漆远：小数据学习和模型压缩存挑战，场景成为 AI 技术发展关键

【新智元导读】蚂蚁金服副总裁、首席科学家漆远博士在新智元2017开源·生态AI技术峰会上阐释了 AI 技术在金融场景中的应用和巨大价值。漆远特别强调了场景化对于 AI 技术的意义，并以智能客服、个性化产品和资讯推荐及保险等具体场景为例加以说明。特别地，漆远指出了当前 AI 技术应用中存在的一些挑战，富有借鉴意义。

“蚂蚁金服是一家技术驱动的公司，我们做的事情，是使 AI 技术成为普惠金融的支点。”蚂蚁金服副总裁、首席科学家漆远博士，在有中国“ AI 春节”之称的新智元2017开源·生态AI技术峰会上表示。

大约一个月前，在北大“人工智能前沿”系列课程的讲堂上，作为特邀演讲人的漆远已经将 AI 技术和普惠金融的概念结合到了一起。在新智元 AI 技术峰会上，漆远再次强调：“蚂蚁金服核心的关键点在于普惠的金融服务，而实现普惠金融服务依靠的技术就是人工智能和大数据。”

场景！场景！场景！

从技术到落地，AI 的场景化应用成为本次新智元技术峰会上的一个关键词。漆远指出，在杭州，蚂蚁金服和城市政府直接对接了超过100项市政服务，比如司机闯红灯，可以通过支付宝进行直接赔付。“再举几个例子，支付宝可以在杭州城区购买地铁票；当芝麻信用超过一定分数时，人们可以免押金入住酒店，免押金租房；人们可以使用支付宝在中医院挂号，可以乘坐公共汽车。其实所有这一切，都是依托场景。”

而杭州的变化只是中国万千城市的一个缩影，“在浙江，一年有6亿人次享受城市服务，全部通过手机实现。例如，95%的超市、便利店可以用支付宝进行付款。这些数据背后，可以看到一个人的吃穿住行等方方面面。如此触达的条件实际上为我们奠定了非常坚实的基础，能够让我们把技术和场景结合起来，提供真正有价值的服务。”

“大家会问，讲 AI 为什么要讲这些？最近有人写了一篇文章，讲 AI 的娱乐化趋向。这其实是讲了一个 common sense，就是做 AI 离不开场景……我相信技术是第一生产力，关键是怎么落地，在商业场景里发挥出价值。”

漆远认为，一个非常重要的经验是，“不要为了做技术而做技术，一定要想到有商业价值的、有数据的场景，场景非常关键。否则，只是在公司里面闭门造车，做了也没有用。如果是初创公司，这公司已经注定要完蛋。这其实是非常关键的一个point。比如说我在阿里做第一个项目，是做参数服务器，就是分布式机器学习平台。但是我们找的第一个应用点特别简单，大家猜猜什么场景会有商业价值？对，就是广告。”

“于是我们就在CTR预估上采用了这个系统。因为这个系统只要能提升1‰，就有很多收益；提升1% 的收益就更多。我们当时做这个项目，应用在双11实时预测的用户产品推荐上，后来变成了阿里巴巴第一个大规模机器学习平台。所以一开始你要找到一个商业价值的落地点，如果我们做参数服务器，同样的技术，就是死路一条。在公司，在商业环境中，这肯定是没有前途的。”

“又比如深度学习技术的应用。它带来了图像识别、语音识别、NLP 等领域的长足进步，但是它的落地点在哪里？这就要问你的核心价值在哪里。一开始我们就很具体，就做客服。大家可能觉得这不是一个sexy的行业，但是真正能做好就有巨大的商业价值。这同样是要在场景中体现能力。”

而对于场景和数据、云计算以及算法的关系，漆远论述到，“其实很多公司今天都正在、或者已经完成国内互联网领域的上半场角逐。之后，大家开始真正竞争的是云计算的能力，比如阿里，比如蚂蚁金服的云，比如微软和Amazon的云，而这背后其实就是数据。比拼的是谁的场景数据本身有价值。其实阿里内部有一个比喻：数据是土壤，土壤上要盖高楼，才能产生价值，这要靠算法，靠人工智能。要真正能把价值体现出来，而不是坐在金山上吃馒头。我们需要通过人工智能，让用户产生的社会数据发挥价值，并将有价值的服务带给用户。场景的 vertical domain 非常重要。场景一边为我们带来数据，一边为用户带来真正有价值的服务。”

