最近一個關(guān)于金融科技公司的評獎結(jié)果出爐了，就是“畢馬威中國2017領(lǐng)先金融科技企業(yè)50強”。

“領(lǐng)先、金融、科技、畢馬威”……小編覺得這個獎項的名字真的很高（you）大(dang)上(ci)！

話說接近年關(guān)，評獎活動以及頒獎典禮還真多，但這個獎可是大大不同，這可是畢馬威牽頭組織評選的，除了名字很高端之外，在金融科技領(lǐng)域也相當有含金量。

先上一張2017年上榜企業(yè)“全家福”吧！

畢馬威中國2016金融科技50強

小編認真搜羅了前后兩屆的上榜企業(yè)名單，意外發(fā)現(xiàn)了一家公司已經(jīng)二度上榜，哪家？就是天云大數(shù)據(jù)！

如果僅僅看公司名稱，妥妥的一家大數(shù)據(jù)公司，但實際上人家在AI 領(lǐng)域已經(jīng)深耕多年，經(jīng)驗和產(chǎn)品都很豐富，特別是在金融領(lǐng)域。

據(jù)悉，天云大數(shù)據(jù)的智能平臺已經(jīng)在銀行貸前、貸中、貸后都建立了反欺詐、申請評分、行為評分、早晚期催收模型，此外在互聯(lián)網(wǎng)金融黑名單多頭貸測試、失聯(lián)修復、循環(huán)擔保等方面也有成功案例。

這么看，公司的AI金融產(chǎn)品真的很厲害！

其實除了產(chǎn)品“出挑”，小編還了解到該企業(yè)對AI 的認識看法也同樣獨到，完全是一家面對AI 大潮“不跟風、有理想”的公司。

下面聽一聽天云大數(shù)據(jù)CEO雷濤關(guān)于目前AI 發(fā)展的一些見解吧！

在頒獎典禮上，雷濤表示，目前人工智能已經(jīng)出現(xiàn)兩輪，方向和趨勢都有所變化。

其實人們最早看到的是人機交互方向的人工智能，這也是大家目前比較熱衷追逐的，例如人臉識別、無人駕駛和自然語言處理等，這些具體的熱點都與視覺和語音相關(guān)。

這就導致目前關(guān)于人工智能的諸多應用中，例如無人駕駛、語音識別等人機交互場景更吸引人們的關(guān)注，但未來人工智能發(fā)展趨勢會更加凸顯規(guī)模化模型生產(chǎn)能力。

例如，最近某大型銀行推出新版手機app，功能背后是年生產(chǎn)600種智能推薦模型的算法支撐，是以人工智能賦能金融，實現(xiàn)規(guī)模化模型生產(chǎn)的最佳范本。

其實雷濤提到的“規(guī)模化模型生產(chǎn)能力”，就是谷歌在2015年著手做的AI 的PaaS化。

關(guān)于AI 的PaaS化

延續(xù)雷濤提出的問題，小編先簡單梳理下 AI PaaS化的“前世今生”。

人機交互應用發(fā)展“相對成熟化”

計算機視覺在AI 領(lǐng)域是最早被爆出的熱料，早期因為視覺信號比較低，只有紅綠藍像素，但通過這些低階的簡單信號，還是能夠通過循環(huán)神經(jīng)網(wǎng)絡重復出大規(guī)模的特征來進行人臉識別，受此影響，計算機在窄場景（語音、圖像等）領(lǐng)域就會催生實踐力很強的算法，進而帶動了圖像識別方面的論文高產(chǎn)以及各類競技比賽的層出不窮。

在這個背景下，2015年、2016年相繼開放了關(guān)于圖像和自然語言的一些基礎(chǔ)數(shù)據(jù)訓練集，數(shù)據(jù)資源變得非常有序，在算力方面只要有足夠的資本投入，人機交互變得日漸容易；此外因為像人機交互的數(shù)據(jù)集很多是通用的公開數(shù)據(jù)，例如即便用北美人的圖片也可以序列化后用于中國臉，只不過識別率稍微低一點，個別地方需要修整，但是這個業(yè)務啟動的效率還是很高的；再比如像自然語言處理也是，谷歌10億單詞短語訓練集開放以后，門檻也會隨之迅速降低……這么看來第一波市場集中在人機交互還是有理由的。

企業(yè)級的智能應用還得靠PaaS形式?

