一年一度的“双十一”购物狂欢节已经拉开帷幕。这场九年前由阿里巴巴旗下的电子商务平台天猫推出的购物日已经演变成为中国消费零售行业年度最重要的节点之一。随着每年销售额的不断创新高,“双十一”成为了全球关注的热点事件。

当然,我们更关注的是天量销售额背后金融科技的创新与变化,以及技术变革对传统金融行业的颠覆和改变。尤其是在人工智能风起云涌的今天,蚂蚁金服如何借助技术的突破,为金融行业带来更多的想象力?快速的变化和产品迭代,如何兼顾创新与风险管理?从阿尔法狗到AlphaGo Zero,人工智能未来还会有怎么样的突破?

蚂蚁金服“赶考”双十一-牛科技

在蚂蚁金服人工智能部技术总监,资深算法专家张家兴博士看来,正是得益于技术的不断进步,才有可能采用非传统的金融手段,满足“双十一”逐年增长的天量交易需求;人工智能技术的不断突破,则为颠覆金融行业带来了更大的想象空间,包括在智能投顾、保险、风控等诸多方面都将迎来重大突破和变革。

以下为采访实录。

“赶考”双十一

FT中文网:对于蚂蚁金服来说,应对像“双十一“这样的年度超大型事件,最大的难点和挑战是什么?

张家兴:像“双十一”这样的年度购物节日,保障当天的海量交易以及极限的峰值交易背后的在线支付能够顺畅和安全的进行,是蚂蚁金服最大的挑战,这也是蚂蚁金服迅速成长的最大动力。伴随着每一年“双十一”销售额创下新的记录,我们也在这个过程中攻克一个又一个难题中成长起来。

2004年支付宝刚起步,当时每天的交易金额才三位数,全天交易量才十几笔。到了2016年“双十一”时,支付宝的交易峰值达到了每秒12万笔。交易笔数提升的背后,是蚂蚁金服技术能力被“逼”着快速升级。

眼下,蚂蚁金服技术团队正在研发第四代系统架构。支付宝的这几代架构可以说是和“双十一”彼此成就的:没有一年一度“双十一”大考的倒逼,支付宝的技术能力不会以这样的速度发展和提升;当然,如果没有技术架构的升级,“天猫双十一”也不可能支撑得了这样的交易体量。

FT中文网:在技术方面,具体做了哪些升级和创新?

张家兴:在过去十几年中,蚂蚁金服的技术架构不断升级,经历了从 “烟囱型” 到 “面向服务型”,再到 “云平台型”。

“烟囱”是一个形象的比喻。支付宝的第一代架构就像一个个独立的“烟囱”,没有基础架构可言,做一个业务就竖起一个“烟囱”。“烟囱”之间的关联性不大,每做一个新业务就要将一个烟囱手动改造。

经过了2004年的起步阶段,从2005年开始,支付宝业务发展得很快。毫不夸张地说,任何一个商业想法从产生到提供给用户使用的时间都是按天来计算的。比如“双十一”大促时的支付宝红包,就是蚂蚁金服CTO程立用四天时间做出来的。

那么这个时候,“烟囱”的架构不能支持大团队的分布式研发。因为在“烟囱型”的技术架构下,每当开发新的产品和功能时,只能允许所有人在一个系统里去写代码。与此同时,它的部署也是集中的,核心系统就是一个集群,数据库也只有一个。因此,随着业务量的上升,这样的数据库和集群都会达到极限。

如果要继续拓展业务,必须先把架构分布化,建立底层服务架构,让专业模块做专业的事情。这件事情,从金融系统的角度来说,是没有先例的。

因为金融系统要求高稳定性和高安全性,任何改进都要先保证用户账目上的钱分毫不差,在系统数据分离之后,保证系统之间业务处理的一致性就成了核心的问题。所以2007年,支付宝的第二代架构改进就非常关键。从这个时候开始,支付宝大约用了三年的时间对整个系统进行分布化,夯实了分布式的基础设施,包括核心账务可以分布、核心交易也可以分布、所有的业务都可以分开来做。也就是说,从这个时候开始,支付宝的系统可以伸缩了,每一个系统都是分布式的。那么一旦遇到业务峰值,系统就可以增加资源,为新增的海量交易保驾护航。

