2020年8月7日-9日，第五屆CCF-GAIR全球人工智能與機器人峰會，于深圳隆重舉辦。

此次峰會由中國計算機學會主辦，香港中文大學（深圳）、雷鋒網(wǎng)聯(lián)合承辦，鵬城實驗室、深圳市人工智能與機器人研究院協(xié)辦。

在大會第三日的「AI金融專場」中，《AI金融評論》邀請了6位最具代表性的頂尖AI金融專家，分享能夠代表未來10年風向的智能技術方法論、產(chǎn)品邏輯和風險管理理念；也在2020這個特別的時間節(jié)點上，展望他們眼中的「AI金融新十年」。

微眾銀行首席AI官楊強：聯(lián)邦學習，重塑金融范式

大會開場，微眾銀行首席AI官楊強教授首先登臺演講。

楊強是國際聯(lián)邦學習與遷移學習的領軍人物，也是國際人工智能聯(lián)合會（IJCAI）成立50多年來，首位華人理事會主席。

微眾銀行目前已經(jīng)有五年的經(jīng)營歷史，有大約兩億的個人用戶和將近百萬的小微企業(yè)客戶。作為微眾首席AI官，楊強教授認為微眾銀行之所以獲得如此大規(guī)模的用戶群，很大程度上是取決于技術上的創(chuàng)新，包括云計算、大數(shù)據(jù)和人工智能。

他表示，獲客、客戶信用評估、客服等金融業(yè)務都有AI的影子，這當中的主線就是“如何將盡可能多的數(shù)據(jù)順利使用起來”。而聯(lián)邦學習這種“數(shù)據(jù)不動模型動”的做法，能實現(xiàn)“數(shù)據(jù)可用不可見”的目標，更好地助力金融。遷移學習和聯(lián)邦學習也是如今比較突出的兩項技術，可以把整個金融業(yè)務再往前推進一步。

楊強認為，目前很多行業(yè)并沒有真正意義上的大數(shù)據(jù)，缺乏高質(zhì)量、有標注、不斷更新的數(shù)據(jù)。

如何保證各方數(shù)據(jù)私密不外傳，又能保證數(shù)據(jù)更新？這就是分布性數(shù)據(jù)隱私保護、聯(lián)合建模的挑戰(zhàn)和需求——把小數(shù)據(jù)聚合起來成為大數(shù)據(jù)。加上現(xiàn)在人們愈發(fā)重視隱私，政府紛紛立法，對技術的監(jiān)管趨嚴，聯(lián)邦學習正為保護隱私帶來了技術上的新思路。

如何理解聯(lián)邦學習？“邦”是指每個實體參與者地位相同，無論大小，提供的價值才是他們存在的意義；“聯(lián)”是用一種方式把它們聯(lián)合起來，保護隱私，一起做有意義的事情。

聯(lián)邦學習的宗旨是“數(shù)據(jù)不動模型動”，目標是“數(shù)據(jù)可用不可見”。數(shù)據(jù)可以用，但是這些原始數(shù)據(jù)是合作方彼此之間見不到的，所以一些散亂的小數(shù)據(jù)就可以成為虛擬的大數(shù)據(jù)。

楊強教授介紹稱，目前聯(lián)邦學習主要有橫向聯(lián)邦（樣本不同、特征重疊）和縱向聯(lián)邦（樣本重疊、特征不同）兩種做法，前者更適用于to C場景，后者適合to B場景。

他強調(diào)，聯(lián)邦學習和分布式AI、聯(lián)邦數(shù)據(jù)庫的區(qū)別在于：過去這二者的數(shù)據(jù)形態(tài)、分布、表征皆為同類，但在聯(lián)邦學習里它們可以是異構的；且過去聯(lián)邦數(shù)據(jù)庫目的是并行計算、增加效率，但現(xiàn)在數(shù)據(jù)本身屬于不同的屬主，所以需要做加密情況下保護隱私的計算。

最后，楊強談到了聯(lián)邦學習在金融領域的應用。除了推薦系統(tǒng)，聯(lián)邦學習也可以在征信系統(tǒng)和信貸業(yè)務上發(fā)揮作用，銀行提供用戶貸款的關鍵數(shù)據(jù)，合作方提供企業(yè)的交易數(shù)據(jù)，兩方數(shù)據(jù)后聯(lián)邦可讓壞賬率大幅降低。在保險業(yè)，則可以讓不同的保險公司可以橫向聯(lián)邦，更好地建立個性化定價模型。

