4月28日，在GMIC全球金融創新峰會上，第四範式合夥人柴亦飛做了“贏在維度-人工智能定義金融新未來”的主題演講。
柴亦飛在演講中以美國的消費金融公司capital one、運通為例，說明了金融企業推出差異化服務，以及對不同的差異化群體挖掘的重要性。並指出當國內金融企業搶過資源之後，靠創新模式、增大投資，去獲取企業增長已經是不可持續的，未來比拼的就是比別人更高的精細化運營和差異化策略，而這背後則需要超高維度的人工智能技術的支撐。
以下為柴亦飛演講速記整理：
首先非常榮幸今天受到大會的邀請，給大家分享一下我們在人工智能，特別是消費金融的分享。
我相信大家都知道這兩家公司，一家是美國的消費金融公司capital one，還有運通。capital one已經超過三千億美元，幾乎達到運通的四倍。同時看到它的估值現在達到了運通貸款業務部分估值的接近四倍。
我們看一下它怎麼做到的？首先看到它的利息收入，capital one已經是在運通的10.95%恩的基礎上提升到了14.6%。我們看到它的風險在運通的1.8%基礎之上上升到2.1%。capital one已經不是大家理解的我靠低價把其他銀行或者公司的高質量客戶挖掘到這兒來，願意付更高利益、風險更高可控的差異化群體。
從八十年代來看，傳統的信用卡公司它們的利息都是固定式的利息，而八十年代的時候，capital one也剛開始著手製差異化定價策略。
90年的時候，運通做了初步的工作，它把差異化定價做了十幾種。
capital one這個時候把差異化定價的產品做到了幾百種甚至上千種。這個時候我們可以看到，運通解決了什麼問題？
運通解決了問題的複雜度，在1乘以幾十的規模上，capital one解決的是1乘以幾千。2000之後，運通受到了金融危機的打擊，並沒有貫穿差異化產品的服務策略。
capital one在2000年之後，大大提升了差異化產品，還推出了一系列差異化服務，加上對不同的差異化群體的挖掘。我們看到了capital one在2000年以後解決了1×5000萬，甚至更高維度的問題。14到17年，運通的股價一直往下走的，capital one一路上揚，大大超越了平均水平。
我們看看現在國內的情況，特別是消費金融的情況。
前些年大家都是在搶線下市場，在搶線下客戶，後來大家都在搶線上市場、線上客戶，最近幾年大家都在搶移動市場和移動客戶。我們想想如果我們把線下、線上、移動，隨著這些市場規模提升的這些新客戶機會全都搶完了之後，我們要怎麼辦？
我們勢必就要從競爭對手，其他的消費金融公司搶客戶，以前我只要夠快就可以佔到地盤，現在別人做到60分，我就得做80分，別人做80分，我得做90分。分數比別人高的精細化運營和差異化策略。
背後的技術支撐是什麼？我們認為一定是人工智能，AI的技術。我們以前靠創新模式，靠增大投資，去獲取企業增長已經是不可持續的。
我們現在要靠什麼？企業市場上的核心競爭力是什麼？是我們的決策能力和決策效率。只要我們的決策能力和決策效率比別人高，我們就能獲得在市場上獨特的競爭優勢，這背後的基礎就是我們所稱之為超高維度的人工智能的技術。
所以我們想解決像capital one這樣的公司，遇到的問題，要靠的是人工智能。在這兒有一個示意，我們如果從這群黑色的客戶群體中找到有購買意願的橙色群體，我們劃兩刀，好像看到右邊是我們的紅色群體。這裡也有一些黑色的群體，把整個群體中相對比較個性化的群體忽略掉了，並沒有識別出這些客戶的機會。
在機器學習和人工智能時代我們怎麼做呢？我們就把客戶群體的分類劃細，四類不夠，就400類，400類不夠就4000類甚至更多。大家已經不是千人千面做一個分析，而是一個人在不同環境和場景下的個性化研究。
我們以前在分析的時候怎麼做？我們就是在黃色的，特別長尾的部分，先切一刀，丟掉不看了，因為這個數量特別大，人特別雜，非常難分析，而且非常個性化。以前我們的技術和專家的精力是不足以分析這樣的長尾，我們只能根據左邊紅色的部分，找到裡面可能幾個規律，幾十個規律，幾百個規律。可能就是以前我們能做到的一個極限了。
這裡有一個很重要的問題，我們大的銀行可能零售客戶有幾億個，我們跟一些相對體量比較小的城商行或者其他的公司做客戶分析的時候，我們有什麼優勢？我們如果只看紅色的部分並沒有什麼優勢，因為大家都是在分析頭部，我能分析十萬個，你也能分析十萬個。我海量的長尾價值完全沒有被分析出來。現在誰能夠把長尾客戶的價值充分挖掘出來，誰就佔據了市場上競爭的優勢。
現在人工智能很火，其中最火的是什麼？我們稱之為深度學習，就是神經網絡，包括alphago。
但是如果我們在銀行或者消費金融公司引入神經網絡技術的時候，會有什麼侷限呢？就是神經網絡它能夠輸入的變量或者數據是有限的，我們看到常見的神經網絡能夠引入的變量數大概在萬級別，就是十的四次方。
