2019中国金融科技产业峰会丨蚂蚁金服人工智能部

2019（第二届）中国金融科技产业峰会于10月31日在北京国际会议中心隆重开幕，在会上蚂蚁金服人工智能部总经理周俊带来了《金融智能的思考与实践》主题演讲。

蚂蚁金服人工智能部总经理周俊

大家下午好，非常高兴来到这里跟大家分享一下蚂蚁金服在金融科技、在AI方面做的一些工作，大家知道金融科技里面应用AI的方法很多，它跟传统的电商领域或者互联网领域推荐搜索广告还是有蛮大的差异，这也是今天我们来到这里跟大家分享的重要的出发点。

从数据上来看，全球还有很多很多人是没有享受到银行服务的，占了世界劳动力的一半左右，同时现在给银行或者金融机构提供的服务其实有很大的差异化。怎么样去实现这样的普惠金融？我们认为AI是其中一个比较好的方式和方法。

以AI为内核的普惠金融会有这样几个作用。一个是在效力方面用AI来做相比传统的人工或者是专业经验，能够在数据量比较大的情况下有效率上的优势。第二在信息不对称的方面，传统因为人的经验很难去处理非常大的数据量，采用AI的方法可以减少人工的偏见，同时也能够在风控上面有较大能力上的增强。当然在体验上面肯定会有比较多的改善，像这两年大家用的比较多的智能客服等都是比较好的应用AI的例子。

反过来说，金融场景本身也为AI的发展注入了很多很好的场景，它跟传统的推荐搜索广告其实还是有蛮大差异的。传统做推荐搜索广告其实我们都知道它是一个数据回流很快的一种机制，你今天点击了、购买了，数据能够很快地返回到后台也好、返回到哪里也好，但是金融服务会稍微有一些差异，比如我们提供普惠金融的贷款，很少的情况你在今天贷款明天就可以拿到一个所谓的风险的反馈，因为绝大部分贷款的周期相应来说会比较长一点，所以数据上会有这样的差异，同时场景上也会有比较大的差异，无论是我们今天做的财富也好、保险也好、贷款业务也好，这几个业务之间本身从金融定义就有不一样的地方，所以导致你在应用AI方法的时候其实也会有不一样的方式和方法，这是由于金融场景里面提供大量的这种不大一样的场景，所以在金融领域里面应用AI是比较适合的地方。比如这里面提到几个点，一个是全球移动支付的场景里面，中国在里面占了很大一部分，因为中国网络的发展，所以我们可以很方便地享用移动支付带来的便捷性以及这里面可以应用的各式各样的一些AI的方法。

第二点前面讲了，这里面场景非常多，场景一多可以用AI的方法就很多，有别于电商里面只做CTR或者CVR这种预估，在金融场景里面可以做很多，比如说你可以怎么样应用AI的方法做用户效率改进、应用方法的改进以及对风控的理解，这都可以用AI的方法去做。同时通过AI的方法自动化地提升效率、改进体验，能够让风险管理水平有一个本质上的提升。

它跟传统的电商领域也好或者互联网领域也好还是有比较多的相应的挑战的，比如说像一些人机协作的地方，其实我们今天都知道在金融场景里面，无论你AI做得再好背后还是会有策略系统在里面，策略系统都是人工的一些经验在里面，其实它是比较好的人机协作的场景。第二个是数据安全和隐私保护，在别的场景里面可能大家对隐私性的要求或者数据安全的要求没有那么强或者没有那么敏感，但是在金融场景里面其实我们是希望我们能够提供相应的技术，用技术的方法去解决这里面数据安全和隐私保护相应的一些问题，能够打破数据孤岛，让数据在各个机构之间能够正常流转，能够实现场景或者AI效益的最大化。对抗性也比较好理解，在金融背后其实有很多所谓的灰伞黑伞在背后做相应的事情。

还有网络，因为现在移动支付的发展，只要你今天去线下店铺做了消费，实际上在网络上增加了一条边和一个顶点，随着交易量越来越多，背后构成了巨大的网络，这些网络本身每天会增加新的交易，有一些交易由于历史原因会去掉，这些动态网络背后在AI的方法背后的应用创造了很好的场景。

对抗性前面已经提到过，公平性是整个AI里面大家都在研究的问题，除了怎么通过AI的方法除了提升效率和这种效果以外，怎么去保证整个方法的公平性，无论是对产业界也好还是对学术界也好都是一个巨大巨大的难题，怎么通过这种方法的本身去克服由于数据采集的偏见、数据本身的偏见导致效果的偏见，这是很难解决的问题，这也是整个AI和金融结合的魅力之所在。

具体到蚂蚁金服自己本身而言，我们做了两个比较大的核心能力，一个是左边提到这样一个图智能平台，前面讲过由于这种移动支付的普及，其实我们每天都能够构成一个巨大的网络，这个网络里面可以做很多很多相应的事情，有别于传统的AI的方法，可能是单个样本来了以后，我把所有的样本收集到一块儿构建一个模型，当然这个方法也比较有效。实际上还有更多的方式方法，前面讲的移动支付网络里面，通过网络对网络本身进行建模，把数据输入到AI里面可以产生更好的效果。简单来理解，你自己假设去做一个收入预测的话，大家比较好理解，通过你身边六个人的平均，基本上是你收入的平均，依据类似的原理网络本身可以做很多很多相应的事情，比如做用户增长相关的事情，做风控相关的事情，用它净化支付网络本身等这里面都有比较好的落地场景去做。我们自己构建比较大的网络，能够用这些网络做相应的推理和做深度学习的一些训练。同时网络本身也需要提供比较好的毫秒级的查询，需要在很短的时间内知道你有多少朋友，以及你朋友的朋友做了什么，这段时间里面款项是怎么回流的，把这样的数据送到AI方法里面进行学习，拿到效应的效果。

