平安科技的人工智慧實踐：人臉識別用於17個子公司，擁有18項新技術

撰文 | 藤子

「人工智慧要落地應用，在於業務影響力，因此在業務流程上，與人工智慧既要深度結合，又要定製化。」平安科技人工智慧高級產品總監、平安深度學習平台負責人王健宗博士在 9 月 7 日由中國工程院信息與電子工程學部主辦、浪潮集團承辦的 AICC 中國人工智慧大會上表示。

平安科技最初是中國平安集團的信息管理部，2008 年獨立為子公司，服務於集團的 IT 系統。2016 年初，中國平安提出 3.0 時代戰略，相對 1.0 時代只銷售平安內部產品的自營模式，2.0 時代不只銷售平安產品，還銷售其他金融機構的產品和服務的平台模式，3.0 時代則是把公司現有技術、系統等核心能力向其他金融機構輸出，共建生態圈。

在這樣的戰略指導下，平安科技也從服務於集團的 IT 公司成為人工智慧領域的引領企業，聚焦於大數據、AI、金融科技、雲以及區塊鏈等新技術的研究和落地，負責開發並運營集團的關鍵平台和服務，支持集團的保險、銀行、投資和互聯網業務發展。

據王健宗介紹，平安科技從 2011 年下半年開始布局大數據。由於計算機硬體，高性能計算的發展，以及演算法的革新，特別是深度學習演算法的突破，平安科技經過四五年的數據積累，自然也就從數據智能走向了人工智慧。

在人工智慧領域，平安科技很早就將人臉識別技術應用於平安普惠的放貸流程中，如今，平安科技的人臉識別已在包括平安證券及平安銀行在內的 17 個子公司使用。此外，平安科技還在研究多模態識別、虹膜識別、眼紋識別、靜脈識別以及步態識別，使這些識別技術共同作用於各個應用場景。

而在技術研究和儲備方面，平安科技已擁有超過 18 項前沿新技術，包括聲紋識別、圖片定損、微表情、圖像和語音識別及語義理解。其中，平安聲紋是平安科技深度學習團隊自主研發的聲紋識別引擎，專註於因聲識人，能實現智能身份認證，目前已應用在平安銀行信用卡電話核查身份，平安產線理賠反欺詐以及 App 登錄等 20 多個場景中。

專註於人工智慧在金融和醫療領域的應用

於 1988 年誕生在深圳蛇口的中國平安，是中國第一家股份制保險企業，歷經 30 年，至今已發展成為保險、銀行、投資三大主營業務為一體的多元化集團。而在中國平安內部，2016 年初制定的 1-2-2-N 戰略表明，聚焦於大金融資產和大醫療健康。由此，平安科技的人工智慧業務也主要圍繞金融和醫療進行。

人工智慧應用於實際的場景，數據非常重要，平安科技花費將近一年時間打通各機構和業務子公司，將數據整合到一個平台，進行數據的清洗、整合和分析。在此基礎上，進行數據挖掘。王健宗介紹，在數據挖掘方面，平安科技並非一步到位，而是從基於業務規則和業務經驗到基於商業智能（BI），再到機器學習、深度學習，並吸取 AlphaGo 的經驗，分成數個步驟進行。

在業務規則和業務經驗階段，如果是信息數據不吻合，可以幫助業務部門及時應對。商務智能階段則是尋找數據之間的關聯性，對用戶按照數據特徵進行分類處理，這適用於特徵明顯的客戶群體。但是，有相當一部分特徵不明顯但與業務目標緊密相關的長尾用戶，這時，應用商業智能的方式就不再適合。他們需要個性化的方法來提供服務，王健宗介紹，平安科技搭建的深度學習集群，通過圖像識別、語音分析、文本理解等人工智慧技術對數據進行挖掘。

「從底層數據的獲取、採集、整合，到用戶畫像、產品畫像，再到渠道畫像的上層實現，接著是商務智能結構化分析、非結構化分析、預測、異常的監控、深度學習能力，同時支撐的八大應用，這些應用服務於金融領域各個相關的方面。」王健宗表示。

而它們都集中在平安科技的腦智能引擎，腦智能引擎主要分為四層。作為感知層的第一層主要進行數據接入、採集和整合。作為索引層的第二層，主要刻畫用戶畫像、產品畫像和渠道畫像，這層主要是模型的建立。第三層中樞層聚集了商務智能、預測推薦、異常監控、深度智能等演算法能力。第四層作為執行層，是平安科技核心業務的解決方案和應用場景實現層，包括風險控制、欺詐識別、運營優化、精準營銷、智能監控、商務智能、智能金融、智能客服。