在这个分布式的基础上,支付宝团队完成了云服务平台的建设。在此期间,支付宝开始自主研发中间件、数据库、大数据平台。正是这个云计算的架构,支撑了近几年淘宝大促的交易,也使后来的“天猫双十一”能够平稳地进行。

用蚂蚁金服CTO程立的话说,如果这个事情做得晚一点,这几年的 “天猫双十一”大促就别想挺过来了。

现在蚂蚁金服已经开始研发第四代架构,这是一个适应目前数据开放、互联、全球化的架构。

FT中文网:你是人工智能专家,那么在“双十一”期间,蚂蚁金服的人工智能技术发挥了怎么样的作用?

张家兴:人工智能在蚂蚁金服的一个重要应用场景就是智能客服。2016年“双十一”期间,支付宝自助客服机器人服务了97%的客户请求,比2015年同期提高了三个百分点。这不仅大大降低了人力成本,而且提高了效率。现在,自助客服每天可以处理200-300万的用户咨询,比人工客服满意率还高出3个百分点。

蚂蚁金服智能客服主要以智能语音交互和自助机器人两种方式为用户提供服务。智能上的一大亮点就是为用户提供“未问先答”的客户服务体验。这就是说,当用户拨打蚂蚁金服热线电话的时候,还没开口,机器人就已经说出了用户心中所想。下面这段对话是来自支付宝95188客服电话的真实录音:

“——欢迎致电蚂蚁金服

——您好,请问您的问题是花呗如何还款,对吗?

——对!对!我就是想问这个!”

FT中文网:这是怎么做到的呢?

张家兴:这背后,AI智能客服的深度学习起了关键作用。我们通过了解用户的产品使用轨迹、历史的服务求助信息以及账户属性等特征,AI系统预测用户可能要咨询的问题是什么,并直接通过语音交互的方式与用户进行问题的确认,达到快速到达解决方案入口。

这种新型客户服务模式,也是蚂蚁金服在智能客服领域的全国首创,自从17年3月份上线以来,覆盖了95188的30%来电,日均服务近5万的用户,平均缩短用户求助时长40秒。

FT中文网:智能客服已经成为各大服务平台的标配了,那么蚂蚁金服的智能客服有什么特别之处?为什么是你们首创呢?

张家兴:的确是,如今智能客服已经是各大服务平台的标配,但多数客服更接近于一个搜索引擎,将用户输入的关键词与数据库的相关答案匹配。对于口语化的提问,这样的智能客服往往很难给出“智能”的回答。

和绝大多数智能客服相比,蚂蚁金服智能客服的最大优势在于它会自我学习,问题回答得越多,越精准,尤其对于口语化,表述不够完整的提问,能够主动理解。比如,用户输入:“余额宝是怎么赚钱的”,客服机器人即刻跳出一段“余额宝如何获取收益”的攻略。

实现这些功能背后有一系列的技术创新。比如把深度学习的排序DSSM模型与序列模型LSTM结合起来使我们可以综合用户行为轨迹与用户输入来回答用户问题。

除了做客服,蚂蚁金服智能客服还有“保镖”的功能,当自动检测到用户的账户有风险时,它会启动一键挂失;当用户遇到诈骗,可以进行一键报案。

FT中文网:目前对于蚂蚁金服来说,运用AI来解决哪些挑战和困难呢?

张家兴:作为一个拥有4.5亿实名用户的超级国民应用,支付宝给用户提供了一个全金融生活服务平台:从买早餐到理财、转账,再到缴水电煤、办理港澳通行证、预约结(离)婚等。面对数亿的用户量、交易量和几乎无所不包的场景,团队面临的挑战是,如何运用AI识别交易是否存在风险。

困难和挑战主要存在于以下三个方面:

挑战一:每天在支付宝平台上有几亿笔交易产生,需要有超强的计算能力,来对海量数据进行学习。

挑战二:相对于安全的交易,不安全的交易比例非常小。如果不安全交易识别稍不精准,就会导致大量安全交易被打扰。举个例子,我们在境外用信用卡进行大额消费后,大概率会接到客服的电话确认是不是本人操作,这就是被打扰到了。

挑战三:支付宝拥有丰富的业务场景和交易入口,各个场景和入口的环境都大不相同,现有技术很难有效应对这么复杂的风控环境。

那么怎么解决呢?

