来源： 授权 产业智能官 转载
雷锋网AI金融评论按：银行的业务领导看不懂数据报表，用户的照片和声纹注册难以通过，人工智能的运用到底谁是基础和关键，对于这些新技术的应用问题，平安银行零售科技CTO储量通过分享其团队的研发经验给出了答案。正如他所言，很多技术“还在路上”，那么在传统银行的技术化道路上，有哪些问题值得从业者们关注和深思呢？
在12月8日第一届“平安集团SMART科技大会—科技金融Fin Tech论坛”上，储量分享了平安银行在新技术方面的经验，为我们细述了从数据基础、关键技术再到实际应用的环环相扣。
编辑：周蕾
来自@AI金融评论的报道
以下为储量演讲全文，雷锋网AI金融评论做了不改变原意的编辑：
大数据平台建设与应用
储量表示，建立整个银行的大数据平台，过程颇为痛苦——尽管绝大多数金融机构，很早就会建立自己的数据平台，但大数据+金融应用的细分领域相当复杂，每一类业务场景中会有很多不同的子项目要研究。平安银行在此方面已建设12种主要应用场景，譬如风险控制，有与欺诈相关的，有确认客户身份的，还有很多真正意义上研究市场态势和风险变化的部分。
在平安银行的大数据应用上，储量举例了几个典型应用场景：
（从上至下、从左至右分别为：B+报表平台、指标平台、风险侦测平台和数据探索）
B+报表平台
一些会议经常出现如下情况：在讨论未来的业务发展设想和规划时，一旦试图以历史经验来预测事件走向和客群规模，却卡死在数据一环，命题缺乏支撑。传统金融行业原有的数据工具和平台，普及不够、自动化不够、时效性不够。
在数据指标应用方面，比如传统金融组织会把工作交给一个单独的数据团队同事来做。数据团队可能很熟悉业务的指标定义和理解，但大部分业务领导对细节并不清楚，导致上下沟通时脱节，只好让下属以需求的形式实现报表再做决策。
B+报表最重要是解放实际上业务高层领导的生产力，让他们自己通过手工自助工具直接看到他需要的数据，决策更加高效。储量称，从今年年初到8月份，他们一直致力于研究B+报表，目前已在行内有所推广。如果要做到更高的时效性，T+1甚至T+0，并且随时组合不同的条件，把数据带出来，需要花更多精力打磨。
指标平台
这一平台主要是市场营销。现在平安主推线上，这部分营销对于传统业务而言，需要一套成体系的营销平台支持。其中很重要的是，如何通过指标体系将不同的客户实时筛选出来。而这些指标体系的建设需要花时间把基础能力和指标定义出来：客群画像、客户类型，做到基本以秒级筛选出几万、几十万甚至几百万客户的列表。这需要大数据作支撑的，传统数据库架构系统无法完成这一点。
风险侦测平台
每天系统处理的客户交易有几百万甚至上千万，所有的刷卡、转帐记录、登陆记录，会变成可能存在风险的点，需要非常强的实时运算能力，建立风险侦测体系平台。这一平台是毫秒级全天后监控，累计做了八亿笔交易记录风险决策，以及6500万的比对。这些东西的业务价值，背后需要非常强的实时的风险决策引擎来实现。
储量指出，目前平安银行的引擎还不算最高效的——美国运通公司的风险模型和引擎，可以在两毫秒之内完成12000个决策数的模型运算。其单个服务器节点，每秒可以接受64000笔这样的请求，这对基础平台及其应用架构能力要求极高。平安银行目前风险侦测还不够强，基础开源框架在风险高维运算能力方面是偏弱的。尽管当前业务尚无如此复杂的规则需求，但未来用AI、机器学习训练算法，真正实时运行时，最终产生的引擎对运行资源的消耗会越来越大，没有基础平台支撑是做不到的。
数据探索
储量表示他们正在做知识图谱，金融的结构化以及非结构化数据怎么形成图片，以高纬度方式关联查找。
现在金融行业许多欺诈均为团伙作案，业内有灰色产业和黑色产业链条。他举例北京分行的盗刷团伙，作案时会把好几个不同的被盗客户信息输入到系统里，看他的资金被盗在行内甚至到行外其他行的帐户链路，会发现几个关键任务，它可能就是被拿来洗脏钱的黑色帐户。找到这个帐户，再让公安介入调查，顺藤摸瓜把人抓到。我们利用数据探索知识图谱，快速定位可疑行为较为密集的帐户。
储量分析平安银行零售的大数据应用体系架构，是从最基础的大数据运算能力开始，从下往上是基础设施、基础数据汇聚、数据产品，再往上是应用场景和应用产品，最终到渠道端可以真正实现闭环。
经验分享：技术+业务双管齐下，平台支撑和数据治理并行
第一，战略清晰。对于一家组织来说，到底需要投入多大的资源来完成大数据平台建设。比如平安团队年初开始建立平台时，团队至少要100人，运算节点服务器资源需要上千万投入，当时一次性采购接近5000、6000万。其中牵扯之多需要上层领导决策，所以要有清晰战略。团队内部会按能力相应细分，每一个小组会专注负责一个领域的产品或者技术的孵化。大数据要在业务领域发挥价值，如果光靠技术是不够的，还需要有人对业务的基础数据比较了解。大数据技术团队可以通过招聘很快获取，但需要有传统团队加入进去帮助一起做孵化。我们把传统零售报表团队并到大数据团队，快速让新招聘的同事对业务有所了解，把基础数据治理做起来。