平安集團首席科學家肖京：1%的效率提升，100億的價值創(chuàng)造

緊接著，平安集團首席科學家肖京博士上臺發(fā)表演講。

肖京博士長期從事人工智能與大數(shù)據(jù)分析挖掘相關領域研究，目前主持平安集團的AI賦能與技術創(chuàng)新工作，包括智能化大數(shù)據(jù)分析等技術在金融、醫(yī)療、智慧城市等領域的研發(fā)和應用。

他曾經(jīng)指出，運營上1%的效率提升，就可以給平安集團帶來100億的價值——全集團180多萬員工，每一點效率的提高帶來的收益都十分明顯。

現(xiàn)場，肖京以「人工智能賦能金融業(yè)務」為主題，同與會者進行了分享討論。

他指出，金融市場目前面臨越來越多的挑戰(zhàn)和訴求，隨著監(jiān)管趨嚴，互聯(lián)網(wǎng)和高科技企業(yè)、傳統(tǒng)銀行等金融機構的競爭愈加激烈；未來銀行不管在體制還是技術上，都會更加開放，同時，金融機構的投融結合將成為明顯的發(fā)展趨勢，平安的經(jīng)營管理也將逐漸向混業(yè)經(jīng)營、精細化、輕資產(chǎn)化轉(zhuǎn)變。

肖京博士分享稱，線上化和多線聯(lián)動使平安集團實現(xiàn)渠道的實時觸達，起到降本增效的目的；而智能化、尤其是AI技術的研發(fā)及應用，讓集團真正實現(xiàn)數(shù)字化經(jīng)營，形成業(yè)務生產(chǎn)和服務流程的重構。肖京認為，技術要和業(yè)務緊密結合，不光要形成具體解決業(yè)務問題的智能化方案和平臺，更要形成規(guī)?；卣笰I應用的能力，覆蓋各類場景，快速有效地實現(xiàn)業(yè)務環(huán)節(jié)的智能化，持續(xù)夯實關鍵技術和業(yè)務壁壘。

他還透露，現(xiàn)階段平安主要在進行智能化業(yè)務方案中臺的建設，將技術與業(yè)務深度融合，抽象濃縮成中臺組件，幫助業(yè)務快速組建前端服務機器人，將AI算法應用于不同的業(yè)務場景?！捌桨材X”智能引擎作為其核心框架，高效賦能集團各業(yè)務單位完善智能化建設。在此之前，平安前后花費了近一年時間，打通了集團內(nèi)部的數(shù)據(jù)孤島，整合到一個平臺上，并建立了自動更新及質(zhì)量控制機制，對原始數(shù)據(jù)自動化進行脫敏、整合、清洗、標準化等處理，并對這部分數(shù)據(jù)采取嚴格保密管理，建立有關數(shù)據(jù)安全、隱私保護的管理規(guī)范。

此外，肖京博士也談到了聯(lián)邦學習技術。平安已經(jīng)推出蜂巢聯(lián)邦智能平臺，以解決“數(shù)據(jù)孤島”情況下數(shù)據(jù)不可共用的問題，平臺具有安全性、隱私性、合法性的特點，目前已應用于動態(tài)保險定價、專屬語音客服等多個場景。同時肖京也提到，聯(lián)邦學習需要加密、分布部署、改變模型等具體細節(jié)，在溝通、開發(fā)、部署等各方面成本都較高，只有在必需的場合，平安才會使用聯(lián)邦學習技術。

在此次大會上，肖博士詳細分享了不少平安的人工智能技術應用，比如多模態(tài)身份認證，準確率高、穩(wěn)定性優(yōu)、適用范圍廣，已應用于普惠小額貸款、銀行保險賬戶開戶、門禁等多個場景，通過微表情、人臉識別等技術提升平安普惠的放貸效率，將放款時間縮短至3分鐘，違約率也大幅下降；平安的企業(yè)大數(shù)據(jù)知識圖譜歐拉圖譜，構建了專業(yè)的債券違約、財務造假、企業(yè)評級等多個模型，實現(xiàn)貸前貸中貸后、投前投中投后等業(yè)務領域的風險管理，預警防控企業(yè)金融風險；平安的圖像識別技術也已經(jīng)在車險理賠中發(fā)揮重要作用，其應用不僅可以在理賠早期就識別出欺詐的風險，每年減少幾十億元的風險滲透，還提升了業(yè)務效率，優(yōu)化用戶體驗。

京東數(shù)字科技集團副總裁程建波：AI時代下的風控理念

隨后，京東數(shù)字科技集團副總裁、風險管理中心總經(jīng)理程建波，深入講述了AI在風險管理中的應用實踐。

程建波先生先后就職于深發(fā)展銀行、華夏銀行、FICO等機構，具備傳統(tǒng)金融與互聯(lián)網(wǎng)跨行業(yè)經(jīng)驗，對行業(yè)有廣泛和深入的了解，業(yè)務實踐經(jīng)驗豐富。2014年8月，程建波加入京東，組建京東金融風險管理團隊，推進了京東白條、金條等系列有行業(yè)影響力的產(chǎn)品的發(fā)展。

