智融集團 CEO 焦可：傳統金融是少數人的不平等金融

雷鋒網按：8 月 5 日，在 Rebuild 2017 大會上，智融集團 CEO 焦可發表了題為《智能如何重新定義金融的邊界》，分享了傳統金融機構業務與智能金融的差異，並講述了智能是如何解決傳統金融不平等的問題。雷鋒網根據現場速記進行了整理。

以下是智融集團創始人焦可的演講實錄，雷鋒網在不改變原意的基礎上做了精編：

《智能如何重新定義金融的邊界》，看到這個標題的時候，我想最抓眼球的，一定是「智能」這兩個字。人工智慧在最近的這段時間已經成為大家不可忽視的一個話題，從餐館的服務員、到計程車司機，每個人都能聊兩句人工智慧相關的東西。借用李開復老師的一句話來講，他覺得人工智慧已經從一個科學、科技變成一種科幻，我們希望它不要變成魔幻。

所以，真正吸引我們的是什麼呢？首先，只有智能我覺得是不夠的。智能就像一把鎚子，我們不能舉著一個鎚子滿世界去找釘子。那麼釘子是什麼？釘子就是金融的邊界。

傳統金融的邊界

我先介紹一下，在我們眼裡傳統金融的邊界在哪裡？

我們真正找到金融的邊界花了很多成本，這張圖，其實就是一個實際的現狀。在中國，只有15%左右的人，能夠被傳統金融機構所服務。但是在歐美，實際上有70%的人可以被傳統金融機構所服務。

這也回答了剛才金證濟蒼（Video++創始人&CEO）提到的問題，為什麼在以色列 IMVC 機器視覺大會上，如果有1000萬美元會投哪個AI應用領域，1600位 AI 的科學家沒有把票投給金融和安防，因為對於歐美這些發達的國家來講，這可能已經不是一個太大的問題。

所以，我們跟很多美國的信貸公司交流的時候，他們其實非常羨慕我們，因為覺得中國有一個巨大的市場機會。中國的傳統供給是不夠的，所以這才給新技術有了發揮的空間。

就像在過去幾年看到的手機支付，在中國其實遠遠超過了美國。就是因為在美國，卡支付已經是一個非常普遍的手段，留給這些新技術的空間非常小。但是在中國，我們看到的是一個巨大的沒有被滿足需求的市場。

我們剛剛看到了金融的邊界，接著深入想一個問題——金融的邊界為什麼在這裡，為什麼傳統金融沒有為剩下的巨大市場服務？

這在我們看來其實是一個傳統金融機構的審美問題。我不知道大家有沒有去銀行辦過信用卡，或者辦過貸款，銀行基本上都會要求大家提供一些材料，比如說提供你的徵信報告、社保、工資證明、工作證明，提供各種各樣的抵押品、資產證明等。但是，當你不符合它的審美的時候，往往你就會被拒掉。

我們知道，中國是一個數據建設並沒有那麼完善的國家，我們看到有很多年輕人實際上是沒有徵信記錄的，有很多私人企業里，發工資的方式是用現金，很多人是沒有社保的，很多人也沒有車、房這樣的資產。這些人，就不符合傳統金融機構的審美。

在我們看來，傳統金融機構就像是數據冰山水面上的部分，好處是看得很清楚。但是，壞處是它只能代表個人數據非常小的一部分。

我們的一個觀點是，如果能利用好水面之下的數據，能夠去看到這個人更多的信息，那麼我們就能發明一種新的審美，而這種審美是不同於傳統金融機構審美的。

傳統金融機構，我們經常做一個比喻，像什麼呢？像是一個篩子，它用了幾條規則，去把這一堆蘋果裡面的大蘋果篩出來。而漏掉的蘋果里，一定有一些好的蘋果，但是他們是沒有辦法判斷這個蘋果是好是壞，我們在做的事情，是發明一桿秤，去真正的測量這個蘋果是好是壞。

所以，我們現在可以做到，單月信貸業務量已經突破150萬筆。這個數字其實對於傳統金融機構來講是個天文數字，因為一個銀行網點一般一個月的信貸業務量可能也只有幾百筆、幾千筆，150萬筆對傳統金融機構來講是一個不可能的數據。

