传统信贷覆盖人群少,如何利用人工智能撬动新金融市场?
i黑马 i黑马

传统信贷覆盖人群少,如何利用人工智能撬动新金融市场?

真正的价值来自于你通过革命性的新金融技术做底层金融技术的变革。

近日,一场以“新金融技术”为题的沙龙在宾大沃顿中国中心成功举办。创新工场 技术副总裁&人工智能工程院副院长王咏刚、晨兴资本合伙人程宇、零壹财经 CEO 柏亮及用钱宝创始人兼CEO焦可分别作为学术、资本、媒体及产业的代表,在沙龙上分享了他们对于科技与金融方面的真知灼见。 

此次媒体沙龙以学术分享及讨论为主旨,围绕“新金融技术”这一主题,从投资人、人工智能专家、行业观察者以及新金融技术践行者等角度,分享了人工智能对于金融领域的非凡意义,同时探讨了新金融技术未来趋势及发展。 

近年来,人工智能技术越来越多的应用于金融领域,创新工场技术副总裁&AI工程院副院长王咏刚分享了其背后原因。王咏刚认为,金融领域拥有各种层面、各种领域、各种维度的海量数据,也有非常客观的评判标准,同时对这种数据的结果也有非常明确的落地应用,因此基于这些大量数据来实现金融风控,人工智能技术可以发挥非常大的价值。 

用钱宝创始人兼 CEO 焦可随后的分享恰好验证了这一观点。当 70%的美国市场被传统金融服务的时候,中国市场只有 15%的人享受了传统信贷的服务。这背后原因正是因为传统 金融技术所采取的强特征风控逻辑,只能够服务少部分的人群,而适合大多数人的底层技术 还未获得有效的发展。

目前,人工智能风控已经充分证明其优势:人工智能为核心的风控能够处理海量数据,挖掘出比人的经验更深层次的特征;其次,这些特征能够进一步通过大数据计算的方式被验证及被学习。同时,焦可还表示,互联网金融已经从渠 道及效率的改良,逐渐进入到了技术的革新。 

此外,晨兴资本的合伙人程宇以及作为资深行业观察者的柏亮,分享了他们对于目前行业中一些热门趋势的观点。作为美元基金晨兴资本的合伙人,程宇表示中国及很多东南亚的市场,都处于传统金融服务能力不足以及信用体系不完善的状态,所以市场本身具有巨大空间。同时,数据的挖掘和使用也出于初级阶段,因此新金融技术在这些市场也将大有可为, 甚至在未来有可能会赶超欧美市场。柏亮则对互联网金融的演进、现状和未来做了详细的总结。 

以下是分享实录,经i黑马编辑整理: 

不同人对于人工智能的定义

王咏刚:我不知道大家脑子里想的人工智能是什么?我知道的就有无数个定义,实际上对人工智能理解来讲,不同层面的人不同角度的人理解是非常不一样的。当时微软人工智能研究院做人工智能都不好意思管自己叫人工智能,叫什么机器视觉,云识别,公众对人工智能的看法往往是带有一种主观定性的东西不是定量的评价。

公众觉得以前这个事不能做,以前只有人能做现在机器能做了这是人工智能,围棋能做的就叫人工智能,你有没有定量标准?超过就叫人工智能,不超过就不叫人工智能,公众的定义叫做唯神奇论,或者两年为什么不神奇了?现在的可以60比0,那个时候大家会觉得手机能干的事还叫人工智能吗?那么程序员对人工智能的看法完全不一样,我当然会说阿尔法狗是人工智能,可是我会说你们去看看现在手机上的程序非常多的程序里面都有人工智能,这件事是公众往往看不到。

我说一个例子,你们都用搜索引擎,搜索引擎是一二十年前的技术,一二十年前google就有pagerank,可是搜索引擎里面的技术到底变化没有,发生了什么改变,我给大家稍微解释一下,曾经的搜索引擎里面排这个结果顺序的时候是按照一个公式排的,这个公式是人定的,人会说你的package和结果有多少关联性,pagerank就是算结果是不是重要的,所有的指标几十个指标,几十个指标被连到一个公式里面,这个公式人写的,在google百度做搜索质量的这个team来写的,这个公式就是人写的,一旦发生了质量问题人就需要调公式里面的参数,人可以调整他里面的一些,可以通过调一个参数改变结果的顺序。

现在的搜索引擎不是这样了,最迟在2011年google百度都开始彻底的颠覆搜索引擎,这样的做法让我非常惊讶,我大概去年去百度跟非常高层的人做交流,那时候我还在google,百度和google几乎同时把最早的人工智能用在了搜索结果的排序里面,什么意思?什么叫做最新的技术?