他分享了很多頗具建設性的風控思路和理念。

• 風險不僅是控制，更是主動選擇的經(jīng)營管理。

• 管理風險意味著機遇。風險管理做的好不僅可以止損，還可以帶來很多的商業(yè)機會。

• 好的風險管理不是滯后的，而會更具有前瞻性。學習的過程是終生的，更需要預見式，而不是反應式。

在大會現(xiàn)場，程建波首先和與會嘉賓分享了京東數(shù)科的三個階段：數(shù)字金融、金融科技、數(shù)字科技。三個階段里，不變的核心是一直將數(shù)字當作基因，不做和數(shù)字無關的業(yè)務。

程建波強調(diào)新的技術一定要放在商業(yè)實踐當中反復打磨，尤其是在線上業(yè)務中，風險管理的模式和傳統(tǒng)相比有很大差別，雖然依然在解決一些老問題，比如信息不對稱、如何了解用戶、如何讓大家理解產(chǎn)品并且使用。但是新的風控模式已經(jīng)打破了以前的路徑，企業(yè)仍需要做很多促進消費者理解的工作。

此外，程建波認為有體系的產(chǎn)品建設十分重要。當技術積累到一定程度，比如微眾銀行建造的模型高達60個，最大的挑戰(zhàn)是龐大的技術團隊如何管理，比如平安的業(yè)務很大，1%的變動，就是幾萬億的規(guī)模。這不再是單純技術的問題，還需要構建一個復雜的框架體系，并且需要多團隊聯(lián)合作戰(zhàn)。

關于風控，程建波也向與會嘉賓分享了許多自己多年來的實踐經(jīng)驗和思考。

他認為風險一定是滯后的。如何在風險不斷裂變的情況下更快速地預測用戶的風險等級，對于風險管理人員來說是非常重要的，需要更多的技術儲備。

程建波還十分重視人才的培養(yǎng)和建設。他認為所有新興的商業(yè)，對人才的要求都是全方位的，第一是和策略相關的專家，第二是AI科學家，第三是大數(shù)據(jù)的專家。

原摩根大通執(zhí)行董事黃又鋼： 小微貸款風控模型中的算法探索

第四位演講嘉賓，是華爾街知名建模和風控專家黃又鋼。

他曾任摩根大通執(zhí)行董事和花旗銀行高級副總裁，擁有數(shù)十年的海外零售銀行數(shù)據(jù)分析經(jīng)驗和前沿算法思維，今年回國與金融界頂尖技術大牛王強博士聯(lián)合創(chuàng)立了弘犀智能科技有限公司，出任首席風控官。

以《小微貸款風控模型中的算法探索》為主題，黃又鋼和嘉賓及與會朋友們分享了自己在風控實踐中的一些心得體會。

黃又鋼認為，中小微企業(yè)解決了國家80%的就業(yè)，這些企業(yè)的生存和貸款需求問題是需要關心和全力解決。但和上市的公司相比，這類企業(yè)信息透露不夠充分，數(shù)據(jù)來源紛雜，數(shù)據(jù)格式不標準，數(shù)據(jù)更新周期不穩(wěn)定，導致面向中小微企業(yè)的信貸產(chǎn)品難度更高。中小微企業(yè)信用貸款是一個世界性的難題，除了有國家層面的政策扶助，更需要頂尖人才的智慧和付出。

在現(xiàn)場，黃又鋼主要介紹了集成算法，降維算法、聚類算法和決策樹算法。他指出，現(xiàn)在弘犀智能建任何模型一定是“雙軌模型”， 即兩個算法同時進行。

主模型是傳統(tǒng)模型回歸算法，挑戰(zhàn)者模型是機器學習算法。無論在美國還是中國，經(jīng)典風控領域全都是以回歸模型為主導，原因在于穩(wěn)定性好，可解釋性非常強。機器學習由于很難被解釋，在美國的信貸場景基本不能合規(guī)落地。

黃又鋼解釋了實操“雙軌”建模中的幾大過程：一是預測能力的比較； 二是變量維度的判斷；三是對比同一個觀測值，如何交叉使用；四是策略應用，即如何使用這個模型。通過模型、變量、維度和個體等層面的比較，他給出了機器學習相較于傳統(tǒng)模型的優(yōu)劣性分析，表示機器學習在準確性等方面比傳統(tǒng)模型要好，沒有概念和業(yè)務場景的限制；當回歸模型與機器學習的結果沖突，適當配置后端策略是可以解決這樣的問題。