以風險控制為例。在金融的風控方面，傳統的貸款流程比較落後，平安科技依託平安的腦智能引擎，構建多樣的數萬維的因子，比如企業相關的經營數據、財務信息、稅務信息、財報信息，再結合外部的相關行業指數、輿情分析、企業的關係網路，甚至董事長的投資情況等，最終形成企業的風險概況，同時再加上動態趨勢，比如通過市場情況綜合判斷抵押品的價值，在這些基礎上，做出估值模型，通過模型確定是否放款。

「從模型的數據獲取，到信號的生成、篩選，最後自動更新，然後進行相關的反饋。」王健宗介紹，平安科技通過對所有子公司和相關合作夥伴的數據收集，並通過內部和外部的數據整合，形成了一個非常清晰明確的體系和不同的模型。

「以企業為個體，把企業的相關信息進行搜集，搜集以後進行模型的迭代，晚上搜集完數據，早上就可以有預警信號出來，比如反欺詐，我們通過一些規則的觀念分析以及一些社交網路社會計算的能力，同時也能發現一些欺詐的案件，做好風控。」王健宗說。

在醫療領域，看病難，看病耗時長，看病的服務能力差，王健宗認為這些都可以通過 AI 醫生來解決。平安科技正在進行的一個重要產品是智能讀片，通過醫療影像自動的識別、理解、分類，能夠快速的定位患者的疾病，最後給出診斷意見。

在人工智慧讀取影像領域，由於全國各級醫院使用的大型設備有各種型號，比如 CT 設備就近百種，這就造成很多公司數據來源單一，產品不能在醫院之間通用，而平安科技在 AI 訓練的時候採用了各級醫院的不同數據，使系統可以讓大多數醫院使用。目前，平安科技的肺結節檢測系統在臨床的準確度已經達到 90%，正在研究糖網、胃癌、宮頸癌等疾病。

平安科技還與政府合作，進行疾病監控的預測，涉及病種包括流感、腫瘤、慢病、高血壓、糖尿病等。2017 年上半年，由平安科技研發推出的人工智慧+大數據流感預測模型，能夠預測流感趨勢，精準預測個人和群體的疾病發病風險，幫助政府及時監控疫情，從而指導民眾預防疾病，降低國家疾病與防控工作的成本。

如何解決金融和醫療領域的數據稀疏

平安科技深耕金融和醫療的同時，他們發現金融領域和醫療領域的數據量有一個很大的特點，儘管數據很豐富，但是相對社交數據，金融數據和醫療數據相對低頻，因而數據維度比較稀疏。

如何把這些低頻的數據轉化為有用的信息，王健宗介紹，從技術上來看，需要在數據基礎層進行數據壓縮，因為數據多了之後，很多是無用數據，數據壓縮之後，就能減少數據的存儲量和傳輸量。另一方面，提升數據的提取能力，比如利用深度學習或者一些壓縮感知演算法，能夠快速提取相關數據的關鍵特徵，在減少數據尺寸（size）的情況下又不損失數據的含義，王健宗認為，比如模型壓縮方面的研究，都是未來的趨勢。

使用深度神經網路做模型，層數越多，計算資源越大。現在有一個研究方向是如何用很小的計算資源，比如 100M 的內存，在深度神經網路的模型同樣達到 300 層、400 層。而目前，大部分深度學習是使用雲服務的能力，另一個研究方向是使設備小型化，包括用手機去做運算，立即出現結果，是否本地化，能否快速的迭代計算，知識的快速獲取，王健宗認為這都是以後的趨勢。然而，這對演算法本身的模型要求更高，模型計算量，在同等的情況下模型本身的尺寸小，花費的計算的資源也可以足夠減少，同時也能極度壓縮計算的時間。

「理論上像超算，把我們所有的最大的數據灌進去，計算幾天幾夜，最後出來東西肯定好。但是很多應用場景沒有這個時間給你，有時候稍縱即逝的一些東西，所以我覺得這肯定是以後的趨勢。」王健宗表示。

「傳到後端伺服器有很多不可控的因素，比如本身的網路帶寬如何，手機流量是否夠用，伺服器運算後返回，都需要時間。」因此，平安科技將模型前置。據王健宗介紹，平安科技在這方面的研究比較深入，平安科技的很多 App，比如定車損的 App、好車主 App，用戶拍張照片進行自動圖象的定損，平安科技可以把模型移植到前端，有些運算則可以在手機上快速完成。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！