在中國人工智能大會上，螞蟻金服副總裁兼首席數(shù)據(jù)科學家漆遠博士發(fā)表了主題為《金融智能的發(fā)展與應用》的演講。在此次演講中，漆遠從風控系統(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?，F(xiàn)場，螞蟻金服的“模型服務平臺”首次公開亮相，主打“模型所見即所得”。漆遠表示，數(shù)據(jù)是資產(chǎn)，模型本身也是資產(chǎn)。未來，螞蟻金服也會將這個平臺作為其中一個AI能力向合作伙伴和客戶開放。本文根據(jù)演講內容整理了螞蟻金服人工智能的發(fā)展與應用圖譜。

螞蟻金服AI發(fā)展與應用圖譜，回復“螞蟻”獲取高清版

以下為漆遠博士演講實錄：

今天很高興給大家作一個分享，介紹一下AI在螞蟻金服的發(fā)展和應用。

首先我會講一講為什么我們要做AI，為什么呢？因為AI離不開場景和數(shù)據(jù)，為什么要場景，因為我們要解決真正的問題，產(chǎn)生真正有意義的服務。在金融里面我們有大量的服務，從支付、保險、財富、到風控、微貸等各個領域，其中典型的場景就例如要判斷某個小企業(yè)是否具備相應的信用能夠承受貸款的風險。

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)展和應用一系列的人工智能技術。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)定的風控的系統(tǒng)。還有業(yè)務多樣性，比如說怎么用遷移學習來發(fā)現(xiàn)不同任務之間的共性。再比如說系統(tǒng)性風險， 系統(tǒng)可以用一個網(wǎng)絡來表達，那你怎樣從網(wǎng)絡的角度分析問題。還有強數(shù)據(jù)安全和用戶隱私保護也是金融業(yè)務本身的屬性。

面對這些挑戰(zhàn)我們構建了一個金融智能的平臺，從底層的圖像理解，以及使用阿里巴巴集團的語音識別能力，在此之上發(fā)展了NLP的能力，然后這上面進行機器學習、深度學習，分析時間序列，比如說預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。

在這個金融智能平臺中包括了一系列的人工智能技術，比如說強化學習、無監(jiān)督學習、圖推理、共享學習。這些技術具備金融領域的實時對抗性、大規(guī)模以及安全加密性。

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

安全風控

首先是在安全風控中，里面有用戶、設備、商家，他們之間通過資金流動形成互聯(lián)。傳統(tǒng)的風控技術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器學習建立強大的風控系統(tǒng)。但是今天我們希望進一步地升級風控系統(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跨界的技術，其實就廣告CTR預估的技術。 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)服務器技術，我們把邏輯回歸換成了大規(guī)模深度學習，使用到風控里面： 通過GBDT產(chǎn)生特征，然后DNN繼續(xù)學習。 因為在風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給深度學習模型。

前面是說我們把GBDT和DNN結合起來考慮風控。深度學習往下走，我們也考慮關系，用戶、商家、賣家等的關系，下面我舉一個例子，我們通過embedding技術，把整個關系結合起來，形成圖形網(wǎng)絡，然后進行監(jiān)督學習、加強學習。

給大家看看例子，比如說支付寶賬號的賬戶（行為），我們一個網(wǎng)絡有好人、壞人，有設備比如說手機、計算機，iPad等，我判斷今天這個人是否注冊一個垃圾賬號特別簡單。我們可以把整個的圖關系通過一個embedding的技術產(chǎn)生一個深度學習的網(wǎng)絡，通過機器學習產(chǎn)生一個隱層表達，這個表達不光涵蓋了每個節(jié)點自身復雜的特征，同時還對網(wǎng)絡結構做了一個encoding。在垃圾賬號的識別上，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技術后有一個質的飛躍，Recall在70%、80%的時候，Precision達到90%，而原來的算法Precision在40%幾，這基本相當于瞎猜。這個和以前的系統(tǒng)相比，Node2Vec也是非常先進了，我們在此基礎上又做出了明顯的提升。

將圖的關系和Feature結合起來，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)，我們進一步學習，將深度學習和圖模型結合起來，可以融合網(wǎng)絡關系與復雜特征。

