平安科技首席科學家肖京：如何讓AI更好地服務金融業

導語：聽肖京談平安科技對於 「智能＋」的探索與實踐。

本文作者：張棟

由中國計算機協會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦的第二屆 CCF-GAIR 全球人工智慧與機器人峰會在深圳成功舉辦。

會上，國家" 千人計劃 "特聘專家，平安科技首席科學家肖京博士帶來了主題為《「智能＋」探索與實踐》的演講。

肖京博士介紹，平安集團創辦至今在運營和決策方面經歷了三個階段：

信息化階段：打通各個環節，讓公司的業務人員和決策者能夠快速獲得信息，做出決策；數據化階段：公司把信息存儲下來做分析統計；智能化階段：公司不僅可以把數據存儲下來做分析，還可以做深度挖掘，幫助管理層更好地做決策，甚至自動做決策。

而關於AI在金融領域的應用，肖京博士表示，AI是個相對較老的概念，從1956年至今，人工智慧已經經歷了兩次興衰。在他看來，從不被看好到全員接受，AI的爆發取決於以下三點：

互聯網及大數據的出現；存儲能力和演算法的顯著提升；深度學習興起。

在他看來，AlphaGo成功吸引了人們對AI的關注，但它還存在諸多不足。「如知道會贏，但不知道為什麼會贏，也不知道會贏多少。因此，在金融決策時，除了智能外，還必須使用量化的數據和信息快速了解業務規則做決策。」

基於此，平安科技在此基礎上有所改進，主要分為三大方向。

一是可解釋性；二是小數據學習；三是記憶增強神經網路。

總體來說，肖京博士認為如今AI技術發展非常快，對各行各業都有非常明顯的促進作用，但如何利用技術去更好地服務市場還存在很多不足，之後還會有很長很陡的坡要爬，前行之路肯定不易。但肖京博士同時又通過雷鋒網(公眾號：雷鋒網)表示，平安願意跟大家共同探索未來，共享集團的業務經驗和技術能力。

以下是肖京博士演講全文，雷鋒網作了不改變原意的編輯：

首先來簡單介紹下平安的基本情況，平安集團從最初100平的小房子做財險到現在150萬人的大企業，它的發展經過三個階段：

一是自營模式，做保險、壽險、銀行；二是允許其他公司的服務進入平安集團，比如陸金所；三是允許其他公司的產品在平安的平台上做交易。

這也就是平安3.0階段。它的戰略目標是成為國際領先的個人綜合生活服務提供商。這其中包含兩個戰略，一是大金融資產；二是大醫療健康。

平安從一開始就接觸金融業，非常了解傳統金融行業，平安是全牌照公司，業務範疇包括保險、銀行、資產管理等。

傳統金融+互聯網把傳統業務互聯網化，將線上線下打通結合、降低成本、提高效率、提升客戶體驗。

互聯網+傳統金融與互聯網＋金融與非金融是圍繞用戶需求建立的互聯網生態圈，在生態圈植入金融服務和非金融服務。

除了金融服務外，平安還關注房產服務、醫療健康和汽車服務。所有架構下面是平安的綜合平台，它提供全集團所有的金融業務和非金融業務的技術支持。

平安在IT方面同樣也經歷了三個階段。

一是信息化，我們在很多年前實現信息化，打通各個環節，讓我們的業務人員和決策者快速獲得信息，做出決策；二是數據化，我們把信息存儲下來做分析統計；三是智能化，我們不僅可以把數據存儲下來做分析，還可以做深度挖掘，幫助我們更好的做決策甚至自動做決策。

為了這三個方向的全面發展，平安在模式上、業務形式上作了很大改變。2000年開始，平安開始轉型互聯網＋，之後的20年時間，平安所有的業務都實現了互聯網化，通過互聯網化可以降低成本、提高效率。

互聯網只是模式的創新，相對容易實現。而過去幾年整個市場開始進入一個新階段——智能+，我們希望在業務流程的每個環節里植入智能元素，讓每個環節智能化，效率更高，成本更低，用戶體驗更好。

智能+主要是技術的創新，它跟互聯網+有很大區別，主要區別在於智能+需要數據分析、挖掘價值、體現價值。而在這方面，平安有得天獨厚的優勢，平安在過去29年的發展中積累了大量的數據，現在我們有3.76億互聯網用戶，1.37億個人金融客戶。