雷濤表示，除了AI應用的層出不窮，我們還要密切關(guān)注另一個市場的發(fā)展，也就是企業(yè)級的應用市場。

由于企業(yè)級應用市場的數(shù)據(jù)主要存在于企業(yè)內(nèi)部，建立模型并不現(xiàn)實，即便開發(fā)了一套系統(tǒng)也不能完全支持各種環(huán)境的通用性，所以企業(yè)級市場需要機器學習能力的時候，需要用數(shù)據(jù)驅(qū)動替代一些業(yè)務流程驅(qū)動的方式的時候，因為數(shù)據(jù)的局部性，必然導致AI的落地形態(tài)發(fā)生變化。

人臉識別、自然語言處理，通常都是以API的調(diào)用方式被應用直接獲取，但對于企業(yè)級的應用只能通過PaaS形式。

這是為什么呢？

因為企業(yè)級數(shù)據(jù)私有化程度較高，不可能在任何地方都可以用事前架構(gòu)好的模型來應用；涉及算法多種多樣，不同的企業(yè)問題就有不同的算法方向，未必是卷積神經(jīng)網(wǎng)絡一招包打天下，其中有可能用到循環(huán)神經(jīng)網(wǎng)絡，甚至可能只是用一個基礎(chǔ)的分類器SVM，效果同樣好。

在多樣的業(yè)務場景下，算法的多樣性、數(shù)據(jù)的排他性，決定不可能用一個API的形態(tài)完成整體的智能化過程。

AIPaaS化或許比純粹造應用更有價值

2015年，谷歌就開始著手AI的PaaS化。

2016年，Facebook、亞馬遜等公司也開始在這方面努力著。

過去很長一段時間里，人們盯著算法來做各種AI 應用，產(chǎn)生了各種智能識別以及預測，確實給智能零售領(lǐng)域帶來了本質(zhì)性的沖擊，例如無人售貨機，應用層面的百花齊放逐漸成為AI行業(yè)的“風向標”，但雷濤認為我們應該冷靜下來看一看，其實AI PaaS這個層面包含一個更廣泛的企中業(yè)級應用市場。

企業(yè)級AI應用的落地，其實已經(jīng)不是看臉，聽語音那么簡單了，最核心的是替代原來的經(jīng)驗規(guī)則，也就是怎么用數(shù)據(jù)表達這些非線性的、隱含的事實，通過數(shù)據(jù)科學能力重塑商業(yè)流程。所以對更廣泛的企業(yè)服務領(lǐng)域，AI能力的賦予絕對比看人臉，做智能語音客服價值要大。

小編大膽設想下，AI PAAS市場的到來，無疑就像為移動互聯(lián)網(wǎng)配置了一個安卓平臺，移動互聯(lián)能力、應用開發(fā)能力大規(guī)模被釋放出來。這個場景就像2002年只有諾基亞、摩托羅拉這些大公司才能生產(chǎn)一個APPs，而安卓帶來了移動應用市場的繁榮。AI to everywhere,AI PaaS會賦予更廣泛的服務智能。

關(guān)于AI人才

2017年，世界集體見識了人工智能有多么狂熱，Alphago大勝柯潔，Alphago Zero自學成才完勝Alphago……AI技術(shù)在各行各業(yè)落地應用的同時帶來了AI人才“大缺口”的凸顯。

據(jù)小編了解，截止到2017年10月，中國AI人才缺口至少在100萬人以上，AI人才平均月薪2.58萬元，遠遠高于一般的技術(shù)類崗位。

網(wǎng)絡用圖，具體出處不明

小編赤裸裸的羨慕AI 人才“優(yōu)勢薪資”的同時，也就AI人才這個熱議話題與雷濤探討起來！

記者：您覺得我國在人工智能人才方面真的出現(xiàn)了“人才荒”嗎？

雷濤：坦白來說都挺荒的，我們作為一家深耕AI 的公司，如今摸索到了一些路徑，因為有了AI的PaaS化，現(xiàn)在開始大幅度降低人才板塊的難度。

舉個真實的例子。上周末回公司的時候，我看到一個本科畢業(yè)生正在做一個循環(huán)貸模型，看到這個循環(huán)貸模型后，給我的信心很大。我發(fā)現(xiàn)只要他在平臺上，通過有效的指導，在統(tǒng)一的AUC評估方法上得到的結(jié)果，與經(jīng)驗豐富的博士沒有多大差異。

