人工智能融合商业化场景发展实践落地需注重三大核心过滤阀

人工智能融合商业化场景发展，实践落地需注重三大核心

2019-08-07 17:27:01来源：编辑：陈志平责编：韩东林

近日，由中央财经大学主办的“另类投资全球金融峰会”在北京拉开帷幕。国美金融智能投顾首席顾问、中国银行业协会金融ai专家顾问王蓁博士应邀出席并发表演讲。本届峰会有来自金融、科技等多个领域的近百位行业精英及媒体嘉宾出席，围绕金融科技、另类投资、另类数据等热点话题，探讨新兴技术与金融领域不断融合形势下的行业新趋势。

王蓁表示，领域知识的阈值从长期来看是机器学习的最关键部分，从业者需要知道如何恰当使用机器学习技术。“最近一段时间来，有的人把人工智能看成是一把锤子，拿着这把‘锤子’很容易看现在各个领域、各个环节都是需要被改造的‘钉子’，忍不住上去敲两下。”他认为，这是人工智能容易被过度应用的典型表现，无论在学术界还是在工业界需要从业者警惕的现象。

王蓁认为，人工智能需要结合具体的商业化场景才能发挥真实的价值，需要有着深刻的领域知识才能更好的建立模型，从解决问题的角度评价模型表现、迭代模型和满足业务的实际需求。

王蓁把人工智能在实践落地的方案总结为需要注重三个核心要点：

首先，核心团队组建的“一个大脑+99个流水线研究员”模式。王蓁认为，好的金融人工智能专家，不但要精通各个人工智能模型算法，而且一定需要兼备对具体业务的深刻理解和各个算法模型的熟练掌握。

作为一个大脑，构建解决具体业务问题的解决方案流程框架和大体思路，然后对框架拆分的各个子系统和子模型，配备99个“流水线”研究和建模人员，辅助完成具体建模细节和调参等工作。然而，当前在国内具有一个大脑能力的金融人工智能专家是极其稀缺的。

第二，金融人工智能产品的“没有免费午餐”定理。王蓁强调纯平台性的人工智能算法模型不具备跨行业和跨业务的普适性。例如，电商算法专家不一定是好的财富管理模型算法专家，学校的金融科研论文模型不一定是可落地的信用模型算法。

他强调，对任务和数据本身以及对行业的认知与数据产生过程的深入认识很重要，对待业务问题需要具体问题具体分析：对特定的任务和数据产生过程，目标是获得最优的机器学习和人工智能模型。

此外，中美金融市场大不相同，国情和制度也截然不同，直接使用美国的模型(例如财富管理和智能投顾领域的现代资产组合理论mpt, mvo, bl等)都不是最优的。

第三，智能金融产品设计的“应用场景分析”法则。王蓁提倡银行设计智能产品时，需要具体设想和分析用户使用的具体场景，充分考虑当前人工智能技术不能完全覆盖的功能，导致用户使用的潜在不足，并通过产品设计和业务折中方案达成最后的完整使用体验。

井盖试验荷载残留变形压力试验机

车辆铆钉扭矩寿命试验机

疲劳试验台架设备

抗折抗压试验机

4kN圆柱弹簧疲劳试验仪触控式