通俗的讲起来是这个样子,以前不是有很多参数吗?以前不是有公式吗?现在这个公式不见了,你就把这些你能收集到的你觉得可能影响搜索结果排序的参数丢给电脑,让电脑自己去学习出一个公式来,或者让电脑自己去学习出一个模型来,我们数学上叫模型或者函数,这个函数是怎么构造的模型怎么构造电脑来决定,电脑凭什么决定?就凭他学习的好坏来决定,坏就惩罚自己,好就奖励自己,电脑学出一个模型,这个模型把人所有的参数放进去之后,你们平常看到的影响搜索的这些参数顶多几十个一百个了不得,从维度上说几百个了不得,电脑的模型里电脑以什么样的视觉观理解它?通常是几千万、上亿的维度。

在几千万的空间里把空间的点做一个排序人脑想不过来的这件事电脑可以,电脑可以在非常大的非常深奥的空间里面完成这样的学习任务,学出来的模型特别好的用在了搜索结果的排序里面。google搜索结果排序质量百度的排序质量比以前有了很大的提高,外面的人看不到这里面有一个换代性的变化,我们从曾经普通的搜索技术进入到了人工智能的搜索技术,这是一个实实在在的变化,这个体现在每一个手机的主流应用程序里面,今日头条怎么根据你的兴趣把那些消息推送给你的人工智能。

你们的所有这个电子商务网站里面的商品推介怎么把你喜欢的商品推介到你面前人工智能,甚至手机上装有一些所谓的客服程序、聊天机器人怎么理解人的诉求来跟人进行交流人工智能,也就是说现在这个时代人工智能不是普通人理解的相对比较狭义的看得到让人惊讶的人工智能,而是深入到每一个应用背后,深入到每一个技术背后对技术起到加速作用提升作用的人工智能,这些人工智能真真实实应用在我们手机的每一个应用程序里,人工智能对我们生活的改变是潜移默化的,不是阿尔法狗这样的需要新闻报道。

基于互联网金融的人工智能实践

比如我们今天是在讨论用钱宝这样一个基于网上这种应用金融或者互联网金融这样一个小题目上来做,金融领域是特别适合应用人工智能的地方,金融领域就像搜索引擎一样拥有非常海量的数据,各种层面的数据,各种维度的数据它也像搜索引擎一样有非常客观的评判标准,对这种数据的应用结果,也有非常明确落地的场所,金融领域风险控制叫风控,他们都看到所谓的真正深度学习真正的人工智能可以帮助金融领域做这些事,这些事情上传统银行做的相对比较慢。

刚才说的你以前风控怎么做?人去给规则,人会说这个人收入太低了有风险,人会说,说这个人有犯罪记录有风险,甚至会说这个人太玩游戏有风险,但是再这样说你能列出几百个维度?几百个了不得。机器完全是另外一种做法,你就把这些数据给机器,机器怎么处理怎么加工你不用管他,他的学习结果就是你以前积累的大数据,他判断我这个对不对,不对就改进,越学越准。

我们叫黑盒现象,就像阿尔法狗一样,你很难理解他这步棋,他最后结果是一定赢的这就是阿尔法狗和今天要讲的金融创新之间的关系一样的,他们背后的技术是一样的都是深度学习。在深度学习这件事上现在的金融企业金融应用有非常多的发挥空间。我们跟创新工场的技术团队,跟用钱宝技术团队有非常多的交流,他们在同时的比较非常多不同的学习算法,用于风控的标准算法,他们会发现实际上已经发现在现有的数据上基于深度学习的模型比所有的传统模型要高出一截的准确率。

这件事告诉我们真正的人工智能,真正的深度学习,可能更多的情况下不是出现在普通人脑海里的机器人形象,所谓毁灭人类科幻小说的形象,更多的是实实在在的对手机上每一个应用程序对我们每一次的金融借贷所谓的网上交易一种实实在在的性能提升。我想我讲的东西就到这里,谢谢大家。    

底层金融技术如何变革?