硅谷一個概念是數(shù)據(jù)科學工程，DataScienceEngineering, 將算法算力融合交付的工程。借助這種工程實踐，我們希望能夠形成一些像藍翔技校這樣的機構(gòu)可以培養(yǎng)年輕人很多AI 方面的能力，前提是這些年輕人原來就具備數(shù)理統(tǒng)計的基礎(chǔ)，現(xiàn)在提供給他們一套自動化的工具就可以靈活處理數(shù)據(jù)和駕馭算力。

這種過程實際上是可以被透明化的，讓開發(fā)者完全透明化，只要灌輸數(shù)據(jù)，通過數(shù)據(jù)本身的表達來形成算法，進而降低人員對數(shù)據(jù)，和對數(shù)據(jù)科學的一些要求。

經(jīng)過這樣一個過程，我們就把AI 人才的門檻兒降下來了，完成了人才的搭建。這個道理就類似于以前一個游戲只能在北美大規(guī)模實驗室里產(chǎn)出，因為只有摩托羅拉和諾基亞才有原生的操作系統(tǒng)，才能夠從底層一直寫到屏幕。

用PaaS化的工具完成對AI 人才的牽引，AI的這種能力就會快速的形成，這對整個IT人員的轉(zhuǎn)型和沖擊非常大，逐漸形成“年輕大廚”PK“年長配菜師”的局面。

同時，從這個角度出發(fā)，人才的結(jié)構(gòu)也會發(fā)生很大變化，突出表現(xiàn)就是學數(shù)理統(tǒng)計這一批人的價值會凸現(xiàn)出來。

當有工具能力出現(xiàn)的時候，這類人才的市場需求量會很大，相比之下以前那種懂業(yè)務的，例如ERP流程專家會被大規(guī)模替代。

伴隨這種情況進而會出現(xiàn)一個新的職業(yè)，人稱人工智能產(chǎn)品經(jīng)理。

在移動互聯(lián)網(wǎng)和傳統(tǒng)ID時代，產(chǎn)品經(jīng)理強調(diào)流程設計，商業(yè)實踐的點子，以及用戶體驗等，例如Facebook產(chǎn)品經(jīng)理更多的是關(guān)注用戶的感受。但AI產(chǎn)品經(jīng)理人需要的是能夠把握不同的算法替代不同的流程，也就是商業(yè)流程的再造或重塑。

什么時候該用規(guī)劃算法，什么時候該用分類算法，什么時候該用一個預測的回歸算法……頭腦中要有清晰的技術(shù)上線與技術(shù)邊界，能夠解決什么問題等。這一類產(chǎn)品經(jīng)理人會賦予未來更多的應用智能，這種職業(yè)人才在未來是十分稀缺的。

對于天云大數(shù)據(jù)自己的人才儲備，我們現(xiàn)也做了一些“產(chǎn)學研”的嘗試，例如開始規(guī)模化試訓，這個過程中如果政府能夠參與進來，效果會更好。

關(guān)于AI的安全

最近爆出谷歌免費開放給AI設計者的編程平臺TensorFlow其實有嚴重的安全隱患，一旦被黑客利用后果將不堪設想……由此引發(fā)的關(guān)于AI 安全的思考又登上了話題熱議榜單。

網(wǎng)絡用圖，具體出處不明

記者：關(guān)于機器學習框架被爆出安全隱患的問題，您是否可以聊一聊AI 的安全？

雷濤：首先TF是個交流和開放的數(shù)據(jù)科學環(huán)境，它本身不是一個企業(yè)的應用平臺，如果把Tensorflow上某個算法直接拿來去做一個企業(yè)應用的話，這個想法也太簡單了。

其實谷歌Tensorflow的目標是為了提供一個科學家相互交換能力的平臺，用數(shù)據(jù)實現(xiàn)一個回歸模型并釋放出來，衡量下是否好用。

如果這個框架直接拿過來在企業(yè)部署內(nèi)完全使用，沒有充分考慮到安全的話，發(fā)生問題就說這個框架存在安全隱患，我覺得說法有點太片面，畢竟谷歌的出發(fā)點不是這個。

安全的問題更多在于企業(yè)自身，這需要企業(yè)去做大量的固化和防護，尤其數(shù)據(jù)方面，安全的挑戰(zhàn)更大。

我覺得應該關(guān)注谷歌Tensorflow2周年時提到的方向，即將打算走向分布式的問題，也就是如何將算法從單純強調(diào)精確度，到現(xiàn)在開始考慮算法與數(shù)據(jù)與算力的規(guī)模化融合問題。