从智能客服到保险业

在金融服务这一大场景下，漆远特别以其中的智能客服、个性化产品和资讯推荐、保险及自动核赔等多个小场景为例，展现了AI 技术的应用及产生的价值。

“蚂蚁金服正在构建人工智能方方面面的能力和应用，我们在能力上的配备还是比较标准的——机器学习、自然语言处理（NLP）、图像识别、语音识别，尤其是语音识别，完全使用的是阿里集团自己的语音识别能力。蚂蚁金服也在开发许许多多的商业应用。”

“在今天有件事情已经变成共识——如果做平台，没有业务都是会死掉的，这是我们当时战略官的名言。在蚂蚁金服，我们有非常丰富的场景，从信用芝麻分、租车到贷款消费贷、风险控制、营销、智能助理等等，技术本身、数据和商业场景有非常好的结合。”

• 智能客服

“智能助理在蚂蚁金服有很多的例子，聊天机器人不是我们的重点，我们的重点在产品知识问答，比如金融产品，完成订电影票或者旅行甚至订餐，还有金融服务，比如选择哪个保险比较适合。

“在蚂蚁金服，一个标准化的机器人应用就是客服。客服项目在蚂蚁金服可以说是第一个标杆性的人工智能落地项目，它一开始是典型的人力服务工作，在成都客服中心有几千人，每年双11接电话非常繁忙。我们在2015年要做智能客服，使用人工智能算法提升整体客服效率。我们做了大约半年，自助率从60%一下子升到94%，2016年自助率高达97%，去年双11最忙的时候，客服小二实际上非常轻松。今年我们有了一个新的标杆性的指标，两三个星期前刚刚做到。这个新的指标就是不光要自助率高，还要把服务的质量提高，我们要更好地解决问题。两周前，我们已经做到机器人的问题解决率达到了73%，超过了人的在线解决率71%。这是一个标杆的提升。

PPT上显示的是三个简单的真实APP展示，展示了机器人本身是怎么来回答问题的；第二，在你没有问问题之前，不靠语音信号或者NLP输入信息，而是通过用户的行为轨迹自动判断当前可能的问题在哪里，系统会根据用户的行为轨迹做出时间训练模型进行分析；第三，人工+智能。我并不是说用机器全部代替人，而是什么时候用人，怎么用机器把人的效率提升。这里我以我们的客服小二和工作台为例，怎么把好的小二的经验变成工作台自身的一部分，利用他们帮助其他的小二工作。这就叫智慧工作台，大规模提升了人类“小二”的服务质量。不光减少了人力，这个项目做了不到半年时间，我们公司统计减去人的成本，减去GPU的成本，公司省下来一个亿多的资金。在蚂蚁金服整体业务迅速扩张的情况下，我们的客服部门人员一直在减少，而所有其它业务人员都在增加——只有客服人员一直在减少，可以看到这个技术的效用。”

• 个性化产品和资讯推荐

“个性化产品和资讯推荐，这里面有很多数据的融合问题，比如电商行为购买数据如何能够帮助财富升值、资讯阅读能不能帮助我们支付消费等等。

这里面有一个比较简单的思想，就是借助我们大量的数据源，建立比较大规模的深度学习网络，把所有数据做一个隐含的表达，在一个空间里面把很多数据源融合到一起。基于此，可以保护数据的隐私，也可以做出很多有意思的应用。

通过用户属性可以分析他的阅读偏好，聚宝头条咨询和社区观点推荐，比原来的算法直接提升了六倍的点击率。大家看PPT，这里显示的是用户对紧身裤、连衣裙选择偏好，漂亮女孩有什么共性？其中一个是她们经常穿比较紧身的牛仔裤，她们中的很多人会购买手机屏幕服务，所以我们为这一人群开发了碎屏险的保险产品。这是个性化产品非常碎片化、但又非常长尾的应用的例子。”