焦可:谢谢刚才王院长柏老师做了非常精彩的分享,我觉得王院长讲的特别兴奋,我们做这个事也觉得很兴奋,包括讲到的搜索引擎在智能排序这样的做法,当时我也是在百度工作很多时间,确实亲身经历过那种感觉,实际上内在那套技术是发生了革命性的改变,很多人看起来差不多,但实际上内在技术有很多新的东西。

柏老师最开始的白皮书我就在读,做了很多高见分析,柏老师说他觉得国内很多金融业务都是在二级市场但是真正的价值其实往往产生于一级市场,这个跟我对应的思考好像有关系,我一直在思考我关注互联网金融行业比较早,我感觉互联网金融行业是进入了下半场,二级市场往往是个交易,主要价值在于渠道,把传统金融资产拿到线上卖,比如说余额宝也是拿货币基金来卖,还有做效率改良,线上可以做业务开展,我觉得这个笼统来讲,我理解柏老师说的二级市场是上半场。

这个里面最大的问题你看到比如有些行业的问题,比如p2p我觉得根本还是在于说当你只是做了这么一个渠道你的规模是有限的,传统的好资产很多,真正的价值来自于你通过革命性的新金融技术做底层金融技术的变革,我们不是做渠道不是做sales当然也不做学生,我们实际上做内在的这套新金融技术,去用新金融技术去服务一些以前没有被服务到的人群,这个可能是我们很大的价值,接下来我跟大家分享一下我在这块的事,包括偌馨刚才问到的有没有好案例,让大家看看我们做的怎么样?包括柏老师说的艺高人胆大,我看到绝大多数公司是人胆大,简单分享一下我们现在做的事情,看看是不是艺高。

我们这个首先介绍一下市场,这个市场大家可能有点关注因为很多人问,说什么人会借一千块钱,我前两天看到一篇报道,我们这种新金融公司都是传统银行不服务的高危人群,传统银行不服务的就是高危人群吗?传统机构服务的人群只有2亿,仅占总人口比例的15%,剩下的12亿、13亿人群都是高危人群吗?显然不是。

其实我们整个业务最大的机会来自于中国跟发达国家相比它的整个金融服务体系是非常弱的,我们知道信用卡4亿张两亿人这样的范围,很多人没有被传统的金融机构服务到,而这些人群其实自己有很多正常的消费需求,比如说很多年轻人,刚才回答那个问题,什么人借一千块钱?很简单就是年轻人,我们讲年轻人月光族,很多人年轻人自己花钱不算,经常花着花着就不够了,就成了月光也不够族。这是普遍的年轻人正常的行为习惯。

金融风控的强弱特征

但是传统的金融是服务不了这些人的。我们原来公司里有20岁的小孩,跑到银行里去借钱还开工作证明都是没办法办信用卡,传统银行为什么不服务这个人群?很多朋友简单的总结说这个是因为传统金融机构比较懒、效率比较低,这是一方面,但是我觉得根本性的问题,还是底层的金融技术其实不支持,我不知道大家有没有在银行办信用卡的经验,大家可以知道传统银行他往往怎么做?

你提交一个工作流水、工作证明、社保或者三个月内的水电煤气的帐单,这个材料每家银行要的差不多,我们叫强特征的风控,往往依赖几项十几项的特征对人群进行风险,通过一大堆强特征来做筛选,筛选逻辑肯定不是特别有效的,所以大家会发现,金融里面能够服务的人群比较有限。

但是我们面对的人群绝大多数是没有这种强特征的,比如说服务业,比如说餐馆很多从业者是发现金的他提供不了这个流水,也没有社保,很多年轻人是没有征信报告的,是白户,这些人基本排除了。但我们有一个观点:这些人不是没有数据,是没有银行要的冰山水面上的数据,这些人在水面下有大量的数据可以使用,有些数据一定有跟用户的逾期率相关,我们想可不可以不像商业银行这样通过几个强特征断定你,银行他评信用卡的技术是什么?

