楊強：豬臉識別的應用可以對保險作預測

11月6日消息，今日在JDD京東金融全球數據探索者大會上，國際人工智慧聯合會理事會主席、香港科技大學計算機科學及工程學系主任楊強發表主題演講，他從學術界的角度探討了人工智慧技術的商業化，以及人工智慧在金融領域的應用場景。

楊強認為，演算法應用到實際場景中需要滿足三個方面的要求。1、演算法的閉環路徑要短；2、反饋要足夠高頻、高通量的反饋；3、反饋效果一定要起到複合作用。其次，楊強表示，技術風口主要有基於圖像的學習和理解、自然語言理解、智能推薦、遷移學習四個方面。

在技術革新和商業應用的結合點，他特別指出金融行業是擁抱智能時代的領跑者。金融業閉環路徑短、交易頻度高、複合迭代快，是最適合AI應用的場景。在金融裡面有各種各樣的應用場景，比如和用戶溝通的場景、金融安全、活體識別、人臉識別、聲音識別、行為識別等等。另外運營、投顧方面都可以藉助於人工智慧大量加強提高效益。

楊強舉例，過去一個養殖戶用12塊錢養一隻雞，需要提前貸一筆很大的款。但是小雞的時候不需要吃那麼多飼料，不同的雞對不同飼料的需求也不一樣。當掌握這個過程的時候，就可以把放貸變得因地制宜，如果能夠做到按日計息就可以做到這一點，就能夠大大提升效率。另外，當前大規模的機器學習系統共有的一個問題是過擬合。楊強說：「例如在手機的一些新聞的APP上，當我們點了一類的新聞以後，後面20個都是那一類的新聞。這是因為在技術上，它沒有照顧到準確性和多樣性的需求。」

針對上述情況，楊強表示目前在研究一個強化學習的模型，即遷移的匪徒模型。用這個模型既照顧到準確率，又照顧到多樣性，就把過擬合的問題徹底解決了。

最後，楊強在現場還介紹了豬臉識別的應用「首先我們可以獲取大量數據，而不用擔心隱私問題。同時，豬臉識別又是一個活體識別的問題。此外，豬臉識別背後確實有一個商業場景的問題。例如一個場景就是豬臉識別可以幫助養豬戶鑒別不同的豬在養殖過程中的各種活動，這個豬是不是活躍，它是不是散養的，它還是一隻非常不愛動的豬，對健康就可以作決策，對保險就可以作預測。另外消費者可能也會有挑選，有人可能喜歡不同的豬肉，可能對整個的歷史還有豬的鑒別就有個別個性化的需求。所以既有深度學習的應用，又有商業的應用，所以這是非常有趣的一個題目。」

以下是演講全文：

剛才我們聽到了幾位從不同方面給我們解讀了人工智慧、金融、數大局方面的前景。今天，我的主題是從另外一個方面來看這個問題。

首先我是一個做學術的，同時我對商業也有著濃厚的興趣，所以我想探討一下從學術的角度來看商業的問題，我們會得到哪些新的發現。

首先來看一下ALPHAGO的成功，首先ALPHAGO能夠引起很大的振動，我們從中能學到什麼，對我們的商業方向有哪些指導呢？

首先我們看一下AlphaGo本身是幾個演算法的結合，深度學習，還有一個演算法叫做強化學習，就是中間這個圖所表達的，演算法和環境有一個有機的連接，那麼環境不斷給演算法提供反饋，深度學習就像右邊這個圖所表達的，它既能告訴你你當前的狀態，又能為你未來的行為提供一個指導。

這樣一個演算法是不是可以應用在我們實際當中去呢？我們看一下，從當中我們可以獲得不同的解讀，這個是我的一個想法。

首先，是這個閉環的路徑要短。商業路徑也好、演算法路徑也好，它的中間最好不要有過多的環節，比方說從用戶到得到反饋，到反饋到AI的演算法得到補充，最後再返回到應用，這個閉環要足夠短。

第二，這個反饋一定要足夠高頻、高通量的反饋，不斷得到反饋，系統得到刺激，這樣它的智能才能夠成長。

第三個，也是大家過去比較忽略的，它的反饋效果一定要起到一個複合的作用，我們在經濟上經常講複合收益，在人工智慧上的成功這一點也是非常重要的，像這個圖所表達的，也就是說這一輪的反饋對系統的增益要持續進行，就會有一個指數型的收益上升。