但是，這150萬筆背後還有一些更神奇的數字，我們現在做一筆信貸業務只需要通過8秒的時間。全程是沒有任何人工介入的，每天7×24小時的工作。

我們公司里沒有傳統金融機構的人，沒有一些「老司機」告訴我們什麼是好用戶、什麼是壞用戶。

先舉一個很好理解的例子。這是 Google 在做的一個項目，如何在一堆動物圖片裡面找到貓和非貓，如果我們按照傳統的方法，可以寫一個規則引擎，可以寫幾條規則。

比如說，如果這張圖片的物體裡面有毛的紋理，如果這個輪廓上面有尖的耳朵，如果有尾巴，如果這個東西有鬍子，你可以判斷這是一隻貓。但是實際上你會發現，這樣首先會引入很多錯誤，有時候你會把狐狸找出來了，如果這隻貓是只折耳貓或者是無毛貓，或者是它在圖片裡面把貓的尾巴隱藏起來了，這隻貓你就會錯過。

但是 Google 是怎麼做的？Google 實際上並沒有找動物專家去判斷、定規則什麼是貓，Google 的做法是把一大堆圖片里哪些是貓、哪些不是貓標註出來，扔給模型，讓模型自己去找到它的特徵，讓模型自己去發現規律，這個時候你發現它的準確度和召回率都要遠遠高於人的能力。

我們在做的事情跟這個有很類似之處，我們在做的事情也是在一堆這樣的用戶裡面去找到哪些是貓，哪些是非貓，哪些人是我們傳統意義上會還錢的用戶，哪些人誠信是有問題的。

而這些事情不是像傳統金融機構一樣寫一個規則引擎，我們不是這麼做的。規則引擎是什麼？就像我們談到的，傳統的金融是怎麼判斷你的風險的呢？是做一堆規則，如果你的工資大於多少，並且你有社保，以及你的徵信報告是怎麼樣的，然後你是可以通過的，或者你就被拒掉了。這是傳統金融的規則引擎。

但是在我們看來，這種規則引擎跟剛才那個貓的例子是一樣的，總是受到人的局限。特別是在人無法進行判斷的業務領域裡面，局限就越發明顯。

而我們在做的事情就是我們把一大堆人的特徵扔到模型裡邊，讓模型告訴我們什麼是好的用戶，什麼是壞的用戶。

我們最核心的一個技術就是 I.C.E。

I.C.E 實際上是三個英文單詞首字母的縮寫，就是 Identification、Calculation、Evaluation，這三個環節其實也是很多人工智慧領域裡，都會碰到的。

第一，辨識，找到這個事件、業務里的特徵。比如對於智能駕駛，就要找到識別路上的物體都是什麼東西；第二，計算要處理大量的人工無法處理的特徵，這個時候要有充分的計算能力；第三，決策、評估，究竟該左轉、右轉、踩剎車還是油門。

這是人工智慧的三個環節，在金融領域裡面，同樣有這樣的三個環節：

• 第一，柯南特徵工程

從大量的數據裡面找到那些真正跟客戶逾期率相關的特徵。

對於傳統金融來講，他們看到的特徵可能是那幾項、十幾項特徵，但是對於我們來講，我們看到的是一個用戶1200個以上特徵，而這個特徵是跟逾期率相關的，我們看過的特徵也遠比這個數據要多很多，我們看過各種各樣奇奇怪怪的特徵。比如說我們之前也試過說星座會不會跟逾期相關，處女座會不會愛還錢？其實沒有。

但是你發現有很多更奇怪的特徵是跟客戶相關的。比如說我們會看到用戶在使用的時候，輸入身份證號的節奏會不一樣，而這種節奏跟客戶的逾期率相關。我舉的這個例子相對大家不太好理解，但是你發現有更多的特徵，實際上是非結構的數據，是一種人類無法解釋的數據。就像 AlphaGo 一樣，如果用規則引擎來寫這樣的規則，你知道他為什麼會下這步棋，但是 AlphaGo 為什麼會下這步棋，你實際上是不知道的。

我們在特徵領域可以發覺到遠遠比人的經驗更深入的一些特徵，而且絕大多數的特徵都是人的計算力無法去計算的。有了這些特徵之後，為什麼我們能夠知道這些特徵是跟逾期率相關的？是有賴於我們接下來的模塊。