是yes、no,我们想看能不能通过弱特征对人群进行精准定价。大家可以看到市场上的fintech公司很多,但绝大多数的是用一些传统银行的经验,往往是采用强特征做一个规则引擎,我们做的方式从底层技术上不太一样。

简单介绍一下我们解决方案,我们整个的人工智能风控分成三部分,第一部分是我们的特征工程+机器学习,第二部分是大数据计算能力,第三部分是整个的业务运营监控体系。我可以这么说:我们公司整套的风控技术,这些事情是没有金融经验的人参与的,很多公司说我们找一个在传统金融机构工作了十几年、几十年风控的老司机,但是我们是要走一条新路没有人走过,很多经验在我们这个业务里正好呈现了相反的态势,比如说年龄,传统金融里面年龄越大逾期率是越低的,但在我们这个业务里,30岁的反而低,30岁以上的逾期率就会升高,40岁以上非常高,我们在整个这套体系搭建里面是没有老司机的,都是用一些技术人员大家的技术手段来去解决这个问题。

往下拆解技术化的我简单的解释一下,首先是柯南特征工程,主要是找到这些用户有哪些特征,在这里我们使用了大量的人工智能技术手段,比如说CNN、RNN技术,我们发现很多特征完全不在传统人的经验里面,举个例子我们发现说如果他的通话行为体现出非常强的单向性,就是经常给他人打电话但别人不回,这种就会比有来有往的用户逾期要高,这是传统金融领域的老司机想不到的,即使他能够想到这一点他也很难做定性定量的判断。

我们说这些特征都是跟逾期率相关的,不相关的很多很多,比如说星座,星座跟逾期有没有关系,这个其实就是我们很重要的一个工作,首先找到这些人有什么特征。第二点其实很重要的一点我们其实是做了很多机器学习的事情,如果用传统的做法就是我人通过多年的经验告诉你说什么这样的人是好人,什么是坏人,但是你会发现其实我跟银行的人也会聊,他说我们都在学习,这点我很理解,他说我是通过每年放了几百笔,到了下一年我看有没有还。

我是在学习你们也在学习。这么一想对了,我们怎么学习,其实我们上个月成交饿了一百万单,就意味着我们这个月每天有3万到4万笔的sample(样本)回来,有没有还是逾期还了还是到期还了,大家想想传统银行的网点可能一个月做几百笔就不错了,这个数据量是完全不一样。对应的三万到四万笔每笔都有1000多特征,那每天就有3、4000万的特征点,这个量级人是学不过来的,本质上来讲我们是用机器取代了人来去做这种学习。

柏老师也提到一点金融业务就是规模,我们不太一样的一点,别人都在讲我们放了几个亿我们更多讲的是笔数,同样一个金额我放了10万笔还是100万笔,产生的数据不一样,我们更关注的是通过样本来进行学习。

以人工智能重塑金融风控

大家看到这两个环节好像很好理解,这两页其实也很考我们的能力,本身大家想想如果人看的话就看累死了,我们现在一个用户提交以后整个的机器决策只需要8秒钟,我刚才举例星座,把星座扔到模型里做迭代,我可以15分钟内知道说这个特征通过机器来看有没有用,AUC是多少,能降低多少坏账,早期我们其实这件事情要两天,那时候的单量还小,现在我们量级增加了一百倍以上,但是我们的迭代周期更快。

回答偌馨刚才的问题,人工智能究竟做的怎么样,就是说首先结果来看,因为这个我们也会有一些竞品的数据,通过机器来去做这套东西的结果,我们看到竞品的风控数据,我们的通过率可以达到他们的2倍,同时我的坏账率比他们低40%,我们不仅是风控效果明显提高,通过率也提高,其实人工智能在金融领域是特别适合的,金融领域高度数据化、正负样本清晰、迭代目标明确。那么我们取得这样的一个优势,实际上跟这些机器的优点有关:

第一、它的数据量特别大,人是没有办法做的但是机器有很强的优势。

第二、因为人有主观因素,可能就觉得公务员都比较优质司机就不太安全,而且人会疲劳,还有培训,培训起来很多的新人没有经验。

第三、机器更适合学习,你发现传统银行一个产品大纲可能半年一年多改一次,我们现在每周都会有20多次的模型优化,第四、机器也没有道德风险,我们经常看到市面上什么攻略教学视频,哪来的?如果你是人审,或者人定规则,那很容易就被收买告诉你公司是怎么审的,但机器风控就不存在这个问题。同时也有更好的反欺诈能力,一千多个特征的情况下人很难去包装,怎么追寻很难找到,第五、机器很快,可以实时开展业务,所以我们整个十一期间也在做业务,机器在不停的跑。右边举了我们觉得还不错的效果,很重要的是左边技术选型的优势,我觉得这是一个很重要的点。

那么回到一个业务量上面来讲的话,其实刚才提到大家可以看到我们过去增速是很快的,其实我们做这个业务之前很多公司已经做了很多年了,为什么有人问用钱宝一年多做到行业的第一名一百多万单这个量级,是不是他们人胆大,其实我们做技术的人是胆子很小的,我们其实更多的依赖是我们刚才谈到的那些怎么样在技术上做一个核心。

这个里面还有一个很重要的点,很多金融领域容易劣币驱逐良币分散,p2p几千家,现在这个领域也有一些新的player,但在我们这个业务领域其实有很强大的规模效益。我们现在的业务量是全行业最高的第一,所以我们有更多的样本,上个月有一百万个sample回来,相当于有一百万个特征点回到我的模型上。这样我的风控模型就更强,整个获客成本坏账率都会比别人低,还有更多投入市场,有更多投入市场就可以有更多的用户,有更多的样本,就有更好的模型,这就是一个正循环。这个过程是别人没有办法做的,你的样本越多模型风控力越强。

其实在这个业务里面如果是以技术为核心这将一个公司会体现强,未来的增速越来越快,这是我们对这个业务的理解。我觉得我们现在这个业务本身我自己做的事情我们想说自己做的事情很新的金融技术,我们有一个粗浅的观点,传统金融是少数人金融,如果想改变这一点其实就是需要靠新的金融技术,我们公司真正做的事情是新的金融技术,我们也不太懂这个传统怎么去人工专家的经验,人工学习,我们不想做,我们想做的事情是通过机器告诉我们,机器挖掘,机器学习,机器审核,去服务这些underbank的人群。

刚才也提到这个问题,为什么这些人不服务,这个一定要搞清楚,我们对这个事情的解释因为传统金融的技术是不适应这个人群,我们想发展出一套基于这个新金融人群的技术,这个技术上我们提出更多满足这个技术的产品。我觉得一个互联网公司在其实比较早期的有个原始这样的冲动,我们觉得说一个搜索引擎可以帮助偏远山区的小孩能够像大城市的小孩一样获取到信息,这是搜索引擎带来的价值其实我觉得一样,如果我们银行我们的金融像传统的网点,或者仍然采用那种规则,其实你很难打破现在的框框架架真正想解决这个问题,为市场提供更智慧的金融解决方案,让每个人都能享受到这一点享受到金融的服务。

圆桌讨论环节

主持人:我们都知道其实做早期投资是一个需要有前瞻性的眼光,需要看到未来的机会,我先提一个问题现在对于你们来说你觉得这金融科技行业还有哪些机会?   