如何通過智能+把要素挖掘出來？

一是業務規則，我們做專家系統、規則引擎。數據依賴於規則、經驗和知識，不能直接從數據中出來。比如平安的反欺詐理賠系統，覆蓋上萬車型、零部件。假設本田車主來理賠，換保時捷的部件，可以快速發現這是違規和欺詐。二、商務智能，將用戶分群然後關聯分析，對不同的用戶群體進行不同的營銷、風控策略。

再之後就到了AI時代，人工智慧歷史悠久，比大數據、雲計算出現還早很多，它並不是新的概念。那問題是為什麼AI現在又火了？

早在70年代，當時電視廣告里就有人工智慧機器人助手，每天幫你查郵件、語音交互，大家認為人工智慧可以做這些事，後來發現當時的計算能力很弱，一個詞庫只有30-40個詞，所以大家認為人工智慧是騙子。

而90年代中期開始，由於互聯網的出現，數據、存儲能力、演算法都有顯著提升，AI技術又開始蓬勃發展起來。

再到後來，2006年深度學習出現後，對非結構化數據處理帶來了非常大的突破，產生了非常多的應用場景。

而從這開始，AI就徹底火了。

技術的發展始終都是圍繞人類的實際應用展開的。隨著深度學習技術的出現，我們在金融、醫療等很多行業不再是紙上談兵。以前我們做語音、圖像，需要定義很多特徵，在特徵的基礎上做演算法、機器學習、數據分析達到我們的目標。現在深度學習出來後，在非結構化數據下，自動做端對端處理，完美解決了之前遇到的棘手難題。

張曉泉教授剛才提到深度學習的很多問題，如數據量巨大、機器學習的方法等，這些都不用太多考慮因果關係，而在實際應用中，就必須重視。

AlphaGo告訴你會贏，但不會告訴你為什麼會贏。我們的金融場景、醫療場景在很多情況下需要知道原因，你給客戶的貸款利率比別人高，我需要有原因。

AlphaGo的不足還體現在它知道贏，但不知道贏多少。

金融決策時，不知道贏多少或者輸多少，那就等於沒判斷。另外，我們還知道金融、醫療等行業很多時候都是小數據的（數據量很小），它無法快速吸收業務規則。

對此，我們做了相應改進：

一是可解釋性；二是小數據學習；三是記憶增強神經網路。

小數據學習的例子非常多。比如平安針對生豬推出的牲畜保險、小的時候投保，如果長大後死了，可以找政府申請補貼。由於豬臉圖片很少，可以拿別的死豬圖片來識別，很多人看到了這個「市場」，就紛紛跑去要補貼。而小數據學習就可以輕鬆解決這個問題，從深度學習到增強神經網路，用對抗網路的方法識別出病死豬和健康豬。

總結來說，金融、醫療等行業光靠自己會受到很多限制，應用如AI等最新技術可以很好地解決棘手難題。基於此，平安也花了兩三年時間建立一套智能引擎。

第一層是感知層，把所有能收集到的數據集中在這一層，做好清洗、整合、存儲、安全。我們建好這個平台後，這是金融機構最大的大數據平台，我們有最強的團隊；第二層是畫像、臉譜，分為用戶畫像、產品畫像、渠道畫像，分別做好模型；第三層是平安腦演算法能力，這是三個階段的不同技術；第四層是我們的解決方案和應用場景，雖然我們有最好的團隊，金融行業應該沒有別人有這麼好的平台。平安的場景太多了，我們還是非常缺人的。

功能實現分為八個領域：

主要是分辨以金融為核心的風控、欺詐識別。

精準營銷，我們是全牌照集團，有非常多的細分業務，每個業務有幾千萬客戶，如何洞察客戶需求，做好精準營銷非常重要。運營優化，平安有110萬業務員，保險業務員是最難管理的群體，他們每天都在外面，如何控制風險？如何提高績效？如何用智能的方法更好的提高績效？這些都是我們思考的問題。我們可以通過大數據更好地匹配業務員和客戶，更好的個性化簡化流程。原先一個常規流程是25個問題，通過客戶背景和資料，可以減少到3個問題；車險自主理賠占非常大的比例，拍攝照片自動判斷賠償多少錢，上線六個月以來，已經在多個地區應用。24小時監控風險系統，這套系統可以幫助大家做出非常好的選擇，24小時不間斷地監控風險，包括傳統金融信息、200多家網站新聞輿情等等。

總體來說，現在人工智慧發展非常快，但後面會有一個非常大的坡。未來，平安願意跟大家一同探索未知，共享我們的業務經驗和技術能力，謝謝大家！

雷鋒網原創文章，轉載請至雷鋒網官網申請授權。歡迎熱情討論，轉發分享~

?

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！