「常常有人问我，AI 的将来是什么？你对将来有着怎样的瞻望？我通常会说，那些 金融 科技 公司所处的生态范畴内的开展，将是将来AI最有意思的中央。」机器学习范畴的泰斗级学者、蚂蚁金服迷信智囊团主席、加州大学伯克利分校教授 Michael I. Jordan 说。

 

的确如此，这些公司所面临的是真正意义上的行业难题，而它们就是 AI 使用最为无效的中央。「我们开端发现，AI 不再是复杂的想要模拟人类的智能，而是成为了一种新的才能。它像水一样浸透在社会 经济 的每一个角落，分发智能、处理成绩。」蚂蚁金服 CTO 程立解释道，

「基于这样的 AI 所释放出来的才能，不只可以协助人们愈加深入地洞察社会，在金融范畴更好地发现和控制风险，也可以为每一个普通人打造一个贴心的生活助理和财富参谋，让每一个小微企业拥有最智慧的运营助手和最优秀的 CFO。」 

4 月 25 日，ATEC 蚂蚁开发者大赛人工智能大赛启动，主办方蚂蚁金服发后来衷就是要把业务体系中最又价值的成绩提炼出来，并提供自主可控的 AI 平台，分享给开发者用创新技术方案去处理。

「现实上，AI 是一个工程学科，有时分大家觉得 AI 是神奇魔幻的工具，把它引入公司就会带来奇观，其实这是不对的。」Michael I. Jordan 说道，「AI 是由工程师的大脑打造出来的一种处理成绩的手腕，是一种考虑处理成绩手腕的办法。明天我们举行的大赛就是一个十分好的例子，大家可以去考虑怎样样用工程师的头脑处理成绩，而不是用魔术的手腕带来奇观。」

某种水平上，对这些参赛选手而言，与其说是参与一次竞赛，更像是在一家科技金融公司完成一个个真实项目。我们在现场深度理解了围绕详细金融业务场景的赛题，并从专家们的引见中找到了一些解题方向。

一、领取风险辨认

第一道赛题是一个有关领取风险辨认的成绩。

基于挪动 互联网 的新金融业务在蓬勃开展的同时，黑产攻击的才能也在不时晋级。信息泄露是招致帐户平安最为严重的成绩之一。国际上多起用户信息泄露的事情，过亿的敏感数据被盗用、应用，给用户和银行带来了宏大的经济损失。

维护消费者和风险辨认，也越来越成为金融行业和学术界关注的焦点。以这个研讨点动身，蚂蚁金服以高度模仿真实业务的数据和场景，希望行业大咖一同对风险形式、无标签数据的学习这两个技术难题做出深化的研讨和打破，为金融风控行业带来价值的同时推进人工智能下一步的开展。

「过来四十年，这不断都是很大的成绩，而且如今还没有处理。 90 年代，有一些银行开端用机器学习做检测，而且后果不错。亚马逊在线上运用之后，我们可以看到虚伪领取的比例降低，他们用机器学习手腕把虚伪领取率降低了很多。」Michael I. Jordan说道。

在活动现场，蚂蚁金服副总裁、大平安担任人芮雄文引见了这道赛题的背景——

领取宝是蚂蚁金服的来源，而挪动领取之所以在中国普及的基本缘由在于，相较于信誉卡，基于二维码的挪动领取上基本降低了消费者和商户的领取门槛，而且与 POS 机比起来，本钱更低。

在便捷、低本钱的根底上，平安就成为了蚂蚁金服要面临的首要成绩，这也是一切金融效劳的基石。

在平安科技方面，蚂蚁金服拥有三大中心才能，辨别为确保线上线下环境中操作者即账户拥有者自己的数字身份；运用大数据、机器学习和人工智能完成精准辨认和防控风险的智能风控大脑；以及免于内外蒙受攻击的数据维护及隐私。

 

芮雄文还特别提到了蚂蚁金服在智能风控方面的最新探究——AlphaRisk 风控引擎。

这套引擎拥有四个中心零碎，包括风险感知（简单来说，创业有四步：一创意、二技术、三产品、四市场。对于停留在‘创意’阶段的团队，你们的难点不在于找钱，而在于找人。”结合自身微软背景及创业经验。感知风险情势和情境）、风险辨认（毫米级精准辨认一切风险）、自动驾驶（基于风险场景和用户形态完成特性化智能引荐的管理措施）、以及自我学习才能（在黑产不停变化的同时保证整个风控零碎可以自动学习、更新）。

在这套风控引擎的支持下，目前蚂蚁金服的资损率曾经小于百万分之一，每秒可以在峰值时处置超越 50 万笔的风险买卖，还可以在 1 秒内改换整个战略体系。

不过，智能风控范畴依很多朋友说，共享纸巾机是一个广告机，但我们不是这样定义它，我们定义它是一个互联网跟物联网结合的终端机，从线下吸入流量，重新回到线上，以共享纸巾项目作为流量入口，打造全国物联网社交共享大平台。然存在一些难以攻克的应战。芮雄文举了两个例子，一是黑产作案手腕不时变化，传统的攻防模型过几天效果就会下降；二是缺乏黑样本的状况下让模型精准辨认。