智能助理

下面講講另外一個方向，在過去的很多年，不管是中國還是美國，講起智能助理和機器人都是非常熱的話題。這里對話很關鍵，在螞蟻金服初始的對話從客服機器人開始，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，他就給你一個這樣一個答復，提供工具輸入金額并計算。然后還有財富的理財渠道，你問某個企業(yè)業(yè)績怎樣就會開始進行輿情分析，輿情分析在金融里面非常多的應用，我們可以自動分析，海量的輿情在中國國內，為月新聞、周新聞相應地打出輿情分。

下面講兩個技術，在對話機器人里面，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背景和場景。我們通過LSTM對用戶行為軌跡做一個編碼，然后整個模型是一個深度排序模型，比較哪個更相似，通過LSTM建立模型，把怎樣申請退錢回來的用戶問題，和轉賬轉錯怎么辦和為什么銀行卡轉賬被退回來，這兩個進行答案匹配。我們給出正確的選擇轉賬到賬戶錯了怎么辦。這里有一系列的創(chuàng)新。這些創(chuàng)新今天不一一講。最后的結果，去年雙十一智能客服自助率做到97%。同時今年我們問題解決率超過了人工客服，機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簡單介紹，首先一個特別簡單的模型，就是統(tǒng)計這些感情單元，同時又和深度學習的方法結合，最后產(chǎn)生整體的判斷，這里面的話使用CNN，k-max pooling可以結合起來，還有TNN，將所有的信息結合起來進行一個綜合的評價。

剛才兩個例子講到對話機器人，第一個是客服，第二個是財富號的輿情分析。再就是保險，同時支付寶本身也在進行升級，您對支付寶可以說話，比如說我要給我的同事通過語音進行轉賬，自動完成轉賬并記錄到賬單里面。

機器學習平臺

下面第三個講機器學習平臺，這是我們團隊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)模機器學習平臺。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控里面，其實它的核心技術就是我們能夠通過系統(tǒng)和算法的結合，處理海量數(shù)據(jù)。所以在風控系統(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確輕松地通過審查。這個平臺前年做到了，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)中提取價值做出預測。

假設非常多的數(shù)據(jù)，萬億參數(shù)非常耗能耗的，同時需要很多的機器。很多時間的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，相信很多做相關研究和做開發(fā)的同學都非常了解，如果我們把矩陣分解和哈希算法做結合，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小時收斂，從工業(yè)界的角度具有非常大的價值。我們用到了口碑的場景中，點擊率的升幅超過120%。

剛才介紹的是機器學習，就是參數(shù)服務器，支持深度學習。下面再講一個技術，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，這是非常有價值的商業(yè)問題。這里面我們開發(fā)了加強學習技術。在這個算法中，我們有State、Action和Reward的狀態(tài)，我們定義了一個空間，State是從多個業(yè)務抽取特征，刻畫用戶狀態(tài)，Action是對哪些卡片和渠道做了相關決策組合，Reward就是用戶的點擊和簽約行為。整個框架是流式強化學習框架，所以能夠實時實現(xiàn)Update。這上面講了一個流程，比如說花唄準入，比如說它是否點入和簽約，整個算法可以在框架上迭代，效果就是在深度學習基礎上有更好的效果提升，比如推薦卡片點擊率171%的增長和最終簽約率149%的增長。

剛才講了加強學習，講了深度學習，下面講另外一個例子。如果每個技術都作為一個好用的工具開放出來，您只想用這個工具而不太深入技術本身怎么辦？我們開發(fā)了一個模型服務平臺，將整個模型訓練給您可視化，您通過簡單的點擊、拖拽數(shù)據(jù)就能產(chǎn)生所有的結果。比如說您是開發(fā)應用的，您可以把算法在里面應用以后進行一鍵部署。當然如果您是開發(fā)算法的也可以寫出新的算法，例如加強學習等，可以通過統(tǒng)一的平臺進行服務。在螞蟻金服內部，從芝麻信用到網(wǎng)商銀行的借貸，到風控都正在全面地使用我們的平臺。

模型服務平臺

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，希望我們的AI技術的能力開放服務于我們的客戶和合作伙伴。

這個模型服務平臺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的，然后可以支持A/B測試，可以全流程地效果監(jiān)控，同時跨團隊地合作，并且可以實現(xiàn)多人同時開發(fā)。