针对第一个挑战,AI团队使用了基于Parameter Server平台的算法来对海量数据进行学习。

对于第二和第三个挑战,则是通过创新性地结合GBDT和DNN来对不安全案件进行识别。在保证用户账户安全的基础上,成功将交易的放行率大幅提升,提升了用户体验。

需要强调的是,支付宝保证用户干扰率低的前提,是安全度。目前支付宝的交易资损率为百万分之一,远低于国际领先支付机构万分之十七的风险水平。

人工智能重塑金融行业

FT中文网:能不能跟我们具体举个例子,人工智能到底是怎么样来改进传统金融业务的呢?

张家兴:我举保险行业的案例吧。保险的本质是数据驱动,过去没有人工智能和大数据,所以保险业没办法做到千人千面,根据每个人的具体情况核算出保险价格。但是随着大数据和人工智能的不断升级,今天的互联网保险行业已经跟过去有很大的不同。

以退货运费险为例,2015年双11当天,退货运费险卖出了3.08亿单,成为全球保单量最大的险种。这个保险最开始是统一定价,算法简单明了,但不可避免出现有恶意买家滥用保险索赔的问题。AI团队利用机器学习实现极速核赔决策,预测和精度数以百万计的变量随着ML算法超越人类和商业知识,实现退货运费险的千人千面,从而使保费每年提高100%。

再举一个有意思的例子:手机碎屏险。喜欢穿紧身牛仔裤的女生购买手机碎屏险的保费比较高,因为基于大规模学习的算法显示,喜欢穿紧身裤的女生和手机容易跌落在地上关联度比较高。

这些都是过去的传统保险行业无法想象的事情。

FT中文网:那么未来是不是保险行业的很多工作都会被人工智能所替代?

张家兴:更确切地说,应该是许多重复繁琐的工作会被替代,人们可以投入到更具创造力和挑战性的工作中。比如,蚂蚁金服已经可以采用AI模拟车险定损环节中的人工作业流程,帮助保险公司实现简单高效的自动定损。这也是图像定损技术首次在车险领域实现商业应用。

我们的团队开发和应用深度学习图像识别技术,解决了对不规则车辆损伤进行识别的行业难题,通过算法识别事故照片,与保险公司连接后,几秒内就能给出准确的定损结果,包括受损部件、维修方案及维修价格。

这将帮助保险公司实现简单高效的自动定损。实践证明,AI算法结果与保险公司定损员的定损结论基本一致。并且,AI图像识别能够同时处理万级的案件量,不受时间和空间的限制。

不仅如此,“定损宝”还能帮助保险公司挤掉原来缺乏统一标准导致的定损“水分”,减少虚假骗保案件。统计数据显示,车险行业每年500亿的外观件赔款中,约有10%-20%是因上述两种情况造成的理赔渗漏。“定损宝”将有效帮助保险公司减少理赔渗漏的比例。

FT中文网:那么智能投顾呢?这是不是未来人工智能可以重点发力的领域?

张家兴: 没错,这会是其中之一。智能理财顾问背后的技术能力是,AI算法模型会从用户的真实投资与决策行为出发,结合用户自身的真实意思表示,并通过丰富的产品特征与复杂的算法进行产品与用户之间的匹配,深度了解用户的风险承受能力与风险偏好态度,帮助机构为用户匹配真正合适自己的产品。

比如有的用户收入不高,风险承受能力弱,但投资上却喜欢孤注一掷,通过AI的帮助,就能帮助机构识别出来并且避免给这类用户推荐风险太高的产品。

AI成为金融的新大陆,最大的变化在于借助AI技术,通过挖掘海量信息的规律,金融及金融服务也将变得智能起来。眼下,我们看到的智能投顾仅仅是AI改变金融的开始。接下来,随着技术的不断进步,会全面走向AI驱动的财富顾问,最终实现每个人专属的陪伴投资全链路的机器人智能服务顾问。

从阿尔法狗到AlphaGo Zero

FT中文网:你作为人工智能领域的从业者,你对人工智能的理解,和我们这些普通人,大众媒体上理解的人工智能一样吗?你觉得大众存在哪些误区?