黃又鋼指出人群分類在建模中的重要性，任何人群中都有可能包含不同的子群體。如果僅在全局人群上建一個模型、一條回歸線很難解決所有問題，而將人群分類后做獨立測試可能會更好地預測風險。決策樹算法和聚類算法是人群分類中經(jīng)常用到的算法，前者用樹的方法把人群分為多個葉子，每個葉子表示一個子人群；從機器學習角度來看，決策樹算法和聚類算法分別代表有監(jiān)督學習和無監(jiān)督學習。

他認為，人群分類的概念聽起來非常簡單，實際操作相當復雜的。最終結果的評判標準一般是兩個方面，一是算法層面的比較，二是預測準確性層面，特指各子人群模型匯總到全局人群上的預測準確性。

黃又鋼還分享了算法探索與創(chuàng)新方面有兩個思路：一是單一的算法，從數(shù)學角度和（或）計算機角度，產(chǎn)生新的突破；二是兩種（或多種）算法的相互嵌入和混搭形成新的算法。從實際應用的層面，“匹配”可能會更快地實現(xiàn)突破， 即現(xiàn)成的算法匹配特定的人群和特定的特征，就可能產(chǎn)生非常成功的應用，比如CNN算法在圖像識別上的應用效果就是一個事例。

他最后總結稱，未來的方向是“算法+人群+特征”，也即，算法的突破，人群的細分，數(shù)據(jù)的深挖，及相互之間適當?shù)钠ヅ涠伎赡墚a(chǎn)生革命性的突破。

移卡集團副總裁奚少杰：支付企業(yè)的商業(yè)全鏈數(shù)字化賦能邏輯

隨后演講的嘉賓，是移卡集團副總裁奚少杰。

移卡是中國第二大二維碼支付的服務提供商，有14%的二維碼支付市場份額。截止2019年12月31號，移卡有530萬的活躍支付商戶，觸達3.68億消費者。作為移卡集團副總裁，奚少杰專注于中小微企業(yè)的數(shù)字化轉(zhuǎn)型和商業(yè)服務，他本人也曾在騰訊任職多年，有著豐富的互聯(lián)網(wǎng)和金融科技從業(yè)經(jīng)驗。

現(xiàn)場，奚少杰為與會者帶來了題為《數(shù)字化轉(zhuǎn)型下的金融科技應用》的主題演講。

奚少杰首先敘述了第三方支付的發(fā)展歷程，并認為簡單的支付入口，比如二維碼，已經(jīng)不能滿足整體的數(shù)字化升級的需求，他提出未來幾年“產(chǎn)業(yè)支付”將驅(qū)動行業(yè)迎來新的一波發(fā)展。

從技術角度（需求端和供給端）和宏觀角度，奚少杰詳細介紹了產(chǎn)業(yè)數(shù)字化升級的趨勢，目前移卡不僅僅是單一的支付服務商，還逐步會成為綜合的數(shù)字化服務商。這個服務不僅僅包括支付環(huán)節(jié)，還包括獲客、留存、供應鏈等商戶經(jīng)營全鏈條的打通。

奚少杰向與會者介紹，目前移卡也給商戶提供了很多不同業(yè)務板塊，包括基于SaaS的智能餐飲經(jīng)營管理平臺——智掌柜，涵蓋點餐、收銀、后廚管理、外賣、會員營銷、營業(yè)報表等一體化功能，提高商家經(jīng)營效率；基于區(qū)塊鏈技術的商戶優(yōu)惠券聚合平臺“約惠圈”，可以為商戶提供優(yōu)惠券創(chuàng)建、分發(fā)、領取、分享獲客服務，助力商家打造私有流量池；支付和商戶服務“好生意”，通過連接多種支付方式，幫助商戶實現(xiàn)集中收銀和一體化賬單功能，同時為商家提供店鋪管理功能，布局商戶服務。

在金融服務和風險管理方面，移卡在提供支付服務的過程中，結合了人臉識別等生物識別技術，這些技術在支付過程中為客戶的風控、反欺詐、精準定位方面發(fā)揮了很大作用。

在智能經(jīng)營管理中，企業(yè)如何切入其中并為商家提供服務？奚少杰舉例稱，與商戶合作時，可借助基于AI視覺識別的門店熱力分析技術關注店鋪的熱點區(qū)域、到店客人的行為、商品陳列等與營業(yè)情況的關系，以幫助商戶更好地管理會員、經(jīng)營店鋪。