程宇:我们挺骄傲的一点,我们投了携程、搜狐、小米、YY、UC  快手一二百家的创业企业,很多企业我们都是他的第一大机构投资人,最早从40万美金起步开始做这件事情,我觉得回过来讲早期投资一直觉得人、事和时机这三个特别重要,越早的时候人这个维度特别重要,而且人这个维度其实包括本身的一些我们大的概括,可能在里边会讲到很多包括所做的事情,很多方面可以看。

如果从做金融科技的方面我们看这个背景这个技术从这个互联网产品,从这个用户获取流量再到金融有非常跨界整合的能力,我们最开始抱定一个想法,我们要从一端我们现在叫人群,另外一端由金融的科技和技术,虽然我们当中转型过两次,但是这个方向定的很坚持也很清楚,就像四渡赤水一样的。

我觉得金融科技前面嘉宾都分享过,如果时间点是两个大的红利,第一个三年前的时候可能是去监管化的红利,在一些P2P行业,很多行业监管现在在放松,有点像国退民进的时代,刚才我们那个有台下的朋友问到说为什么这两年特别今年看到这么多跟我们相类似的业务模式,我们认为第二个红利科技的红利。

刚才那个王院长谈了很多人工智能这一点,人工智能我们做了很多投资,从底层的可能是说从最基本的一个基础设施,基层框架包括这些底层的技术,再到上面的核心技术可能是说有视觉有语音有这个自然语音处理核心技术,再到上面可能各个垂直应用行情里面,有金融医疗很多我们做了投资,金融其实是最好的行业,金融本质上是数字,金融其实就是数字,所有的数字可以摩擦的流动,你股票账户的多少,你借贷的情况所有一切被数字化。人工智能我们提到几大要素,第一要有清晰的目标函数,很多其实这里面第一是要大量的数据反馈,现在每天可能有三万笔这样的数据在反馈,而且同时线上有很多模型,马上可以借到好坏的层面。

第二这些事可以相对清楚,第三个不像无人驾驶、医疗上很多的九,其实我们在金融上跟搜索引擎的点是很强,是个概率模型我可以容忍一定的坏账率完全没有问题,我们不是说要定义最低的坏账,我们要定义保持一定的坏账率,那么通过率提高了好多,回过来说金融科技领域,人工智能也好大数据也好,在很多方面都会有机会,借贷是最大的一个,我也跟很多美国的投资人聊特别是二级市场的投资人,美国会把underbank的人群,他们还有一个词fico的分数,多少多少分以下,又讲了一个产品叫发行人贷款他们认为是一回事,认为是针对特殊人群给另一个特殊的产品。

其实我们内涵已经完完全全不一样,刚才提到支付宝,支付宝可能月活大概只有3亿,微信只有4亿多,大量的用户不被现有的金融体系所服务,传统美国做那些,他们靠超高的利率来把这个坏账率给覆盖,第一是孵化很有限,第二靠高利率解决这个问题,我们完全不一样,我们没有一点点线下的获客,我们全部在线上,而且我们有意识的是说通过线上获客把这些人群定义得很稀疏。哪怕这个人他的分数够了我们就可以给他放款,只有用这些新的技术才有可能找到这么多风控的点来做这个事情。

主持人:刚才你提到的中国的在线借贷和美国的不是一个概念,我还是会放到平等的概念之下,能不能请焦总解释一下他们的差别在哪些地方?

焦可:我来讲一下这个事我们对国外的payday loan也有很强的关注,其实payday从字面上来说是特别宽泛的,信用卡某种程度上也是一个payday loan,发了工资就还,国外比较具体的payday loan,美国的payday loan针对的是bottom人群,那个人群相对来讲很窘迫,朝不保夕的人群,那国内其实我们人群不是bottom,我们楼下的奶茶小弟就是我们的用户,你为什么找我们借钱,他还用iphone,年轻人是没有计划的。我们服务的群体跟美国的payday loan完全不一样,美国的真的是有点借来借去,国内人群更多的是消费,这是需求层面不太一样。

另外非常核心的一点,美国的payday loan,他们更多是通过connor shop街边的店来开展业务,那个技术比传统小贷公司的技术还要更low,伴随着整个所有都是线下,我们有那么多工程师,现在大量找这种工程师,我们在底层技术层面和美国的payday loan不一样,我们做的事情合作的业务合作的人群,其实是弥补了国内的金融行业跟国外金融行业巨大的鸿沟,这是我们看到的机会。

主持人:去年我们看到智能理财很火,但是你说真的有哪个项目很成功或者我们看到了很大的变革好像也没有,是不是这个也存在一个短期的机会长期的机会,或者是真的机会假的机会能不能分析一下,这个机会在哪?