右边这个是前面讲的，我们希望通过用共享智能或者隐私保护机器智能的方法去破解数据隐私保护和数据安全相关的问题，能够做到数据可用不可见这样比较大的初衷去打破AI里面存在的比较大的问题，就是所谓的数据孤岛本身的问题。我们希望通过这样的一个平台能够提供这种秒级的计算，以及对目前现状的百万级的金融样本提供比较快的建模，同时能保护几方数据本身的安全性和可靠性。

蚂蚁自己本身有很强的实时计算引擎，所有前面讲的各式各样的AI的方法底下没有很强的引擎支撑其他都是浮云，如果没有办法跑出来，怎么能应用AI去解决这些问题，所以我们依托这样一个计算引擎才能够完成前面所讲的AI相应的方式和方法。

我们来看几个比较典型的利用，比如说像这里讲的图智能平台，在企业授信领域的应用，我们用基本的关系网络，比如把属性数据通过图的网络，进行各式各样的运算，做一些上下游关系的推断、做一些风险的推断，从而可以把整个网络作出的产出送到后面的信贷模型本身里面去，这样可以做很好的信贷风险的推算。我们把它称之为图机器学习，能够很好地去增加授信规模和授信额度。我们自己本身来讲在一个简单的场景里面可以增加数百亿普惠金融的授信。

同时我们对灰伞和黑伞进行识别和打击，通过GeniePath发现网络里面识别路径里面哪些关键路径以及路径的贡献去打击。右边这张图可以看到，网络里面识别出哪些是重要的。在右边的网络可以看到标红的路径是相对来说更重要的，有了这样的数据以后我们可以对其中的风险作出更精准的识别，并且把这里面识别的模式更好地给到业务团队，让业务团队本身也能从里面拿到一些Inside，通过这些更好地促进我们对业务的理解，达到AI和人的协作、AI和人更好的结合的模式。

第二个大的议题就是前面讲的数据隐私保护相关的问题。我们通过跟许多机构合作以及我们自己在2016年开始投入在这样的方向上研发，比较好地跟中和农信支持农村的扶贫贷款，基本达到了现在对外宣称的310一样的模式，由传统线下放贷模式演变成310线上放贷的模式，能够看到通过几方数据融合到一块儿，数据可用不可见的模式可以看到，逾期率下降了，8个月达到了放款以及最后余额的一个效果。我们在300余个县里面推广这个模式，让农村扶贫机构有了更好的对用户的理解和风险的理解，从而更好地促进农村扶贫事业的发展。

同时我们跟更多的机构去推进这样的模式能够把这样的一个模式放到机构本身，让机构能够去做自主的风控的一个决策，能够完成让中国的金融机构本身能够在这种风控决策上面能够往前再走一步，能够用AI的方法去提供自己的风控能力，能够赋能给这些合作伙伴，让他们去提升这样一个模型的效果以及提升整个业务的效果。

这个领域里面本身我们也做了相应的一些布局，也在推相应的国际和国家的标准，希望能够以这样的方式帮助AI和金融往前一起走得更好。

最后一块，因为我们知道蚂蚁现在在做——大家多用支付宝的话会给我们用户送保险，我们希望能够覆盖更多的小商贩，所以会有相互保这样一种产品，这个产品上线以后，肯定会有很多的理赔工作是需要做的，完全通过人工的方式去做代价会非常高，这样的产品用户数超过亿级别了，如果做理赔完全依赖人工是没有办法想象的，也没有那么多人做那样的事情，所以我们把AI的方法引进去，希望做到全流程的AI理赔的机制。

具体来说，通过支付宝APP本身上传相应的数据，我们通过OCR识别还有类似于这种知识图谱的方式可以做到两分钟报案，一秒钟理赔，两小时到账。右边这里展现出来通过AI的方法能够看到有一些知识的沉淀，比如杭州市中医院是一个什么样的医院，以及下面有什么相应的科室，通过这个图做相应的推理，拿到用户的医疗照片之后能够自动地给出相应的建议出来，能够让理赔做得更智能化。

这是前面讲的三个比较大的技术，图象里面的技术，OCR的识别、自然语言理解，以及构建在自然语言理解的知识图谱，我们可以对亿级别的实施比较好的融合的推理，相对传统理赔效率提升会比较大。

这里介绍了我们几个关键的技术，一个是我们在图上面做的比较多，这也是学术圈这两年比较热的话题。第二个是我们在隐私保护的一些相应的工作以及我们在智能理赔上面通过OCR、自然语言处理和构建图谱构建的理赔的流程，无论是多么好的技术，我们本身是贴合场景去做，第二我们希望做的技术本身能够真正解决用户的实际问题，能够体现一定的温度不是冷冰冰的AI方法本身，我们希望通过人工智能加上金融服务加上普惠可持续达到完整的普惠金融，能够更好地服务社会，谢谢大家。