品钛CEO李惠科：数据质量决定了机器学习的上限

近年来，随着AI、大数据等技术的深度扩展和应用，金融服务效率得到显著提升。品钛作为领先的金融科技解决方案服务商，依托AI、大数据技术等技术优势和丰富的数字化金融业务全流程经验，全面助力金融机构和商业机构进行数字化转型，取得了良好成效。日前，品钛CEO李惠科接受媒体采访时谈及了他对AI、大数据技术在金融科技领域应用的看法。

AI在金融科技领域的应用尚处于初期

虽然近几年人工智能的话题较为火热，但从技术角度来看，李惠科博士认为AI在金融科技领域中的应用还停留在初期阶段。一方面，AI出现了80多年，在人类文明史上一个技术经历八十多年的发展史还相对是一个比较新的技术。另一方面，金融是一个强监管的行业，要求技术有非常高的透明度和可解释性，对新技术的使用偏保守。

他表示，人工智能的发展会经历以下三个阶段：第一阶段，人工智能算法对数据有识别、处理、判断的能力，目前大部分人工智能算法停留在这个阶段。第二阶段，机器有了更强的自主学习、自主判断的能力，可以主动的发现哪些数据更有效，做一些模型上的优化。第三阶段，机器有更高的智能度，可以对整个模型、整套方法进行提高。

数据质量决定了机器学习的上限

数据和算法是人工智能两个非常关键的要素。在李惠科看来，数据质量决定了机器学习的上限，决定了最后的判断效果，算法更多是从效率上的一种提高。品钛在训练人工智能模型时，会使用另类数据对传统数据进行补充，即通过征信数据、财务数据、消费数据、运营商数据等来综合判断一个客户的还款能力和意愿。

同时，李惠科也表示，AI不是一蹴而就，从一开始积累足够的数据，到成熟稳定之后，还需不断的监控，不断根据回归测试来调整模型以适应风控的要求。以品钛的智能信贷引擎为例，在做主流场景风控时，会基于不同的数据组合模式和不同的人群特点，历经一万多个风控模型的迭代才稳定下来。

技术灰盒可提高透明度和解释性

机器学习模型通常被认为是“黑盒”，具有内部不可知的特性。因此这些模型在应用时，往往需要首先获取人们的信任、明确其误差的具体含义、明确其预测的可靠性。如何让客户理解AI技术具体是如何运用和奏效的，李惠科表示，品钛通常的做法是把 AI算法的黑盒增加透明度，做成灰盒，用可视化的简单指标解释技术和模型状态。

以品钛的智能财富管理解决方案为例，该解决方案中的“AI智能调仓”便是基于AI的算法规则进行设计。品钛在设计该产品时，增加了一个直观的调仓指数—告诉客户，通过品钛的智能投顾算法，基于ABCD等因素，进行调仓的可能性有多少个百分比，让客户感知在该产中AI正在工作、如何工作、基于什么在工作等，而且让客户感觉到算法是可控的，而不是天马行空的在后台运作。

“AI+HI”让决策更精准

AI可以帮助人类去做一些专业性的任务，面对需要分析决策的环节，则需要人类的智力，AI+HI（人工智能+人类智能）非常重要。以反欺诈举例，反欺诈是风控环节中最重要的一个环节，会面临各种情况，比如有时候借款人的数据全是真实的，但借款行为是虚构的，这种情况在下沉市场，年轻人市场更为普遍。李惠科表示，欺诈的手段每年也在变化，目前对欺诈行为的识别还不能完全依赖机器学习，机器自主去判断新的欺诈手段的能力还不够，还需要人工主动去调整。

AI、大数据等新技术驱动了金融科技行业的快速发展，同时也面临着新的机遇与挑战。如何更好地发挥新技术的优势，李惠科表示，第一，更高效的挖掘更广泛的数据进行信贷决策支持将是一个持续的挑战。第二，社会信用机制的建立。在不互信的团体之间，如何合规、脱敏、加密地进行数据交换，通过联邦学习和加密机制等方式，凝造更开放的数据交换环境。第三，在算法上，机器要主动具备自我学习、优化、进化的能力，同时保证透明、合规且做到可解释。