0
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通過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，提高企業智能化比例的公司，也可稱為人工智能技術與服務提供商。
隨著人工智能服務提供商快速的“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能，根據麻省理工學院（MIT）訪問學者李大維的一份報告，只有32%的中國企業在數據和商業應用方面應用人工智能。智能化之路任重道遠。
目前，阻礙眾多企業進一步智能化的的因素在于，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，讓更大范圍的人群也能接觸和使用AI，成為人工智能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」采訪了人工智能技術與服務提供商——第四范式合伙人/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」，還是做其背后的「AI平臺」之間，第四范式選擇了「AI平臺」，將目標客戶定位在那些需要通過AI實現智能化轉型的企業。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數據科學家來操作，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。
第四范式基于自動機器學習技術（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，并不比人工建模的差，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。
第四范式希望以一個低門檻、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里真實落地，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，需要多種方案齊頭并進。
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應用需要數據科學來構建，但傳統企業并沒有足夠的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，因為人工智能太難了。這也是為什么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后，也能在我們的平臺上構建足夠好的AI模型。
其次，是數據的門檻。現今很多企業都存有一定的數據，而這些數據是通過BI（商業智能）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，不能簡單地直接用于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，在線下用離線數據建造的模型效果很好，但是上線后，常常出現各種問題，這是因為AI不同于BI，需要大量完整的、形成閉環的數據，因此構建一個專門的面向AI的數據治理體系，也是十分重要的。
最后，是成本的門檻。頂尖的互聯網公司，每年都需要有很多服務器來支撐AI業務，甚至會花費上百億，但很少有公司能夠承受這么大的成本。AI是硬件和軟件深度融合的體系，我們發現采用軟件定義算力的方式，不止性能會提高，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，即通過短信、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之后，成功率/轉化率能能提高10%到500%。
近幾年，一些銀行開始做智能風控場景，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能之后，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，風控的業務越來越復雜，數據復雜度和場景復雜度都在提升。而智能風控對于復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，很多銀行在智能營銷、智能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復雜的競爭局勢。不僅僅是同業的銀行想要“爭地盤”，甚至要與互聯網公司、金融科技公司等互相博弈。現在大部分用戶已經不去線下網點了，如何投身于互聯網大潮，爭奪線上“蛋糕”成為首要目標。用戶在線上的行為、興趣點、使用時長、消費場景等信息的授權獲取，數據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，利用人工智能技術，可以對用戶數據進行分析與挖掘，建立超高維模型，實現對每一個目標用戶的精準刻畫，提升其線上體驗。這與以往傳統的BI模型通過標簽將用戶進行簡單分類的方式截然不同。
對金融機構來說，用戶留在機構內的相關數據將是極具價值以及區分度的信息。利用人工智能等手段對客戶進行精細地刻畫，進而采取差異化、“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系，正在成為金融機構的主要發力點。
對于為金融機構提供AI服務的企業而言，有的在做定制化的服務，有的專注于標準化產品的開發。第四范式目前除了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、如何提高數據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。（雷鋒網、雷鋒網）
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