• 第二，D-AI機器學習模型

我剛才談到不依賴傳統的金融專家告訴我們什麼是好的、什麼是壞的，為什麼？

回到我們最開始的數字，我們單月的業務量已經突破了150萬筆，而這150萬筆意味著什麼？意味著每天就有5-6萬的用戶在使用我們的信貸服務。這5-6萬個用戶下個月實際的表現就會告訴我們，他是一個好用戶還是壞用戶，相對而言，跟人的經驗比起來，我們更相信的是實際的數據。

這個很類似於剛才那個貓，甚至比那個貓的意思更好一點，根本就不需要僱人標什麼是貓、什麼不是貓，用戶實際上會用行為告訴我們。

當這5-6萬用戶每天回來的時候，大概計算一下，5-6萬的用戶加上每個用戶有1200個特徵點，所以你每天處理的特徵點數是幾千萬的數量，而這個時候可以充分地告訴我們什麼是好用戶，什麼是壞用戶。

就像一個傳統的風控人員，他的風控也是來自於對一些案例的學習，可能今年放了幾百筆，明年看看這幾百筆的效果。但是他的量級和速度是遠遠跟不上機器。

所以，我們現在每個月機器學習的次數其實是上百次，這個跟傳統金融是不一樣的，傳統金融可能半年、一年會迭代一次模型，但是我們每個月、每天模型都在發生大量的變化。

而我們線上在跑的模型也不是一個，實際上每天線上放出幾萬筆貸款的時候，背後的模型是有幾百個模型。這是跟傳統金融很不一樣的地方。

• 第三，Anubis 大數據計算架構

為了支撐這麼大的計算量，我們搭了一個大數據計算的架構，每天處理的數據量已經超過了5T。特徵進行全量樣本的迭代速度，其實只需要15分鐘，真正進行線上的審核是8秒鐘。所以這一切對傳統金融來講都是新的變革。

從實際的案例裡面看到，用人工智慧技術去解決金融的需求，確實是一個很有意思的話題，我們發現金融天然就是跟數字打交道的，所以在這裡會有很多數據產生，而金融天然又是正負樣本非常清楚的業務，還或者是不還，股票的漲跌，保險賠還是不能賠，這都是被實際迭代出來的樣本、學習的對象。

我們發現機器會比人更加擅長處理大量數據的定量計算，人比較適合做的是定性的，可以就可以，不行就拒掉，機器比人的學習速度要快很多，而且機器沒有偏見，機器不會疲勞，機器沒有道德風險，我們不用擔心說像傳統金融領域一樣有很多從業者去做欺詐，我們機器是沒有可欺詐的部分。

當你使用大量的特徵點的時候，也會發現欺詐的用戶根本就無從下手，他不知道你是怎麼建立這個模型的，如果你是一個規則引擎的話，就容易被人攻破。

但我們發現傳統金融產生資產的方式，傳統金融進行風控方式還是停留在原來的規則引擎，還是在用傳統的專家經驗去找到什麼是貓，什麼不是貓。

我們認為互聯網金融正在進入下半場的革命，下半場真正最核心的就是內在技術（引擎革命）。

傳統金融實際上是一種燃燒不充分的金融，傳統的金融引擎燒的是什麼呢？燒的是專家的經驗、人力。我們認為新的金融模式應該不是這樣的，新能源下的金融模式引擎燒的是數據、演算法、工程師，這是新的引擎，真正的價值來自於新的引擎。

傳統金融之所以使用這樣的引擎，受到了傳統的局限，你發現傳統金融在開展業務的時候，它往往是基於一個產品為中心的模式，它是先定義一些產品。比如說白領貸、工薪貸、車抵貸、企業貸，往往先定義一個產品，然後定義規則，然後根據規則找到人。這就很像我們先生產出一批35號和40號的鞋，去找到適合這個鞋的腳，這個模式其實是有問題的，因為有時候你的腳比較小的時候，穿這個鞋很不舒服，如果你的腳比較大的時候，就要削足適履，這是傳統的金融。

那麼我們期望在新金融模式下，能夠做到先找到人，通過技術評估一個人，通過 I.C.E 判斷一個人的風險，然後為他提供適合他的金融產品以及金融能力。

傳統的金融是一個少數人的金融，如果想改變這樣的問題，改變這樣的不平等，需要的是一個更加有智慧的金融。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！