2017年8月12日下午，由中国新一代IT产业推进联盟指导，CIO时代学院和《金融电子化》杂志社联合主办的“第十期金融CIO论坛”在北大中关新园成功举行。腾讯云大数据与AI副总裁王龙发表了题为《人工智能的金融应用场景》的主题演讲。以下为演讲实录：
腾讯云大数据与AI副总裁 王龙
各位领导、各位嘉宾下午好，很高兴今天有机会在这里跟大家分享腾讯云在人工智能方面的一些布局和发展，顺带介绍一下我们一些典型的客户应用场景。
我之前在硅谷做云计算做了七八年，今年6月份回国加入腾讯云，主要负责腾讯云的物联网大数据和人工智能，未来可以多多交流合作。
刚才邵山总说我是专家，其实各位才是专家，金融业的钻夹，我只是个技术工程人员或产品人员。我和腾讯云的使命是提供云服务，来更好的服务各位专家，与各位专家一起把各种先进的技术更好的落地。
今天的主题是人工智能，那咱们就来讲讲人工智能。腾讯在人工智能方面的研究，可以追溯到十年前。当时不叫人工智能，一般说自己是数据挖掘、数据分析、顶多机器学习。而所谓深度学习神经网络，当时还属于被人鄙视为神棍的领域之一。
说句题外话，当时在美国一般都是实在申请不到比较好的专业的学生，就被发配到人工智能专业去了。“塞翁失马”，大家都可以看到现在这些学生炙手可热了，包括腾讯、阿里，美国的公司如谷歌苹果也重金聘请这些当年冷门专业的教授学生入职了。去年最离谱的时候，深度学习工程师的收入可以超过其他工程师的三倍。
一、人工智能加速发展
1.人工智能前世今身
来聊聊人工智能的前世今生。在座各位可能都或多或少读过一些资料。人工智能的相关理论上世纪50年代就提出了，包括各种论文、算法、模型的出现。有一阵子，很多学者觉得我们发现了神经网络。我们找到了人类进化的奥秘，很快就能出现比人类更牛的机器人了。
于是一堆人都扎在里面，不停地研究。过了几年，发现实际上有一堆的坑，因为各种各样的原因，比如计算效率低，准确率低，导致进展缓慢效果低下。又有人开始悲观，甚至还出了一篇论文，论证说人工智能就是个笑话，永远也实现不了，然后整个行业就陷入低谷。当然，几十年起起伏伏了好多次。
2.人工智能加速发展
人工智能终于到了一个突破点，那它的突破点为什么会发生呢？
一方面数据量足够大了，便形成了超大规模训练集合。例如腾讯的数据，过去十年就增长了几万倍。
另一方面，计算能力也越来越强了。不但单节点的计算能力强，并行处理的规模也扩大了，动不动就能几千甚至几万个计算节点一起工作。再加上AI技术包括算法、深度学习，多层神经网络的实现，也大大提升了数据的训练效率。
所有这些东西加在一起，使得人工智能达到了一个高度。那如何去定义这个高度呢？这个定义我觉得是非常重要的，就是为什么之前这些东西都存在？提升到一个什么程度就被人接受了？
这是我最近一直在研究的一个问题——为什么人工智能突然就火了？我认为其实归根结底很简单，就是说当你用人工智能的成本降低和效率增加，以及创造的价值超过了传统自动化的过程时，它就到了可以商业化爆发的时候。
举个例子吧。前段时间有关无人驾驶车的一个争论，一开始有人吐槽说无人驾驶车代码里有两万个ifelse，居然是根据决策树来的，算什么人工智能？
但过了几天就出现了大反转，人工智能专家都在说，比如15000个ifelse，能完成无人驾驶是非常了不起的成绩，实际上Ifelse代表的就是传统的自动化水平，人工智能的目的是减少ifelse这种逻辑决策，增加其效率和准确度，但不是消灭它。
我为什么要提这个案例呢？我想说人工智能不是一个空中楼阁，它要先建立在15000个利用IfElse来做的自动化之上。人工智能本身是一个自动化的延伸，而不是凭空起的一个空中楼阁。
二、腾讯云人工智能产品矩阵
1.腾讯AI基石
看看这些趋势，腾讯重点投入AI就是顺应趋势了。腾讯云相对比较低调一点，我回国和很多人聊天，有人说，哎呀腾讯居然做云？居然还有人工智能？
我前面说过人工智能突破的三大要素：大数据、计算能力、算法，这三大要素国内能有几个公司拥有呢？
基础设施
首先，基础设施。要有钱，才能有足够的计算能力，这些能力不是普通的创业公司或小的玩家能自己从头建立的。