在這個問題上，實際上Python作為解釋語言很難做到作業(yè)任務調(diào)度，所以這個時候也要開始一輪更新的更本質(zhì)native的一些調(diào)動計算資源的方式。換句話說，如何解決算力的問題，部署大規(guī)模的算法，目前有效的方式就是與分布式相關(guān)聯(lián)。

是AI本身的安全性還是利用AI服務安全？這是兩個問題！

關(guān)于AI服務安全這方面，差分隱私DifferencialPrivacy就是一個很好的實踐。現(xiàn)在連手機上的信息輸入都會有隱私泄露的風險，用AI 保護數(shù)據(jù)隱私就是在本地這個環(huán)節(jié)進行加密，通過AI的方法將數(shù)據(jù)離散、抽樣、加噪音，進而做到將虛擬層面的個體與物理層面的個體相互分離，達成數(shù)據(jù)歸屬“不明”。

因為算法的核心就是個性化，需要解決充足性問題，就不單單是一個簡單的概率，所以必須要借助個性數(shù)據(jù)。只有經(jīng)過上面的分離程序，開發(fā)者才可以利用個性化數(shù)據(jù)完成個性化服務，又可以做到不侵犯個人隱私。

個性數(shù)據(jù)保護有效方法就是從“來源”入手，所以利用這種技術(shù)概念來詮釋AI如何保護個人隱私，是每天都可以操作并切實可行的。

關(guān)于知識圖譜落地金融行業(yè)

知識圖譜最初是由谷歌提出用來優(yōu)化搜索引擎的技術(shù)，在不斷發(fā)展中外延一度擴大，目前已經(jīng)助力了很多熱門的人工智能場景應用，例如語音助手 Siri，聊天機器人等。

網(wǎng)絡用圖，具體出處不明

由于金融領(lǐng)域數(shù)據(jù)量以及數(shù)據(jù)類型的龐大多樣，知識圖譜也日漸成為其數(shù)據(jù)處理的主要工具之一，更成為很多大數(shù)據(jù)企業(yè)進軍金融場景的突破口。

記者：現(xiàn)在有很多大數(shù)據(jù)企業(yè)，提供企業(yè)級知識圖譜的解決方案并應用到金融領(lǐng)域，您覺得知識圖譜助力金融領(lǐng)域做數(shù)據(jù)分析和挖掘的工作，對此有什么看法？

雷濤：知識圖譜或者圖計算或者復雜網(wǎng)絡，在金融信息工程中應用越來越多。

知識圖譜的金融實踐也是逐步發(fā)展的。比如初期技術(shù)上圖計算，實體會用到一些人工定義的方式，從傳統(tǒng)數(shù)據(jù)庫抽取出來，例如工商數(shù)據(jù)，或者是自然語言實體抽取的方式。做一個可視化表達面向業(yè)務，或者提供基礎(chǔ)的頂點查詢或距離計算，這是知識圖譜經(jīng)常使用的方法。高階應用會涉及到聚類分類機器學習等，更大規(guī)模網(wǎng)絡還會采用Encoding編碼方式的表達來降低運算規(guī)模，比如Node2Vector，deepwalk。

復雜網(wǎng)絡會用在很多場景，因為它提供的是一個數(shù)據(jù)基礎(chǔ)緯度的升維化過程，把文件一維的結(jié)構(gòu)、二維的表結(jié)構(gòu)做成一個高維的向量結(jié)構(gòu)，它可以表達很多事物隱含的關(guān)聯(lián)關(guān)系，而且可以把關(guān)聯(lián)量化出來。

知識圖譜的表達不僅僅是可視化，更多是量化計算。例如我們在2015年給人民銀行做循環(huán)擔保的關(guān)聯(lián)系統(tǒng)，當時構(gòu)建了6000多萬個節(jié)點的規(guī)模，當時覺得已經(jīng)很大了，因為把全國范圍內(nèi)所有的有組織機構(gòu)代碼全覆蓋了，但隨后為一線BATJ服務的復雜網(wǎng)絡，已經(jīng)達到百億節(jié)點規(guī)模，做更深度的風控手段，對黑名單和多頭貸做預測。

關(guān)于天云的AI之路

據(jù)記者了解，目前業(yè)界已經(jīng)出現(xiàn)能夠?qū)⑺惴芰εc業(yè)務人員相融合的AI平臺，其中天云大數(shù)據(jù)的MaximAI就是這樣一個平臺的形式。