王咏刚:这个还蛮复杂的,智能理财这件事,是这样的现在整个所谓智能金融整个的环境我们从技术角度判断他和金融的结合怎么样,刚才说了很多理由,金融这样和人工智能结合得非常好,整个的市场环境来看,竞争环境来看,现在我们的判断是在人工智能这个领域里面人才的分布特别的不均衡,很多的这种传统行业里面,实际上真正懂得这些有用的有效的人工智能技术的团队,或者说懂得人工智能如何和传统行业做结合的这样一些理念的人非常非常的稀缺这是为什么现在真正一些创业公司,觉得去雇佣一个比如说很好算法的工程师,很好的科学家或者很好的一个解决方案的咨询顾问非常非常贵。

现在人工智能人才可能是所有人才里面最贵最火的一个领域,这其实表现的不是说这个技术多火,这个表现的是人才分布的严重不均衡,这件事对我们投资公司来讲绝对不是一个好事情,对于那些人才来讲当然是好事情了,对于投资公司来讲我们希望整个产业能够有非常均衡健康的发展,创新工场也会在近期做很多的事情,包括我现在在工程院,比如说你们工程院为什么招技术人员我们其实就是想做很多人才培育和技术孵化的事情,这样的话能够或多或少的改善一下人才环境,能够让本来健康发展的产业尽量不受噪音的影响,出去就说了我们是有假的人工智能,真的人工智能这件事情很多外行不太容易分辨,我们希望能把产业往健康的方向带。

焦可:就像蒸汽机一样,早期看上去跟人力船没有什么优势,造价很高,我们在最开始真的不见得就比人的经验模型好,尽管我们现在已经杀出来了。在绝大多数的人群领域里存在这样一个阶段,确实早期的时候市场没有体现出比人更好的优势,我自己学技术出身还是对这个东西非常乐观,我自己的感觉很多行业人工智能都会慢慢的真正从量化的优势甚至最开始的胶着状态,最终显出定性的优势,在我自己的行业里面我还是非常有信心的,我补充一点。

主持人:传统的金融机构和金融数据没有覆盖到的人群,在提高额度更高贷款的时候,或者更广泛人群的时候,现在这个技术是不是也适用或者什么样的阶段才会适用?

王咏刚:人工智能在很多领域都有优势但不是所有领域,比如说像下棋这样的事情人工智能肯定会有优势,我们这个领域里面已经体现出优势了,很多有一些传统性,其实有些经验还是在某些领域非常适用的。我们做重大额度可不可以,一个技术往往跟一个金融产品没有那么直接的关系,金融技术是跟人群相关,金融产品是逻辑并不是说真正去借多少钱而是说借什么样的人,是把社会上最普遍的人群筛出来。

金融技术本质上不是对应某一种借一个月两个月就可以,不是这样的对应的是大量没有消费的人群,回答您的问题当然可以做更多的产品这是一个非常明显的趋势,不是所有的领域都可以做人工智能,你迭代的样本是非常清楚的,那么接受一定的坏账一定的错误,这种是判断一个行业适不适合人工智能很重要的因素。

主持人:其实在传统金融风控当中可能会考量你的还款力这都是大家为什么要用金融的一些指标包括你的银行流水,但是当你的金额小的时候是不是还款意愿比还款能力更重要?

焦可:应该说是的,传统金融往往判断你有多少还款能力,是否稳定,看你的流水,是你的社保有没有居住证明是看这些东西,其实原来的金融很单调,现在整个金融的板块是百花齐放,更多的产业都会有了,这种金融需求里面所对应这样一个问题都是不一样的,比如说小微业务领域,更集中的是来自于还款意愿地而且这里面非常有意思的点,还款能力是yes  no,概念模型往往在还款意愿判断比yes no模型好很多这是我们觉得这个业务适合机器做的特点。

人工智能
赞(...)
文章评论
匿名用户
发布