张家兴:在我们从业者看来,人工智能分为三个阶段:技术手段,帮助,代替。但是大众理解的人工智能,往往就关注最后一个,代替。

大众往往期待或者恐惧人工智能能够全面代替人,但是不了解其背后的技术逻辑,同时忽视技术实现的代价。对人工智能技术本身的了解,是普通大众和专家的最本质区别。这导致了社会上对人工智能发展速度的普遍乐观,把几十年后能实现的东西,甚至永远不能实现的东西,当做是明天就能实现,甚至已经实现了。

帮助而不只是代替,也是普通大众需要澄清的一个概念。就像轮子的出现,尽管只是帮助人类更好地移动,但意义已经非常重要,不必非等到完全代替人的自动驾驶,我们才承认轮子的重要性。

从帮助到代替,是一个过程,甚至是一个漫长的过程。我们的很多人工智能技术,还只能帮助人去完成任务,比如目前成熟自动驾驶技术更适合在某些特定场景代替司机,而智能客服也是在一类特定问题上代替客服人员,这些人工智能技术距离全面代替人还有很远的路要走,但是他们完成特定场景任务,从而帮助人,同样是非常有意义的。

FT中文网:那你怎么看今天全球人工智能的网红:AlphaGo Zero?从阿尔法狗到AlphaGo Zero是不是实现了很大的跨越?

张家兴:新版AlphaGo Zero,最大的亮点就是完全不需要从人的围棋对弈棋谱中学习,而是直接通过机器对弈,逐渐摸索出围棋技巧,直到超越人类水平,以及AlphaGo。这一点是非常激动人心的,因为似乎机器的学习可以摆脱人类,而进行一种自我学习和进化。

但是,我们必须清醒地意识到,AlphaGo要解决的围棋问题,并不是一个复杂的问题。我们之前在评价一个问题的复杂程度的时候,往往要用计算复杂度来衡量,从这个角度而言,围棋确实很难。19*19的棋盘,黑白二子,创造出近乎无限的组合,让任何机器和人妄图穷举这些组合都变得不可能。

但是,计算复杂度只是复杂度的一个衡量指标,我们还应该思考一种新的“结构复杂度”。围棋计算复杂,但是结构并不复杂。因为围棋的规则很简单,通过输赢来衡量得失的这种方式也很简单。这样简单的结构,是便于计算机来理解和计算的。

反观其他一些看似简单的任务,比如理解一个句子,人做起来是那么的得心应手,也不需要什么计算量。但是,自然语言理解背后所需要的词汇、语法、语义、知识等多个层面的复杂结构,却不是机器所擅长的。

至今,我们也不能说机器在理解自然语言上达到甚至接近人类水平,在我们的有生之年,我们也很难见到这一天的到来。本质上只具备计算复杂度的问题,比如围棋,往往是人设计出来的,考验人大脑的一个智力活动,人的大脑并不擅长。而真正人的大脑擅长解决的,是伴随着人类进化和生存环境的各种“结构复杂性”问题,比如运动、语言、视觉。

所以,AlphaGo解决了计算复杂性问题问题,甚至是自我学习解决了这个问题,我们不应该觉得过于惊讶。这类问题,机器早已在一步一步的代替人,就像现在再也没人会拿自己的心算和笔算去跟机器较量,以前有计算器,今天有AlphaGo,明天还会有下一个。当机器可以通过自我学习,解决那些“结构复杂性”问题,完全理解人类的语言、情感和知识,那个时候,我们会真的为他们而鼓掌。

FT中文网: 您如何看待今天中国的人工智能热潮?有哪些热点是你非常关注的?

张家兴:中国的人工智能热潮应该说投资、技术和市场这三个方面共同作用而形成的。

在这三个方面,中国近些年持续的积累和发展,最终现在在人工智能领域结成了很好的结果。尤其关注的是技术方面,海外有大量的华人从事人工智能领域的研究和开发。

随着国内投资和市场环境成熟,这批人大量的回国,极大的推动了中国人工智能领域。以蚂蚁金服为例,我们就吸引了大批海外杰出人才回国。

来源:FT中文网

牛科技-科技创新媒体