我們曾經作過一些研究，我們用一萬臺的服務器做特大規模的神經網絡，能夠做到輸入變量大概是一百萬左右，這已經是傳統技術的極限了。我們再想四大行有幾億個客戶，如果我只能抓到幾億變量，我怎麼能夠把個性化、差異化的需求捕捉出來？顯然是不行的。我們現在發展了一個新的技術，稱之為DNN的技術。它可以介入的變量達到一萬億個係數變量。我們現在來看，我們怎麼把這個長尾客戶的價值充分挖掘出來，得靠有技術，能夠把這麼高維度空間的客戶需求、風險表現充分挖掘出來，才有可能真正做到千人千面，一人億面，一人千面的程度。
我們相應的設計了一些計算框架，有一個稱之為GDBT（general distributed brain technology，超大規模並行機器學習框架）的機器學習框架。它大概是開源spark的數十倍。
我們在相對比較小數量級的，比如五萬級，我們只比spark快了8%，其實並不是非常顯著的提升。我們在三千多萬條的大數據上做過性能測試，我們會比開源的spark提升了416倍。
大家可以看到，在這個領域裡面，其實是需要有非常強的技術的積累和應有，才能真正的去做到客戶細分和客戶個性化的挖掘。
我們這裡還有另外一個例子，就是Face Book。
Face Book在12年的時候，我們創始團隊跟Face Book做了很多技術交流。當時是我們想吸引一些Face Book的華人技術專家，能夠回國加入到國內的創業大潮裡面來。聊下來的感覺是什麼？
2012年的時候，Face Book所擁有的機器學習維度能力在2000左右，我們發現這並沒有好引進的人才。因為在那個時間，國內的水平已經達到上億、幾十億，甚至一百億的水平了。
我們在2016年的時候，跟Face Book的技術團隊又做過一些交流，我們瞭解Face Book現在的人工智能的水平到了什麼樣的程度。我們發現2016年的時候，Face Book的維度已經做到2000億，達到世界最領先的人工智能的技術之一。這也是我們公司為什麼現在有來自Face Book團隊的負責人，加入我們公司一起做一些創業。
我們看一下國內的銀行，包括金融公司在應用人工智能上有一些什麼樣的經驗。
首先，看一家股份行的信用卡公司，這是非常好的例子。我們以前做信用卡交易反欺詐的時候靠的專家規則，我們專家把歷史上各種各樣的欺詐交易規律給找出來，總結成專家規則，然後放到一個決策引擎系統裡面去，以後每一筆交易來了之後，就看看這個專家規則是不是命中了，如果命中了可能就是高風險交易，我就預警，可能一個座席打電話到你手機上問，你不是需要報案。
我們用了原則的幾百個規則提升到了25億的維度變量空間，找到了數千萬個有效變量。就變成一個數千萬的有效變量的模型。
我們用這個模型去做效果的對比之後，就發現在相同的欺詐交易召回率情況下，比誰的準確率更高。發現超高維度機器學習模型比傳統專家規則高數十倍甚至上百倍，這是非常驚人的提升。我們做這樣的工作之前，沒有哪個銀行的同事會知道能達到這樣的效果。
比如做一些精準營銷和分期產品的推薦。它的響應率和收入規模提升有60%到70%，帶回來一年的營收規模提升有一到兩億。我只是部署了一個模型，一年多賺兩億，這是非常驚人的提升。也包括銀行的基金推薦、保險產品推薦，或者是一些理財產品的推薦，我們也做了非常大量的工作，看到在很多場景下這些理財產品推薦的提升都可以達到五倍甚至十倍規模，也包括一些在智能客服、差異化定價和社交挖掘的工作。
我們可以看到在四大行，還有一些股份行，包括領先的證券公司、保險公司，大家紛紛來投入精力和技術力量研究人工智能，特別是超高維度人工智能對他們業務帶來的提升。我相信2017年也會有越來越的銀行和消費金融的公司能夠從機器學習的能力建設上得到更多的業務價值的提升。
謝謝大家，今天介紹到這兒。
人工智能在中國已經掀起了新一輪技術創新的浪潮，我們如何去感受人工智能的風向標？技術、創新、應用如何突破？未來人工智能這片藍海怎麼去航行？
5月21日，2017全球人工智能技術大會將在北京盛大召開，這場人工智能的盛會將帶來當下最先進的人工智能成果，同時也將迎來AI領域專家帶來的行業解讀。
2017全球人工智能技術大會詳情頁面：http://2017gaitc.caai.cn/
活動地點：國家會議中心會議區四層大會堂B
2017年5月21日
上午 主論壇報告+尖峰對話
下午 主論壇報告+尖峰對話
2017年5月22日——精彩論壇
智能駕駛分論壇
模式識別與智能感知分論壇
AI變革時代的智能系統測評分論壇
深度學習分論壇
智能金融分論壇
人工智能女科技工作者分論壇
自然語言理解分論壇
智能投資分論壇
腦科學與人工智能分論壇
智能體訓分論壇
未來已來-人工智能的技術應用分論壇
智能機器人分論壇·人工智能前沿講習班特別活動
本文系投稿稿件，作者：柴亦飛；轉載請註明作者姓名和“來源：億歐”；文章內容系作者個人觀點，不代表億歐對觀點贊同或支持。
55
66