。智能运维现在好像也没有比较官方的标准出来，这个出来以后对整个智能运维发展会有很大的好处。 第三方面，推广这块。不仅智能运维领域，其他领域看到比如说机器人这种情况，我这个人比较传统，一点就转人工，因为我感觉我问的问题，心里一想我是做理科的，我问的问题肯定你知识库和你分析出来的不一定对。同样运维平台也有这种情况出现，大家期望很高，问题出现点一下肯定就分析出来了，你还让我干吗呢？其实也没有达到效果，数据的算法只能不断完善、不断优化才可以。我就说这些。 林常乐：非常感谢孙总的分享，您提到这个，我有一个同事其实就是在做这方面的研究，他的博士论文就是关于怎么样用NLP分析load日志，找出前端故障。可以再交流。下面有请潘总做分享。 潘仰耀：我主要谈谈痛点，刚才孙总说得特别好，他自己考虑一下觉得机器人回答不了就转人工。这种客户我们也是喜欢的，我们最近看到一个对话记录，客户说你是机器人，我觉得你回答不了，你帮我转了吧，我们就帮助转了就不耽误彼此的时间了。还是要满足客户的需求。 最大的痛点是AI技术当前发展的阶段和大部分人对预期的差异怎么去解释和弥补，这块如果做技术的大家可能都知道，比如说业务爸爸、业务妈妈随便提了天马行空的想法，觉得AI肯定能搞定。实际上我们认为AI目前的阶段还要进行大量的梳理和大量的设计才能进入相对比较智能，这里面还需要持续训练、自主机器学习、迭代，自主机器学习目前完全没有达到我们现在应用的水平，这种情况下再跟别人解释，人家会觉得“你不是人工智能吗？做不到吗？”，这块跟整个行业、整个AI概念过热也是有一些关系，我们希望在以后的研究过程中沉下心来根据当前的情况符合当前情况的东西，不要搞脱离实际的，最终出来的东西可能是一个概念但是没有任何价值。这是现在的一个痛点。 林常乐：非常感谢您的分享，最后请我们的何总做一个您的问题的探讨的分享。 何丽峰：刚才潘总谈到人工智能目前遇到的问题，这个我们也是深有感触的，我们也做了一些探索，我们也确实发现人工智能大家对它的期望太高了，在落地的时候还有很多不太理想的过程。但是我是从辩证的角度从两方面看。一方面人工智能历史上其实也经过几次大起大落，大家可能看过人工智能简史，70年代其实有一个高峰，后来遇到一些瓶颈，90年代又有一个高峰，后来又遇到一个瓶颈。这个事对人工智能的追求我们把它叫做科学里面的明珠，一直是人类挑战这个极限，这个东西确实不是那么容易就实现的，我最早其实在清华学的通信，我毕业以后做的也是移动通信方面的工作，大家早期在做1G、2G的时候，2G可以打电话觉得好厉害，大家觉得不够，3G的时候手机可以上网了，还是觉得不够，人对这个东西的需求是无止境的。前天是中国5G第一天，大家觉得5G上线了好像不是那么满意，但是通信技术大家回过头来看，这些年来整个通信行业发生了天翻地覆的变化，以前不敢想象，现在一个手机随时解决任何问题，但是我们回过头来确实是这个行业变化非常大，人工智能这个行业我理解也是经历这样的一个不断地曲折前进的过程，我们对它的期望越来越高，技术也在发展，但是一定是需求领先于技术，一定是不断地往前走。我们现在处在发展初期，很多基础设施不完善、数据不完善、算力不够、模型还不成熟，但是这个东西都是一步步往前走的。我认为这个阶段最重要的是解决数据的问题，因为数据一个是割裂、零散、非标准化，巧妇难为无米之炊，我们做了很多很高大上的模型，最后发现数据不够，后来数据本身是错的。这个阶段我是希望如果我们这个行业因为信通院在科技领域的影响力，他们牵头做国内云计算行业的标准和规范，这个对我们做人工智能是非常有帮助的。感谢信通院对这个行业的贡献，我就说这些，谢谢。 林常乐：非常感谢何总，各位嘉宾的精彩发言我都非常感同身受，刚才潘总和何总提到的包括甲方爸爸对我们的需求怎么样匹配，庞总可能也会有相应的感受。 |
