北大AI课程 丨 Lesson 3—蚂蚁金服漆远：AI让金融服务融入生活

本文由北大孵化器投资高级经理杨洁整理发布

AI离不开场景

飞猪、支付宝、芝麻信用分……漆博士用一系列生活化的例子告诉我们人工智能离不开场景，人工智能需要在垂直领域深耕。

所有这些例子背后，其实产生了一个显微镜或放大镜，可以看到人的不同角度。如果把它组合叠加，就是所谓的信息融合，其实可以产生非常多有价值的服务。

就技术而言，人工智能、Blockchain（区块链）会推动金融行业发生重大的变革。场景或者计算的背景，比如card computing、GPU图形计算卡上累计了各种各样的场景，这些场景一边带来数据，一边带来真正有价值的服务。 

蚂蚁金服在做什么？DST在做什么？

蚂蚁金融是个怎么样的公司呢？

蚂蚁金服是技术驱动金融生活的一个公司，是一个技术重塑金融的公司，并不是要做一个银行。

漆远带领的DST部门，先是作为科学研究院，后建立了AI部门，把智能的技术赋能于各条业务线和各种应用。

人工智能的技术范畴可以分为技术和应用两个层次，首先，必须有技术，也就是说要有这种能力，比如自然语言处理、机器学习、图像识别等。然后，把这些能力应用在非常多的场景，可以用几个场景来具体说明：

关于智能助理，很多公司都在做。但是包括硅谷在内能做起来的企业少之又少，最重要的原因是，你这个技术能产生什么样的价值，能提供什么样的服务。而蚂蚁金服有非常好的落地点，有海量的电话要接，海量的问题要回答。另外，我们的基金销售、理财顾问、保险顾问、审核等，在这一系列的环境中，智能助理是一个非常落地的场景。

从技术上看，实现过程经历了几个明显的阶段：

第一阶段，从回答问题出发，比如说花呗怎么还款，它能够自动找到相关知识点，进行回答，告诉用户花呗从哪里可以还款。其实如果只做一个Q&A的话，用到的技术相对简单，有可能是一个知识库的标准化问题，一个搜索的框架，有可能再结合简单的知识图谱，就够了，并不需要很多轮的对话。

第二阶段就是参与问题，比如，今天回答一个问题，其实不光看到说的话，同样也可以看到用户行为轨迹，多个数据源进行结合，然后自动判断今天有可能有什么问题。而这个其实解决了百分之七、八十的客户问题。对于很多人来说，幸福都是相似的，不幸是百花齐放的。其实对于客服很多不幸都是非常相似的，遭遇的问题雷同，特别适合机器学习，几个人问的问题全国范围内都有同样类似的原因。先把前面的问题解决掉，学到之后，普世地全部应用。这样的话，其实学完之后，机器可以立刻猜出来，你要问什么，如果你没有问，都知道你有什么问题了。

第三阶段是客服工作台，就是人机结合。今天讲人工智能，其实是人工加上智能。很多地方机器做不到，希望人进来。那客服工作台就是，我们看具体的客服人员，看他们怎么解决问题。一开始发现客服工作台还特别落后，很多做得好的客服人员，这些人员其实根本不看这个工作台，因为看到特别痛苦。那其实可以继续学习，怎么来优化，好的员工经验怎么使用，优化这个流程其实有重大的商业价值。刚才说的人工策略其实就是要判断你的问题。先进入自助，大家比较痛苦，然后人工再介入。

三个阶段之后，智能客服的成果如何？

人工智能重要的是要识得准，读得懂。就是特别简单的一个问题识别（CTR），包括上下语义匹配，客户真实意图识别。然后进行标准问题映射，再找到多方面的服务标准化或需求驱动。而做了这个之后，自助转人工的需求猛地下降，也就是大家满意度提高，而这个自助服务占比已经从62%提升到90%。

“2017年智能客服的目标已经不是自助率，而是问题解决率。什么意思呢？你如果猛烈提升自助率，百分之百自助，但是有可能大家特别不满意，大家都会最后要再转入人工。首先是浪费时间，用户体验非常差，所以，到今年夏天，我们的智能客服的问题解决率从百分五十几，到现在快70%，而人工的用户问题解决率是71%到72%左右，我们的目标就是要超过人工。超过这个意味着什么？其实我不光能够自助，我回答问题比人还准。那其实这个代表什么？我们项目做了不到一年，当时就定个小目标，他们财务统计了一下，不到一年，我们为公司省一亿，除去人的成本和GPU的成本。我们客服部门去年其实裁了100人。减少的100人去做递推，做口碑业务，这部分大量的人力就省下来了，这就是AI真实的案例。”

