第四正規化柴亦飛：低門檻的AI平臺正在成為一種趨勢

做AI驅動的公司，還是做驅動AI的公司，這是一個問題。

所謂AI驅動的公司，指的是某個或者某些業務透過AI賦能，業績大幅提升的公司，比如各大金融機構、大型醫療企業等AI+公司；而所謂驅動AI的公司，是以提供AI技術或者服務為生，提高企業智慧化比例的公司，也可稱為人工智慧技術與服務提供商。

隨著人工智慧服務提供商快速的“攻城略地”，受AI驅動的公司越來越多。但仍有大量企業沒有接觸或者還未深入應用人工智慧，根據麻省理工學院（MIT）訪問學者李大維的一份報告，只有32%的中國企業在資料和商業應用方面應用人工智慧。智慧化之路任重道遠。

目前，阻礙眾多企業進一步智慧化的的因素在於，AI系統或者平臺的使用門檻過高。如何將AI的使用門檻降低，讓更大範圍的人群也能接觸和使用AI，成為人工智慧技術與服務提供商以及需要AI賦能業務的企業繞不開的一個難題。

對此，雷鋒網「AI金融評論」採訪了人工智慧技術與服務提供商——第四正規化合夥人/副總裁柴亦飛，他向我們講述了AI在金融領域的落地情況和近期AI在金融方向的一些行業動態。

以下為柴亦飛的口述：

銀行的AI“新需求”

在選擇做「AI應用」，還是做其背後的「AI平臺」之間，第四正規化選擇了「AI平臺」，將目標客戶定位在那些需要透過AI實現智慧化轉型的企業。企業客戶可以在我們的「AI平臺」上，自己造出10個、100個甚至1000個「AI應用」。

近兩年，我們發現銀行等金融客戶的需求有了一些新的變化。

此前，金融機構會比較在意我們提供的AI系統的功能和效果， 現在他們也關注它的使用門檻。

一直以來，AI一直由學過建模的專業資料科學家來操作，門檻很高，極大地影響了AI的產能。而隨著AI在金融機構的普及和規模化應用，頭部銀行開始希望熟悉業務、但沒有學過建模的非計算機專業的員工，也能操作我們的AI平臺來開發AI應用。

第四正規化基於自動機器學習技術（AutoML）將機器學習建模的過程自動化，相比原來靠建模科學家「手動建模」，AutoML讓機器自動建模、迭代，跑出效果。根據模型AUC指標，我們發現AutoML的建模效果，並不比人工建模的差，甚至比專業的建模科學家做的還有提升。此外，自動化也節省了大量開發時間，比如某客戶在做高危客戶流失預警模型時，只要用原來1/40的時間就能跑出模型。

第四正規化希望以一個低門檻、低代價的AI平臺，讓沒有機器學習背景的人也能開發AI模型，幫助企業客戶在更多重要場景上做AI應用嘗試。實際上，這種設想已經在很多大型銀行裡真實落地，而且越來越受市場歡迎，這是我們近來發現的一個新變化。

“大眾化”的三種方法

當然，降低企業客戶使用AI的門檻，絕非易事，需要多種方案齊頭並進。

首先，是人才的門檻，這是企業在AI應用中面臨的普遍問題。現在我們看到大部分銀行不會只投入一兩個AI應用，他們有幾十個甚至上百個AI應用的需求，但核心問題是，這些AI應用需要資料科學來構建，但傳統企業並沒有足夠的AI人才。去年Gartner在AI應用現狀調查報告中也提到，AI人才的匱乏，是目前企業進軍AI的首要挑戰。

上面我們提到AI的規模化需要讓非機器學習背景的業務人員或者是開發者也能開發AI應用。然而JAVA工程師會說沒辦法做到，因為人工智慧太難了。這也是為什麼我們投入非常多的精力與時間去降低AI平臺的使用門檻，目前開發者在經過簡單學習後，也能在我們的平臺上構建足夠好的AI模型。

其次，是資料的門檻。現今很多企業都存有一定的資料，而這些資料是透過BI（商業智慧）的方式收集的。BI以圖形和報表的形式呈現，是給決策層的管理者看的，不能簡單地直接用於AI。但是客戶或者一些幫客戶做AI應用的公司，本身沒有太重視這個問題。最終，線上下用離線資料建造的模型效果很好，但是上線後，常常出現各種問題，這是因為AI不同於BI，需要大量完整的、形成閉環的資料，因此構建一個專門的面向AI的資料治理體系，也是十分重要的。

最後，是成本的門檻。頂尖的網際網路公司，每年都需要有很多伺服器來支撐AI業務，甚至會花費上百億，但很少有公司能夠承受這麼大的成本。AI是硬體和軟體深度融合的體系，我們發現採用軟體定義算力的方式，不止效能會提高，成本也會大幅降低。

十倍增效的「AI方法論」

現在，人們從懷疑AI是否真的有價值，轉而思考AI提供的價值是否能給企業業務帶來質的飛躍。

比如在金融機構，前些年，大家應用AI比較多的是傳統的營銷場景，即透過簡訊、電話進行精準的理財產品推薦與營銷。一些營銷類的場景在應用AI之後，成功率/轉化率能能提高10%到500%。

近幾年，一些銀行開始做智慧風控場景，以交易反欺詐、申請反欺詐的業務為例，效果也很喜人。在反欺詐這一領域，做得優秀的銀行比不太重視的銀行水平要高出很多。而過去在反欺詐領域做得好的銀行，他們的反欺詐系統應用了人工智慧之後，效率提升能達數十倍，最終給業務帶來了質的改變。

隨著一些傳統的線下信貸轉變成了線上的信貸業務，風控的業務越來越複雜，資料複雜度和場景複雜度都在提升。而智慧風控對於複雜多變的場景有很強的模型精準度，優勢也越來越明顯。

目前，很多銀行在智慧營銷、智慧風控等領域已經展開了諸多探索和落地，AI正在進入一個比較成熟的應用階段。

銀行的“思”與“變”

銀行也正在面臨著非常複雜的競爭局勢。不僅僅是同業的銀行想要“爭地盤”，甚至要與網際網路公司、金融科技公司等互相博弈。現在大部分使用者已經不去線下網點了，如何投身於網際網路大潮，爭奪線上“蛋糕”成為首要目標。使用者線上上的行為、興趣點、使用時長、消費場景等資訊的授權獲取，資料又如何轉化成實實在在的業務價值，是當下所有銀行都在思考的問題。

在這個過程中，利用人工智慧技術，可以對使用者資料進行分析與挖掘，建立超高維模型，實現對每一個目標使用者的精準刻畫，提升其線上體驗。這與以往傳統的BI模型透過標籤將使用者進行簡單分類的方式截然不同。

對金融機構來說，使用者留在機構內的相關資料將是極具價值以及區分度的資訊。利用人工智慧等手段對客戶進行精細地刻畫，進而採取差異化、“千人千面”的行動，實現多業務、跨場景、全鏈路的精準營銷和運營，與客戶建立更深刻的聯絡，正在成為金融機構的主要發力點。

對於為金融機構提供AI服務的企業而言，有的在做定製化的服務，有的專注於標準化產品的開發。第四正規化目前除了AI平臺的工作之外，也對一些AI落地方法論十分關注，包括如何推動銀行建設更底層的AI基礎設施、如何提高資料管理和治理體系的效率等，這方面的工作可能比我們上線一兩個AI的場景應用，價值更大。