我們再看看周邊實際遇到的問題，是不是有很多類似的場景滿足這樣的需求呢。我們回顧一下人工智慧的里程碑。

九七年，我們有深藍。然後一一年的時候我們有IBM watson，最近我們又有了AlphaGo，無人車，包括最近有了德州撲克，這些都是我們引以為豪的人工智慧。

在這些里程碑的成功背後是不是路徑閉環足夠短，反饋足夠頻繁。另外，複合作用是非常明顯，系統在不斷改進自己，智能在提升。

再看一下周邊的工作，所以我就有一個想法。人工智慧在現階段的應用並不是在所有領域都會取得成功，我們一定要非常仔細挑選在哪些領域人工智慧比較容易得到成功，在哪些領域還要等一等。

所以，下面就要來看一下技術和商業這兩方面到底哪些是我們現在可以得到效益的風口。

首先來看一下技術風口。人類的知識獲得70%以上都是通過視覺的，也一點都不奇怪，深度學習的發展肯定對人工智慧的應用、對人工智慧的技術一定是持續發展的。比方左邊列的這些技術方向，包括用更好的深度學習、可解釋的深度學習，包括理解物體之間的關係，包括通過一個視頻可以理解裡面的一些人類能理解的摘要，把它給取出來，為人類和計算機的模型進行溝通。

自然語言緊隨其後，包括文本的閱讀、理解、產生、問答、分析等等，現在深度學習都帶來了非常大的提高。但是，這個提高還是要隨著演算法的提升有待更加地提高，在使用當中能夠產生更大的效益。

另外一個，智能推薦。在電商、在往上購物等等都有這個推薦。但是推薦的一個重大的問題就是我們很容易陷入一個所謂的深坑，就是在機器學習技術上所說的過擬合。當我們點擊了一個在手機上的新聞，我們會得到好多這樣的新聞，系統不會顧及到我們對其他的興趣。

怎麼樣解決這些問題呢？這個就是技術上的革新所期待的，我們在這方面也在不斷做新的研究。

還有一個就是我個人的研究，遷移學習。比方說人類很自然就會使用遷移學習，我們在一個領域很專業，怎麼把這個知識遷移到另外一個領域，能不能讓計算機也有這個能力。有很多的專家認為這就是人工智慧機器學習下一個的熱點。

遷移學習也會帶來很多技術革新。比方，我們可以在一些小數據上面應用大數據得到的結果，在一個領域得到一個非常好的模型，可以把它遷移到周邊一些小數據的模型，這個也是人類學習的一個有效的模式。

另外一個，遷移學習可以使得模型的可靠性得到加強，一個模型產生了，我們可以讓它在不同的場合都適用，這個模型就更加可靠。

再有，越來越多的個性化的需求，在場景當中經常聽到這樣的名詞，千人千面，這樣一個場景可以用遷移學習實現。比如右邊這個圖表現，如果在雲端得到一個通用的模型，可以把它適配到各個終端，使它在不同的終端就有不同模型的體現，這樣就實現一個個性化。

它帶來的另外一個好處就是遷移學習可以解決隱私問題，每一個終端用戶都不必把他的個性化的數據上傳到雲端，就可以得到它的結果。

所以，我們很期待這樣一個技術的革新。

這裡是遷移學習的一個實例，右邊這個圖表示遷移學習不一定是一步到位，從一個模型遷移到一個場景，我們可以通過一系列的場景把一個模型遷移到不同的更廣泛的範圍，比方說一個手段就是中間這個圖所示的用深度學習來做遷移學習，這也是我最近一個研究方向。

最右邊這個圖就表現了一個實際的應用。最近斯坦福大學和聯合國共同做了一個應用，利用衛星圖片分析非洲大陸不同地區的貧困程度。利用這種所謂傳遞式的遷移學習，就大量節省了人力。過去是要派一些觀察員到本地去做各種積累、各種調查，現在不用了，現在就用衛星圖片把白天和晚上的地球圖象加以比對，最後訓練出一個模型，大大節省了人力。