对此，东华大学校长、原同济大学副校长蒋昌俊也分享了他的观念：

「晚期运用的规则零碎产品性、针对性强，但顺应性、演化性弱。但骗子不能够拿着一招骗术与日俱增下去，一定会更新，这个时分规则零碎难以顺应，所以需求模型和算法来处理这个成绩。」

但是，模型和算法是抽取出来一个数学处置方式，其场景性曾经没有那么强。在这个进程中，如何把规则的、场景性的特征针对性地交融到模型和算法中，让模型和算法顺应整个场景，才会进步零碎的时效性和波动性。

「这是需求赛手们发扬智慧的中央。」蒋昌俊说道，

「另外就是黑样本和正常样本数量严重不对称的成绩。普通来说，两个样本在差不多状况下树立的模型会比拟好，而在严重不对称的状况下，怎样还可以到达这个效果？这就是这个风控成绩的第二个难点，做好了也是这个成绩的亮点。我觉得这是关于智能风控的成绩上需求大家去创新、去发明的中央。」

二、智能金融客服

第二道赛题则与智能客服相关。普惠金融的重要目的就是给广阔用户提供高效和特性化的客户效劳体验，以人工智能技术为中心的智能客服在提升用户体验方面扮演了重要角色。

而智能客服的实质，就是充沛了解用户的意图，在知识库中精准地找到与之相婚配的知识点，从而答复用户成绩或提供处理方案。整个智能客服都是围绕着用户成绩而构建，成绩类似度计算则是贯串智能客服知识库建立、在线成绩婚配，全链路数据化运营等简直一切环节最中心的技术，这项技术的开展及其相关数据的建立，势必会促进整个客服行业的提高。

「在金融范畴，应战自身是十分普遍的，来自很多方面。」蚂蚁金服副总裁、首席数据迷信家漆远说道，「为理解决这些成绩，我们开发了一系列人工智能算法。」

 

而在开发算法的中心，也就是打造人工智能引擎的进程中，蚂蚁金服也遇到了很多应战，例如使机器学习引擎可以疾速的再判别、如何面对十分小的样本完成学习和预测等。

「我们在这里做的第一个任务就是在智能客服下面，希望经过多轮对话的才能使领取宝愈加智能，可以了解对话面前的意义。」漆远补充道。

蚂蚁金服资深算法专家张家兴停止赛题论述时说，「这个赛题说起来它的定义十分复杂，就是给你两句话，让你判别这两句话说的语义是不是分歧的。比方一句话是『花呗怎样还款』，另外一句话是『花呗如何还钱』。这两个句子有很多字不一样，但是有相反的意思。」

这在智能客服中的意义是十分严重，但面前并不复杂。

首先，客服最重要的一点就是了解用户的意图，然后在知识库中婚配相关的知识点。目前工业界最主流的婚配做法就是把用户的成绩与知识库中一切的成绩逐一停止类似度计算，把类似度最高的成绩作为用户的意图，再把它的答案返还给用户。

除此之外，类似度计算对整个客服的各个方面也都具有意义。例如，知识库其实是用是基于文本的自动发掘而来，这个文本的自动发掘算法也要基于计算恣意两个文本之间的类似度，或许高维空间二者之间的间隔。

在数据化运营的各个环节，还有包括搜索引荐、对话等其他范畴，类似度计算也都是十分中心、根底的成绩。

而眼下，NLP 类似度计算所面临最大应战和成绩恰恰是在于，智能客服外面存在少量的十分多样性的成绩，包括各地的方言、口语以及各种表达方式等方面的不同，对成绩的婚配提出相当高的要求。但 NLP 的停顿次要集中表现在情感剖析和翻译方面，在这些场景下，大多状况下是在一个比拟固定的数据集，可以在比拟复杂洁净的数据集上失掉很好的后果。

「这里的应战其实也很复杂，就是由于人的在他表达相反意思的时分，能够性太多了，有各种各样不同的说法。」张家兴还给出了本人的解题想法：

一是关注成绩的表达以及不同层次的表达。人们所看到的自然言语自身也是一种表达方式，在这个根底上可以做很多事情。例如，基于深度学习模型把句子变成一个向量，计算向量之间的间隔；也可以经过依存剖析，把句子树立一个语法树，在树的层次上树立模型婚配；或许可以把句子真正了解到语义层次，这样一来，把任何两个句子的语义做一个婚配能够会到达更好的效果。这都是理论中的尝试，希望大家也可以尝试出更多的路途。

第二点在于，机器学习依赖大数据，这道赛题给的是客服范畴的数据，希望大家可以探究更多范畴的数据，用一些机器学习办法把其他范畴学到的东西结合客服范畴的数据下去，最终到达更好的效果。

现实上，无论是黑产的变化无常招致的样本信息不对称，还是由于客服数据多样性形成的模型弱顺应性，这些成绩都要处理“小数据”成绩。我们实际上常说假如有了大数据就能怎样怎样，但实践工程化进程中都很难到达如此理想的环境。无论是迁移学习，还是无监视学习，如何用较少的样原本到达更高的精度，更疾速的辨认率，提升机器学习泛化才能，都是下一阶段极具应战性的课题。

这一系列命题，局部构成了新金融范畴当下最需求处理的难题。