基于積累的數(shù)據(jù)，移卡還可以給商戶提供精準的營銷服務，提供客戶留存、會員留存等服務；基于對商家的精準評估，可以提供貸款等金融產(chǎn)品的服務。

普林斯頓大學教授范劍青：站在最高維，透視AI金融的運行本質(zhì)

本次專場的最后一位重量級嘉賓，是普林斯頓大學金融講座教授范劍青。

他是國際數(shù)理統(tǒng)計學會創(chuàng)辦70年以來第一位華人主席，論文引用數(shù)多年位列世界數(shù)學家前十名，是素有統(tǒng)計學諾貝爾獎之稱的CPOSS總統(tǒng)獎得主，也是《計量經(jīng)濟》、《商務統(tǒng)計》、《統(tǒng)計年鑒》等五個國際頂尖雜志的主編。

在大洋彼岸的范教授，通過實時連線的方式，以“機器是怎么學習金融的”為主題，帶來了長達1個小時的精彩報告。他從大數(shù)據(jù)與人工智能、穩(wěn)健因子學習及其應用、債券風險溢價預測、高頻交易預測，文本分析與金融投資，這五個板塊向大家報告近年來他的研究團隊的部分工作成果。

在范劍青看來，人工智能是機器學習的平方，讓機器自動學習機器算法、是機器學習的理想境界。而大數(shù)據(jù)賦能AI，從大數(shù)據(jù)相關的科學挑戰(zhàn)衍生的新興科學即為數(shù)據(jù)科學，他認為數(shù)據(jù)科學以應用為背景，其目的是想把大數(shù)據(jù)解決成智慧數(shù)據(jù)。

他指出，大數(shù)據(jù)=系統(tǒng)+分析+應用，機器學習=統(tǒng)計+優(yōu)化+實現(xiàn)環(huán)境。

如今深度學習之所以能如此成功，范劍青認為它是權衡偏差和方差的有效方法，深度網(wǎng)絡使高維函數(shù)更加靈活，而現(xiàn)在計算技術使大數(shù)據(jù)深度學習得到有效的實現(xiàn)。

范劍青認為，在經(jīng)濟金融、生物醫(yī)學、管理決策和人文社會中，機器學習有很多挑戰(zhàn)和機遇。由于個體差異大，數(shù)據(jù)集未知，現(xiàn)在發(fā)生的事情與幾年后的變量完全不一樣，難以提取特征，需要各學科交叉。尤其是在金融行業(yè)，數(shù)據(jù)不平穩(wěn)，隨著時間而變，多人參與競爭的市場也是對金融的挑戰(zhàn)。

而機器學習本身就是為降低維數(shù)和預測而設計的，他認為機器能學習金融，盡管金融非常復雜，但它的形式是可預測的。以股票收益預測為例，可以通過高維線性模型、機器學習模型或是深度學習模型來處理。他強調(diào)，成功預測的屬性一是大數(shù)據(jù)，二是魯棒，三是模型具備市場的重要特征。

他還詳盡地用幾個例子來說明溢價預測相關的問題，例如通過市場因子來預測債券風險；并介紹了現(xiàn)階段可以使用的兩種因子學習方法，一是傳統(tǒng)主成分方法，二是利用投影主成分來操作。

此外，范劍青也與現(xiàn)場觀眾介紹了文本數(shù)據(jù)如何協(xié)助股票投資決策，他表示現(xiàn)在可以通過對新聞內(nèi)容的分析，解析文章對股票的褒貶程度。

最后，范劍青總結稱，資產(chǎn)定價本質(zhì)上是預測問題，機器可以學習金融。他認為機器學習可以幫助處理大數(shù)據(jù)并從中選擇重要因素和特征，能很好地應對過度擬合的問題，允許非線性學習極大地改善預測效果，將穩(wěn)健性和對抗性網(wǎng)絡提煉為定價，智能預測也會帶來很大的經(jīng)濟收益。

歷屆「AI金融專場」，均會吸引中國及歐美地區(qū)眾多AI金融專家到場。在上一屆論壇中，加拿大工程院院士、Citadel首席人工智能官鄧力博士，加拿大工程院院士凌曉峰教授等多位重量級人物來到現(xiàn)場學習交流。

楊強和黃鎧在會場熱切交流 

而在今年，包括黃鎧、劉江川、王強等十多位IEEE Fellow以及各大金融機構的首席信息官/科學家來到現(xiàn)場，共同促進AI金融的產(chǎn)學融合與商業(yè)應用。（雷鋒網(wǎng)雷鋒網(wǎng)）

黃鎧教授在AI金融論壇的現(xiàn)場

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。