這裡我們看到這些技術可能的革新，這些技術革新和商業應用方向有哪些是最契合的。這裡我要特別提金融方向。我們之前提過，一個是閉環的路徑要短，一個是溝通要高頻，最後要有複合效應產生，很快讓模型能夠變得壯大。那麼金融就是這樣一個領域。

我不用多說大家也明白，在金融裡面有各種各樣的場景，比方和用戶溝通的場景，金融的安全、活體識別、識別用戶本人，用人臉識別、用聲音識別、用行為識別。在後端，可以對用戶整個風險進行分析，是不是應該借貸。做一筆投資，在這筆投資之前要進行風險分析，現在基於大數據和人工智慧可以自動產生這樣的分析，像個人和企業的徵信。

另外運營方面、投顧方面，我們都可以藉助於人工智慧大量加強提高效益。經濟本身就是一個提高效益的不斷的過程。現在人工智慧又為經濟效益的提升提供了一個強大的動力。

比方剛剛講的風險管理這裡面又分監控、識別、評估和干預，每一個方面都可以有大量的人工智慧的參與。

這裡一個很有趣的例子是從京東金融本身的實踐得來的，就是人工智慧可以幫助養雞，是一個非常有趣的應用。比如過去一個養殖戶用12塊錢養一隻雞，需要提前貸款，貸一筆很大的款放在那兒，這個時候就產生了很大利息支出，這個對養雞戶是一筆很大的費用。但是雞的成長，小雞的時候不需要吃那麼多的飼料，只有長大的時候才吃。不同的雞對不同飼料的需求也不一樣。當我們能夠掌握這個過程的時候，我們就可以把把放貸變得因地制宜，在一開始養雞戶不需要借這麼多錢，過去逐次增加。所以如果我們能夠做到按日計息就可以做到這一點，就能夠大大提升效率。

到現在京東金融可以做到6分錢就養一隻雞，用人工智慧的演算法來做分析。

同時我剛剛提到推薦系統，大規模的機器學習系統，當前共有的一個問題是過擬合。就像剛才說的，在手機的一些新聞的APP上，當我們點了一類的新聞以後，後面20個都是那一類的新聞，這是為什麼呢？這是因為在技術上，它沒有照顧到兩個需求，一個是準確性的需求，一個是多樣性的需求。

現在我們在研究上，我們在研究一個強化學習的模型，能夠把兩個需求全部照顧到，就是右邊這個名詞叫遷移的匪徒模型。用這個模型既照顧到準確率，又召開到多樣性，就把過擬合的問題徹底解決。

最後，我要說一下JDD背後是一個大賽，同時在中美兩邊進行。說起JDD，我要特別提KDD，即數據挖掘和知識發現，在學術界大家都聽說過KDD，這樣的大會已經有過20年的歷史，而且每一年都有一個大賽，就是由工業出題，也變成了我們發現一些優秀團隊的一個方式。

今年的JDD也是採用了這樣一個在金融方面的非常大的機會，今年的機會來自四個方面，都是緊貼著金融應用的。一個是登陸的行為識別，要發現有沒有可能是欺詐的行為，這裡面需要深度學習，需要了解一些金融的知識，所以需要兩方面的知識，這也是JDD大賽的一個特點，我們不僅要技術上的革新，同時也需要這些參賽隊伍能夠寫出一個商業計劃，能夠把商業場景想清楚。

第二，金融界非常關鍵的一個需求，就是信貸需求的預測，還有店鋪銷量的預測。

最後一個非常有趣的識別叫做豬臉識別，而不是人臉識別。豬臉識別是需要做什麼呢？首先我們可以獲取到大量數據，而不用擔心隱私問題，我們想豬可能不太關心隱私。同時又是一個活體識別的問題。同時確確實實背後有一個商業場景的問題，我們可以設想一下，假如有學生參加這個比賽，一個場景就是它可以幫助養豬戶鑒別不同的豬只在養殖過程中的各種活動，這個豬是不是活躍，它是不是散養的，它還是一隻非常不愛動的豬，對健康就可以作決策，對保險就可以作預測。另外消費者可能也會有挑選，有人可能喜歡不同的豬肉，可能對整個的歷史還有豬的鑒別就有個別個性化的需求。所以既有深度學習的應用，又有商業的應用，所以這是非常有趣的一個題目。

我們就很期待這樣一個學術界和金融界的結合，就是從JDD大賽開始。

謝謝大家！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！