這個平臺能夠?qū)⒂嬎隳芰Α⒃诰€數(shù)據(jù)、業(yè)務價值融合在一起，通過AI算法平臺快速建立模型。例如現(xiàn)金分期響應模型，預測篩選辦理此業(yè)務的高概率客戶，同時幫助銀行等貸款機構(gòu)有效推送現(xiàn)金分期服務；建立循環(huán)授信模型，對客戶行為特征進行分類，并確立客戶對循環(huán)授信響應評分等。

記者：是否可以聊一聊，天云大數(shù)據(jù)是如何進入AI 領(lǐng)域的？

雷濤：其實我們一直也沒有從本質(zhì)上離開過AI領(lǐng)域。

早在2011年團隊在云基地時做的第一個大規(guī)模分布式項目，就是運營商的上網(wǎng)內(nèi)容基地，也就是手機報如何區(qū)分出動漫、游戲、音樂等，這是典型的NLP AI項目。

在做這個項目的時候，第一天我們碰到的問題就是分布式和算法的融合，如何面向1.2億用戶行為數(shù)據(jù)的機器學習。

其實在早期大數(shù)據(jù)領(lǐng)域，很多大數(shù)據(jù)的廠商屬于BI廠商，他們做報表、可視化，所以給人感覺離AI 還是有些距離的。

其實大數(shù)據(jù)是一個很廣泛的概念。

最早的UC Berkeley大數(shù)據(jù)實驗室是AMPlab,大數(shù)據(jù)的頂級項目Spark就是從這個實驗室流出的，AMP的A首先強調(diào)的就是Algorithm，也就是算法，AMP的M是指Machine算力，Hadoop/NoSQL一類計算棧；P更強調(diào)的是數(shù)據(jù)的商業(yè)化，也就是數(shù)據(jù)怎么生產(chǎn)和流通，通過眾包、交易、定價、流通等方式，所以大數(shù)據(jù)本身是個很廣泛的概念，而AI算法能力是其核心要素。

例如2015年，大型銀行給我們提出的要求是如何對接SAS數(shù)據(jù)挖掘平臺，泰康人壽給我們提出的要求是如何全量數(shù)據(jù)上完成一個聚類分析……其實這些都是有關(guān)機器學習的要求，畢竟AI也并不是今天才產(chǎn)生的新鮮事物，我們在業(yè)務中也一直滲透著做這些工作。

記者：未來會不會利用貴公司在人工智能和大數(shù)據(jù)領(lǐng)域的相關(guān)優(yōu)勢，服務其它行業(yè)？

雷濤： PaaS本身就是跨行業(yè)的，非常基礎(chǔ)的賦能平臺，因為在Fintech領(lǐng)域用的人最多，這些EarlyAdopter容易接受機器學習的建模方法做風控定價等業(yè)務操作，所以我們在這方面先啟動了。

但同時，BI 和AI有顯著不同。BI進入一個行業(yè)中，就要做到比客戶還了解業(yè)務，才能做出KPI，進而做出儀表盤、報表這種決策支持體系。

相比之下，AI是數(shù)據(jù)驅(qū)動的，所以可以部分忽略這些因素，只要滿足對數(shù)據(jù)的的特定要求。簡單來說無論是人臉識別、無人駕駛還是下圍棋，都利用了卷積神經(jīng)網(wǎng)絡。輸入端特征不完全依靠業(yè)務定義。

這樣來看，無論輸入黑白落子，還是RGB像素，其實對于算法描述具體業(yè)務是沒有影響的。所以在BI領(lǐng)域，行業(yè)背景knowhow要求非常高，做零售就做不了制造業(yè)，做醫(yī)療肯定不懂金融……但如果采用AI PaaS化平臺這種能力交互，就會發(fā)現(xiàn)問題回歸到了基礎(chǔ)數(shù)學的特征表達問題，也就跨領(lǐng)域的問題泛化能力更強。

作為專注于大數(shù)據(jù)基礎(chǔ)設施軟件平臺和分布式人工智能算法的科技創(chuàng)新公司，天云大數(shù)據(jù)自2013年成立即深耕金融科技，如今已經(jīng)是驚喜不斷，我們期待未來繼續(xù)在AI 領(lǐng)域的長足進步。

總結(jié)

以上是生活随笔為你收集整理的连毕马威也看好这家金融科技公司，面对AI不跟风、有理想！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。