智能营销，营销从任何商业角度来讲都是非常重要的。假如，今年给你10亿做一个营销策略，你怎么来花10亿元？这其实是个数学问题，是个大数据问题，也是人工智能问题，那这个问题怎么解决？ 用人工智能的方式，我们就可以实现精准营销。

个性化产品和资讯推荐，很多公司都在涉足，但阿里跟传统只做推荐不太一样，阿里是一个生态系，生态系里各个数据都会进来，比如电商的购买行为能否助力财富和保险，我们叫迁移学习，或者叫信息整合。这种情况下怎么能做到？

比如资讯阅读能否支付消费，每一个人各个维度都有一个综合的理解。开发一些基于深度学习的技术，蚂蚁DNA，就是一个编码技术。其实很简单，做一个embedding，然后把这个用户实体包括产品，文本和外面的article，我们做一个统一空间里embedding，转来转去有很多点。然后，把这个人在这个点里边直接表达出来。它的好处，比如说加密，如果你只看着点，你是不知道什么意思，但是很多合作方，比如说，我们保险公司合作，把这个用户的数据加密，非常关键的一个问题。

保险本身是一个数据驱动的应用，从营销到保险的个性化定价，到新的基于互联网的场景，新保险类别的开发等等，其实都离不开数据。

保险产品进行个性化推荐。从一个科技公司的角度来说有很大好处，这个能力一旦建起来之后，可以做舆情分析、财经智能问答。因为把这个底层能力一旦建立起来，对文本分析的能力，对事件和个人的描述能力，其实可以产生很多新的应用。一个简单的demo，我们输入一个基金，可以找到相关的材料，比如说相关板块的股票走势、相关的股票等等。其实这全部是基于深度学习进行相关的开发。另一个例子是安全。安全上，其实我们每笔交易要控制是不是一个fraud，是不是一个虚假交易，那当然贷款本身有风险，这里讲的主要是交易风险以及舆情风险。其实他也是一个多个数据源的融合，也有人的策略、规则，是整个结合。

技术创新助力普惠金融

很多公司今天都正在，或者已经完成国内互联网领域的上半场。之后，开始真正竞争的是云计算的能力，比如阿里、蚂蚁金服云、Microsoft他发明的云计算能力，还有Amazon，背后其实就是数据。谁的场景数据本身有价值。阿里的网有一个比喻，数据是土壤，土壤上要盖出楼，产生价值，那靠算法，靠人工智能。要真正能把价值能体现出来，而不是坐在金山上吃馒头。这个背后，我们就要通过人工智能，让用户包含的社会数据产生价值，并将有价值的服务带给用户。

挑战与机遇

目前发展人工智能，首先不要为了技术做技术，一定要有商业价值，有数据的场景，那场景非常关键，否则的话，这个技术做了没有用，如果是创业阶段，这公司已经注定要完蛋，这就是其实非常关键的一个point。比如说阿里做第一个项目，是做参数服务器，就是分布式机器学习平台，分布式的云计算怎么大规模学，但是我们找的第一个应用点特别简单，大家猜猜什么场景会有商业价值。对，就是广告。

那我们就在CTR预估上采用这个系统。因为这个系统只要你能提升1‰，就是很多钱；提升百分之就是更多的钱。我们当时做这个项目，在双11实时预测的用户产品推荐，后来变成阿里巴巴第一大大规模机器学习平台。但是一开始你要找到一个商业价值的落地点，否则这个我们做参数服务器，同样的技术就是死路一条。在公司，在商业环境肯定是没有前途的。第二点就是说，从问题出发，不是要炫耀，要有核心价值。这再举个例子，其实讲到客服了，其实硅谷好多公司都在做这类产品，至少有几十家，但是很多家都要完蛋。这些企业没有什么区别，都要做深度学习，都要做这个东西，但是背后的价值区别在哪里？它的落地点在哪里？其实公司没有很大区别的。这个时候就要问你的核心价值在哪里，那我们当时做这个产品，其实一开始我们很具体，就做客服，一开始大家觉得不是一个sexy的行业，但是真正能做好就有巨大的商业价值，但是你同时要在场景中体现能力。

第三个非常关键，技术、产品和运营真正的融合，如果这个中间有个重大的隔阂或切断，其实非常危险。对公司，对这个团队，都是非常危险的事情。这是经典的互联网公司的一个笑话了：产品经理都很恨工程师。工程师经常说，产品经理忍不住地笑工程师出事了；而工程师，比较痛恨产品经理。但是这其实双方应该有一个度，如果大家离开学校到工业、互联网公司会发现，真正的融合是非常关键的。最起码要on the same page，大家能够讨论这个问题，真正能想到未来的出路，要把技术的力量发展出来，把商业通过产品形式真正落地下来，这个也是非常关键的。