简单来说吧。在基础设施上，大家都知道GPU对人工智能发展的重要性，这块投资就非常的重，一块卡可能要几万几十人民币。量产的GPU数量在全球范围内基本有将近百分之四五十都是给谁的呢？都是给云的提供商。为什么呢？对大多数的用户来说，如果不使用云服务，这个建设会非常的昂贵。除了贵之外，还有到货周期的问题。而大玩家由于存在自身主营业务，那么在这块上是有优势的，比如腾讯的微信、QQ等业务就需要大规模的GPU集群。
海量数据
再说说数据。腾讯的QQ、微信、各种游戏基本覆盖了中国人差不多百分之八九十，也覆盖了生活场景的一大半。有了这些贴近生活的数据，你才能给人工智能更好提供物料，训练出更好的神经网络，它们才能做出更好的判断。
先进算法
大家都知道，人工智能过去多少年一直是冷门专业，导致全球目前顶级学校的人工智能专家估计不超过5000人。就算有40%在中国，也基本被各大厂瓜分完了，所以在市面上要找到这样的人才，是非常困难的。
尤其对于一些传统行业，就算你很有钱，你也未必能够很容易就找到这样一位适合的专家，更别说一个团队了。这点腾讯也是早早布局，成立了三大实验室，内部也在挖掘潜力去培养这样一些人才。
综上可以看到，现阶段玩得起人工智能平台的，其实并不多。
2.腾讯AI产品矩阵
我前面说过腾讯云的使命。云服务本质是服务于应用，服务于应用的开发者，服务于应用的运营者何IT人员的。所以腾讯云的整个理念就是围绕着应用，围绕着各位CIO、IT人员、CTO、开发人员需求来打造产品和服务的。
你如果已经建立了一个强大的AI团队，包括很厉害的算法专家团队，很专业的工程团队。我们要做的其实很简单，利用我们规模化的基础设施，以及和GPU、FPGA厂商的合作优势，给你提供一个自服务、免运维、高弹性、按使用付费的、低成本的机器学习深度学习计算集群。另外还有一个额外的好处，比如你今天需要训练一个模型，需要八块GPU的卡，那腾讯云一分钟后就能提供出来，你也不用自己去买。这块大家可能没有概念，你现在如果去买一块P100的卡，你要买这个NVIDIA最新的GPU卡，就是四月份发布，九月份量产的，基本到明年一月你都未必能拿得到。拿不到货就没有办法对你的业务做出及时反馈，就没办法在市场上获得竞争优势。这是第一层服务。
第二层服务我们又分两种，第一种是说你找了一些算法专家，你也有一些算法模型，但你没有足够的工程人员。算法专家这些博士非常宝贵，让他们做硬件配置、操作系统配置、系统性能调优等等，是非常不划算的。最好让他专注于算法及算法的调优。针对这种场景，我们推出了兼容开源的机器学习平台和深度学习框架服务。使用这些服务，算法专家就能更好的专注于他们擅长的地方。
第二种。算法专家及工程人员都没有，都很难招，那怎么办呢？我们再往上走一层，提供通用的一些原子化的应用接口API，比如图像识别、语音识别、自然语言处理等等。比如一个图像，我想知道里面有没有人，你把图片传到云上，利用神经网络，我们判断出这是否有人然后返回结果。再比如五官定位、动态检测等等。
当然上述这些，都是基于一种假设，就是你知道你想要干什么。实际情况是大家的信息化程度略有差异，各行业甚至金融行业各个领域，对人工智能的理解和应用场景也不太一样。针对这种客户，我们提供一些更加接近应用场景的应用服务，把原子化的东西包装好。API相当于乐高零件，而场景就是组装好的乐高积木。
当然，也会出现我们不擅长客户也不擅长的地方。这种情况下，我们也愿意和客户、和合作伙伴一起去研究如何更好的适配用户的有价值的场景。
总结一下，腾讯云的整个AP布局就是按照企业中应用开发者和IT运营相关人员各自的需求，打造有针对性的产品服务层次和矩阵。
接下来大概介绍两个已有实际应用场景的两个案例，之后我们再说一些目前继续投入研究的一些场景。
三、金融应用场景：人脸核身
人脸核身和OCR识别应用已经很广。我相信大家都是专家，应该比我还熟悉。在我看来，这本质上是流程自动化的一个升级。
升级体现在两方面。拿人脸核身来说，一方面自动化了柜员核对身份证照片和本人的过程。另一方面减少了错误率。
我还记得很多年前办过一个银行柜台上的业务，它要求本人必须在场。当时我人在美国，我说办不了怎么办？我发现了一个漏洞，找一个和我本人比较像的，去办就办成了。
你看，人脸核身既提升了办事的效率，也提高了身份证本人核对的准确率。这满足了自动化向智能化进军的条件。