第二，较强平台能力支撑。这方面投入一开始可能会比较巨大，储量团队所构建的开源Hadoop基本上是全战术的基础框架。每日新增数据量大概100T，包括金融数据、非金融数据、客户行为数据还有生产环境的各种日志。每日任务数大概7万多，有300多个用户，进行相关数据探索工作。每秒钟有20万笔日志汇集到系统里，把所有客户行为日志加上所有系统日志都进入到数据平台以备分析。这一能力建设对基础架构压力较大，目前团队仍在扩容。
第三，元数据治理。一家金融机构的所有历史数据结果，在建立之初，对于里面指标的定义、每一个记录怎么产生的，基本逻辑是不清晰的。那时大数据无法直接帮助业务，必须有一个团队专门把数据清理出来。企业数据治理的一致性、准确性、完整性都需要有人管，这样大数据团队深度参与业务才能清楚了解。像华为很早以前开始做全世界范围内的各种文档、数据治理，就做得很好。
人工智能应用探索及研发过程现状
储量主要从图像、语音、文本、图谱几部分进行介绍。图谱在风险和精准营销上，分成客群推荐和产品推荐两方面。这是我们认为未来，像智能算法实践方面会经历的三个过程，是闭环的迭代的。
业务场景和数据准备
这个50%实际上是以今天在这个时间过程中理解要做好这件事情，成功的基础可能50%是来自于这个环节的。基础数据和应用场景的发现，对做智能算法实践，有50%是靠这个成功的。如果没有好的数据治理，没有找到好的业务场景，光有技术或者算法是做不出结果的。
第一，AI的算法和东西要解决业务问题，需要业务深度参与。
第二，训练算法不能没有基础数据。后文将举例说明声纹的数据样本对算法训练的影响。现在所谓AI算法，大部分是针对某一个具体场景和具体问题建立算法。这种算法建立的能力是非常工程化的事情，需要专家参与，构建真正具备能力的队伍。
第三，工程化。工程化能力之重要，体现在算法能不能快速上线，上线之后能否快速跟运行中的业务并行，并行之后能不能把生产结果跟实际结果拿回数据源，进行下一步训练。如果没有好的工程化过程，业务是不敢上这些算法的。因为这些算法都是代替原来人工流程，凭人的经验总结出来的业务规则。业务是会担心出错的，尤其是风控，算法一旦产生波动，可能产生的（误差）是几亿、几十亿的。如果好的工程化能力并行，维持传统部分，算法路径也同步进行，两边并行进行灰度认证，把两边不一致的东西拿出来让业务再做第三轮判断到底哪边是对的。这样可以让整个算法上线试运行加快。
当你的算法越来越复杂，算法维度越来越高，条件越来越复杂时，工程化能力决定结果能不能跑出来。比如设置出12000个决策数的规则，如果在系统上要跑30秒，从线上化角度这个东西就不可用了。运通把工程化用到极致，他们在AI方面还在探索，但工程化能力太强，强到2毫秒120000的模型可以算出来。
储量总结他在AI建设方面的经验，表示：
业务场景是AI的基础和起点：一定要找业务谈清楚这个场景到底是什么，解决什么问题；
强大的数据平台能力是支撑AI训练的关键：需要用到海量、跨多业务线的数据，以及强大的运算能力来构建复杂模型；
专业的队伍密切合作推进AI在业务中的应用和迭代；
工程化能力不可缺失：业务场景的选择，快速开发、测试和上线的能力，以及模型的持续学习和优化。
人脸识别技术应用的“那些坑”
基本所有的APP都在用人脸进行相应识别。目前每月有1600万的调用量，基本上每天有几十万次，包括开户、贷款客户核申，阈值大概在62.24。
对于金融行业，最担心的是不该开户时给人家开了户，引狼入室。储量称平安的线上通过率在85%。大部分的算法都是96.8%。
储量指出照片网纹对算法影响很大，两边数据源一起做对比，两种算法一起用，才能提升线上的比对成功率。
在人脸识别方面，他分享如下几点：
活体SDK的重要性：业务方最怕的是别人可以伪冒。生物识别技术的出现也催生了生物仿生这个对立学科，该学科的发展一定会对生物识别产生冲击。对于使用生物识别的组织来说，要建立相应的科学算法去解决，对立的对立是什么，要不要再训练下一代，判断生物仿生算法与否，如何识别出所有业内能仿生的技术，以及合成解决方案的本身特征并加以排除。
客户拍照本身的影响很大，在客户端怎么引导客户合理使用光线进行拍照，对成功率要求会提升很大。