接下來簡單展示訓練模型時的一個視頻。這是顯示的分類結果，這是得出來的樹狀模型，然后可以進行效果評估，這里可以比較兩個算法哪一個更好，拆分以后隨便選兩個算法自動評估，然后可以進行結果對比。我們以前在學校訓練完模型，然后手工測試幾個測試集就結束了，而在實際業(yè)界應用里一直有新的數(shù)據(jù)跑，新的預測，必須簡潔好用。在我們說話的時候，這就產(chǎn)生了一個部署的API，大家如果有問題還可以看一個請求示例，示范如何使用這個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時的效果實時進行監(jiān)控。

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

定損寶

那下面最后講一個例子，前幾周我們保險事業(yè)部和我們發(fā)布了一個產(chǎn)品叫“定損寶”，做什么呢？出了一個小車禍，照張像，哪里有問題，是撞了一個洞還是刮蹭進行判斷，這是非常復雜的事。我們不是做 OCR識別，也不是做數(shù)字識別，但是我們要做檢測，我們要檢測哪個部件比如說車門、車燈還是bumper，我們要理解這個場景，比如說有一個縫，本身計算機不知道是車上的縫還是墻上的縫，還必須知道這個問題多么嚴重，最后是一個決策，將多個數(shù)據(jù)源結合起來，給用戶和定損員一個輔助判斷 。

看這張圖像，您覺得車哪里有問題，我當時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，有個特別微小的變形。但是這里我們要解決幾個問題，第一個是問題在哪里，第二個你要把問題分幾層，到底有多嚴重的問題，比如說這是輕度變形。有的變形了你得把整個部件換掉，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，您做一個決策是否要修。 下面舉幾個我們遇到的計算機視覺上的挑戰(zhàn)。比如部件識別，這里面有多少個部件呢？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。再舉個例子，左邊一個強反光，強反光是不是有問題呢？我們要琢磨琢磨。還有，照相的時候人臉都對著框子里照，拍車照片的角度變化大很多 。

這個項目的開始和拿到初步的結果是算法團隊和業(yè)務同學通力合作的結果。算法同學積極學習業(yè)務，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。我們的技術有一系列的流程，從噪音去除到類別識別到目標檢測和程度判斷，到底多嚴重，是變形還是刮蹭。根據(jù)很多張圖片，最后我們要做預測結果的綜合，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，以前我當老師寫NSF proposals，都有兩個目標要寫，一個是intellectual merits 就是技術的原創(chuàng)性，另外一個是broad impact，就是對世界的影響。一般第一個目標我們都拼命寫，第二段都是那種來回貼的那種，為什么？因為當時在學校的研究里工業(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)，不僅應用技術還可以發(fā)展技術，今天介紹的只是一部分的技術，我們還有沒有發(fā)布的技術。

未來的挑戰(zhàn)

總結一下，今天講了深度學習和圖的結合，它主要是系統(tǒng)性風險的監(jiān)測與預測； 智能助理，我們達到了超越人滿意度的智能客服。今天智能助理完成任務基于一系列的場景，因為支付寶我們是一系列的金融生活服務平臺，今天就加上智能的定語叫智能的一系列的金融生活服務平臺； 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、便宜和省內存；另外是深度強化學習，在營銷與推薦應用。在營銷比較關鍵，如果只是深度學習那么總是給你想要的，但是加強學習您可以探索一個在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)務問題復雜度還是不夠，小數(shù)據(jù)、弱標注的數(shù)據(jù)的學習就很重要。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。 然后機器學習里面還有一個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用，為什么信用分變低了你要給一個交代，就是解釋，今天的深度學習缺乏解釋性。還有如何從觀測的而不是隨機對比的數(shù)據(jù)中分析因果分析。還有長期目標與短期目標映射，怎樣把長期的目標和短期做的目標結合起來。最后，非線性動態(tài)網(wǎng)絡系統(tǒng)，網(wǎng)絡本身在改變 這里和物理學一些概念很相關，同時和圖理論非常相關，這對風險、監(jiān)控和交易都會很有用。

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， 技術成熟一個開放一個。從客服到模型部署平臺到其他的每一個案例，包括輿情平臺，我們都非常愿意賦能和服務客戶，和我們的合作伙伴、與我們的客戶共同探討和創(chuàng)造未來。