• 保险及自动核赔

“保险业非常注重大数据应用，从人群定位到识别、从反欺诈到风险定价等等，从头到尾贯穿着数据。运费险是一个现在比较经典的例子，我买东西要退，保险费只要一块多钱，但是每个人不一样，我们做到了完全个性化。一开始这并不是差异化的，而是一口价，所以最初这个生意一直赔钱，后来我们把一个广告的算法用到保险里面，建立了一个人退货概率和产品之间的关系——这其实和很多广告非常类似，一个人点击广告也有概率——计算之后产生新的保险产品，这个保险产品一天盈利就达到几千万。这是典型的碎片化但是极为广泛的应用的例子。”

“自动核赔，用户在手机上报被盗32块钱。人脸识别之外下面还有很多算法和模型自动判断是不是您，其实并不是只做一个人脸识别。整体能够大幅度提升效率。”

一些挑战

对于 AI 技术应用中一些特别需要注意的问题和挑战，漆远此前有过精彩论述。

• 基于加强学习的对话系统

“其实在对话系统没有很多数据的情况下，一开始你很难做加强学习，有可能你就只能做一个规则技术。但再往后面，可能当你需要完成任务，以任务为目标的时候，你在做 task completion 的时候，就像下围棋，你要完成任务，赢别人。这时候你和用户其实是 interation。这个时候你可以考虑，怎么来介入。大家也知道翻译模型，对话系统很多用翻译模型，我们叫做 seq2seq，也就是sequence to sequence。假如有一堆 sequence，假如是多轮对话，你能不能应付，就是一个 sequence 到另一个 sequence，再到另一个 sequence。这其实都是对技术的挑战，对数据收集的挑战，对数据标注的挑战。”

• 小数据学习

“这个问题现在也越来越明显了。其实今天讲大数据，有点令人误会。就很多场景下问题的复杂度而言，其实数据并不大。我们要分析风云变幻的市场。就如刚才雷老师说，你看一个公司过去两年的交易数据，其实一点不多，把季报全都加进来。其实一年就4份财报。在数据并不多的情况下，怎么能够把这个小数据学习的问题解决？”

• 推理和知识图谱

很多问题需要你做推理，如果A发生了，到B，B发生，回到C，你怎样把推理过程做好？今天，大家做了很多深度学习，比如说一个文本里面，A会导致B的发生，你把这个相关的答案找到。但是并不能推理出B到C和C到D。如果做知识图谱，其实跟深度学习没什么关系，今天的深度学习图谱其实是建了一个图模型，然后把这个点一个一个往下推，而这两个框架是完全分离的框架，这其实也是分裂的。大家能不能真正有一套机制，能有推理的功能？这其实既有理论上的价值，更有商业上的价值，巨大的价值。刚才已经提到知识图谱了，大家其实现在有一系列算法讲知识图谱，knowledge graph，但是学术上发表的很多文章，工业上暂时是没法用的。有一些算法——我就不说哪个算法了，有的还是我好朋友写的——很难应用在工业上，为什么呢？因为它基本上不能达到需要的准确性。

• 无监督学习

“另外，无监督学习也喊得比较响。这是跟小数据学习相关的。很多数据是有标注的，还有很多数据没有标注，那怎么能够把没有标注的数据都用起来，真正做到把数据的所有价值都真正体现出来？当然，在无监督学习和有监督学习中间，还有一个半监督学习（有一部分有标注）。我们怎么把它们结合起来一起进行学习？这也是一个在今天的背景下非常有意义的方向。”

• 数据和模型的压缩

“从工业界来讲，更实用的是数据和模型的压缩。刚才有人问我说深度学习能不能用于量化交易，尤其是高频。我说高频的话，如果深度学习有好几层的模型，比如做图像有 100 多层。而高频交易希望在千分之一秒或者万分之一秒之内把交易完成，这两个互相矛盾。工业很多应用非常在乎实时性，不能有大量 delay。怎么能做得快呢？这就需要模型的压缩，要用 hashing 等技术，这也是非常好的方向。”

漆远在演讲的最后总结道：我们在做从移动互联网到云计算到端的扩展。蚂蚁金服核心的关键点在于普惠的金融服务，而实现普惠金融服务依靠的技术就是人工智能和大数据。