合理阈值：这应该由业务决定。到底误时率达到什么样的水平，接受什么样的水平，接受什么样的风险。以前靠人工肉眼识别做生物判断也是有误差的，只是不曾数据化，风险团队因此认为人工方法没有问题，这判断是不对的。风险团队要接受误差是永远存在的，但控制在一定范围内，符合业务需要即可。识别不成功的流程，需要有弥补机制。就算实际上成功率只有85%，剩下15%的客户不能丢掉，尤其是银行，要有其他应对办法。比如可能接到音视频做二次弥补。
需要有团队专注在人脸的应用团队，将其工程化。
声纹识别落地的困难与解决方案
储量表示，目前平安在做相应的信用卡孵化场景训练，正在考虑是否需要从800席扩到2000、3000席。该应用8月底上线，真正通过声纹注册成功的客户有157万，验证成功的40万。
跟其他传统声纹供应商不一样的是，平安不是让客户念一串数字或者标准文本，而是在对话过程中采集声纹，进行声纹注册。声纹注册受制于打电话进来时背景音的嘈杂程度决定能不能成功，如果是APP注册过程，会建议顾客站在安静的环境，直接采集客户打电话进来的声音。该服务的线上灰度并行测试（通过率）大概83%。如果是质量达标的语音验证，通过率是92%。客户的说话时长和背景音也会影响通过率。
储量举例称，最开始做声纹识别，受制于集团大部分语音样本没有做语音分离，为此做了额外的算法。语音分离对于未来电话平台录音，乃至所有使用语音应用的场景十分重要——客户和客服的声音不要混在一起录，分成两个文件。
以前无论是录音还是日志，大部分组织是出于合规性要求，用最简单最低成本的方法做最好。但现在是大数据和算法时代，未来业务发展需要对它进行合规规划。人脸有人民银行公开的数据库，声纹没有官方比对库。注册本身需要业务自己在场景里把客户引导注册进来，没有比对库很成问题。
考虑攻克的问题之一是，声纹跨渠道的衰减比较大，现在的声纹用在APP上不一定能用，电话语言的传输和APP文件传输保真程度不一样。电话语音本身让语音失真了，建立的语音模型没法用。
另外，为什么把音视频作为重点场景，是因为它未来的发挥价值很大。社交直播越来越热，未来很多社交，SAT可能真的会往音视频社交转移。
在这方面的尝试，音视频本身的应用场景里出现的问题有：
掉线，跟通话时长、环境，密切相关；
平台上待处理任务排队，如果处理不好音视频能力会受影响。
未来要建立一个公共网关平台，以便跟媒体第三方，尤其是做直播的客户需要使用的APP进行合作。大家现在的音视频技术方案都不太一样，如果没有公共平台把不同音视频接入，最终转换成统一的方案，后台的座席系统开发非常痛苦。储量表示，现在已经做到集团APP音视频解决方案，和原来银行引入另外一个厂商的解决方案，从客户端、服务端不用变更，在中间做自己编解码的转换。
机器人“听说看动”四难点
这部分在银行内部没有真正大规模使用。业务认为的机器人可以代替简单的人工劳动，比如大堂经理，可以做服务引导。可以用标准化方式接触客户，批量方式降低人力支持，通过软件部署代替人员培训。这都是业务认为真正意义上机器人可以达到的效果。但从实际技术角度出发，目前机器人在能力方面还远达不到真正代替人的场景，它的体验并不能真正做到我们希望业务做到的事。
这里面有几个问题：
“听”：人听话知道谁在说什么，可以自己定位要跟谁说话，但机器人不一样，它听到各种各样的声音，所有的信号输入进去，不知道谁在说什么。对于机器人来说怎么处理一对多的对话，是大的难题。
“说”：机器人要说什么或者需要表达什么东西，是需要在背后有一套很强的知识库或者智能算法支持，但目前这个做得不是很好，我们还在做训练。
“看”：机器人有一个感知，看的能力也会受到环境的影响。
“动”：机器人现在越来越大，一不小心撞到凳子桌子就算了，万一撞到人，安全上是很大的问题。因为工程化的问题，机器人的迭代会很慢。
最后储量强调：
一，业务和IT团队要共同协商，新技术引入时需要给到团队一些灵活度，一旦限制很多KPI，大家的动作就走样了，不一定能做出好的结果。
二，需要投入专属团队，投入多少，研究结果就有多深。
三，新技术本身不是一成不变的，需要花时间慢慢积累。不要想着今天什么东西用了，明天业务问题都解决了。新技术应用不是一个IT的问题，是业务问题，一定要通过业务合作的方式完成。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“数据科学家”、“赛博物理”、“供应链金融”。
官方网站：AI-CPS.NET
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com
1226
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