当然，走得更靠前的一些金融机构不仅在柜台、在手机App上一些远程业务也开始应用图像识别技术，比如要求你转个头，眨个眼，微笑一下等等，用这种方式确定是本人在办理业务。实际上还可以做更精确的，比如要求他说一段数字，用唇语来做检测也是可以的。
包括身份证的OCR在内，我们已经包装出了十几种不同的AI原子化服务。时间关系，这里就不一一解释了，感兴趣的可以去官网查询。
四、金融应用场景：智能客服
我们线下聊的时候，也提到了智能客服的一些应用场景。这其实包含两个场景，服务质检和客服机器人。这两个场景目前来说是用户比较满意的，就是无论从成本的节约，还是从效率的提升上来说效果比较明显。
虽然我不是管理客服的专家，但我相信客服管理人员的天天想的就是两件事。第一件事就是客户满意度，即客户到底满不满意？第二件事就是成本，如何以更少的人力为更多的客户提供优质服务。
客户的满意度涉及很多方面，服务质量管理是其中一环。
比如保险领域，我们都知道很多时候是通过电话进行协议、合同的签订，包括开户的有些条款，你要确认客服人员把所有的条款都已阅读清楚，确认用户的回答是本人，然后这段记录要留存。以前针对这个，只能做人工抽检。现在通过我们的人工智能语音识别技术，基本上所有的流程都可以被监控，比如有没有漏说条款，客户的回答是不是过于模糊，这样可以规避很多法律风险。
当然还可以做很多其他的，比如情感分析，在语音过程中监测到客户非常的愤怒怎么办？客服回答时的情绪是否合适？这些都正在探索的应用，只能说有一定效果，但相比服务质量，可能是提升的效果不是那么明显。
在客服机器人这方面，其实美国走得特别前，我记得五年前，美国的订票系统，包括美联航、万豪酒店等，都已采用了语音识别和智能问答的系统。就是检测客户问题的关键字信息，包括语音和文字，然后自动回答，或者转发到不同的部门。在国内可能还在起步阶段，我看到大量的机构想要节省人力成本的时候，更多的是把客服团队都迁到武汉、西安等二线城市，而不是使用人工智能。
然而随着二线城市人力成本也越来越高，我认为这也是值得大家预先投入的一个方向。
当然也有很多事情要做，首先需要创造一个知识库或知识图谱。知识图谱系统是自动化问答系统的基础。有了知识图谱后，第二步再搭建语音和文字的智能客服就变得容易了。第三步，就是进一步的定制化和优化了。一方面是要了解客户的流程，和客户一起做方案，可能还要采用分步实施的方式来确保落地质量。另一方面，可以引入客户的历史数据和人工问答数据来进一步训练和升级神经网络。这样会让智能客服系统更加个性化，更加贴近各个客户的实际场景。
我们自己其实也在自己的数据中心不断的训练神经网络、迭代我们的模型，目前已按照行业分出了数十种不同的场景。通过这些场景化的神经网络，在不同场景说同样一句话代表的特殊含义，我们可以理解得更加准确。
总之，智能客服就是自动化客服的智能化，就是在相同的人力资源情况下，服务的客户更多，客户满意度更高，又确保流程符合业务规范。我们利用腾讯云的语音智能客服，加八个人工客服基本上，就能覆盖数百传统人工客服的工作量。
五、展望：更多的应用场景
其实刚才也说到营销，营销这里我们实际上也有一个案例。我们最近推出了一个推荐服务。某金融机构使用这个服务来推荐保险产品或理财产品，目前看到的效果也是比较好的，大概的点击率和转化率提升了50%左右。当然，这一块已经做了很多年，本质是数据分析和数据挖掘技术，使用的也多是机器学习，现在也算是人工智能的一部分吧。
总之，人工智能很火发展也很快，也有了些技术进步和应用场景，但这只是我们看到的未来。未来有多远？又如何到达未来？这才是问题的关键。30年前企业信息化系统，包括ERP、以及数据分析系统落地成熟有多困难，大家也都看得到。当然，一旦落地成熟，价值也是很大的。
所以人工智能看起来很美，具体怎么落地呢？我们腾讯云显然不可能面面俱到，在360行都成为专家。我们希望就这个落地方式，和大家一起探讨，包括引入一些合作伙伴联合开发，找到最适合企业进化的一个路径。也期待不远的将来，能和大家多交流多合作。
我今天演讲就这些，谢谢大家。
第三十五届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：houlimin
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
抢沙发
