人人都在谈论的“机器学习”，到底是什么？

AlphaGo的胜利，无人驾驶的成功，模式识别的突破性进展，人工智能的的飞速发展一次又一次地挑动着我们的神经。作为人工智能的核心，机器学习也在人工智能的大步发展中备受瞩目，光辉无限。

1996年Philip K. Dick写过一本小说叫做《仿生人会梦见电子羊吗》，这个题面很有意思至今仍有探讨空间。如今科学事实已经发展到了与科幻不谋而合的地步，即便我们现在还没有造出挣扎求生的自主机器人，但我们的技术正在接近人们口中的“人工智能”。

“机器学习”是人工智能的一个子学科。从广义上来说，机器学习是一种能够赋予机器学习的能力，以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。

机器学习最根本的特点在于使用算法来分析数据的实践、学习，然后对真实的事件作出决定或预测。而不是用一组特定的指令生成的硬编码软件程序来解决特定任务，机器是通过使用大量的数据和算法来「训练」，这样就给了它学习如何执行任务的能力。

推动机器学习流行化的第一个舵手是Hebb，1949年他提出了神经心理学学习范式——Hebbian学习理论。

1952年，IBM的ArthurSamuel写出了西洋棋程序，该程序可以通过棋盘状态学习一个隐式的模型来为下一步给出较好的走法。他定义并解释了一个新词——机器学习。

1969年马文·明斯基提出了著名的XOR问题和感知器数据线性不可分的情形，将感知器兴奋推到最高顶峰。明斯基还把人工智能技术和机器人技术结合起来，开发出了世界上最早的能够模拟人活动的机器人Robot C，使机器人技术跃上了一个新台阶。到了60年代末到70年代末，机器学习的发展步伐几乎处于停滞状态。

从70年代末开始，人们从学习单个概念扩展到学习多个概念，探索不同的学习策略和各种学习方法。一个非常著名的ML算法由昆兰在1986年提出，被称之为决策树算法，更准确的说是ID3算法。这是另一个主流机器学习的火花点。

2006年，神经网络研究领域领军者Hinton提出了神经网络Deep Learning算法，使神经网络的能力大大提高。同年，机器学习领域的泰斗Hinton和他的学生Salakhutdinov在《Science》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。机器学习进入了蓬勃发展时期。

2014年6月8日，一台计算机（计算机尤金·古斯特曼是一个聊天机器人，一个电脑程序）成功让人类相信它是一个13岁的男孩，成为有史以来首台通过图灵测试的计算机。这被认为是人工智能发展的一个里程碑事件。

由于交易量数据庞大、交易历史数据精确完备以及金融领域的量化分析特点，金融领域是比较适合人工智能技术应用的领域。从贷款审批到资产管理，到风险评估，机器学习已经成为金融生态中不可或缺的组成部分。

金融中的风险管理越来越重要，原因之一是金融业本身的高速发展，原因之二是互联网的金融化，大量互联网企业推出了一系列金融产品。在这个过程中，无论是交易的种类，还是流水量都会越来越大，情况越来越复杂。所以金融对风险管理的需求也是越来越强。

对银行来说，在为顾客提供产品和服务之前，基于其国籍、职业、薪资区间、个人经历、工作行业和信用历史等来对顾客进行风险评分是至关重要的。利用机器学习，可对日常交易中存在的异常行为和可以场景进行捕获，同时根据发现的数据“证据”，计算该交易的风险系数，并做出风险预测。

近几年互联网小贷平台如雨后春笋，风控水平不一，加之欺诈借贷造假、违约低成本，越来越多的中介机构、助贷机构参与到这个盛宴中来。银行面临的另一大难题是欺诈行为。

通过分析手段和机器学习的方法，结合当前用户特征数据识别欺诈风险，完善风控链条，可将风控前移。同时，基于账户信息、信贷信息、行业信息等数据建立知识图谱，可以对显性或者隐性的关联性风险进行预警，对资金流、风险的传导进行判断，从而寻找到潜在的风险行业和欺诈客户。

智能投顾”在5年前基本上还不为人所知，但是现在在金融领域已经很普遍了。智能投顾起源于美国，以数据化、智能化、机器学习技术为依托、以互联网渠道和金融技术为嫁接的全新业务风控和产业链整合模式。

基于机器学习的智能投顾，在人工智能和大数据分析的协助下，能有效降低各方的交易风险，将风险控制做到最优化。当前，招商银行已在去年发布了首款智能投顾产品“摩羯智投”，帮助银行客户科学有效地进行资产管理。