资讯 | 微众银行、TalkingData眼中的人工智能

卢道和：基于人工智能的未来移动银行设计

前海微众银行科技事业部零售客户产品部总经理 卢道和

前海微众银行科技事业部零售客户产品部总经理卢道和的演讲主题是《基于人工智能的未来移动银行设计》，他首先介绍了人工智能在目前银行中的应用。在互联网当中人工智能的应用，它已经跟传统的银行有一个很大的不同。它已经在逐步从原来的服务转向销售，而且它很希望能够通过人工智能变成一个入口。接着他认为对于自助模式的门槛他认为主要有三个，第一需要客户对业务的准确理解，第二是客户对软件的信任，第三需要客户熟悉对设备的操作。

对于人工智能，它也存在很多不足。第一个是当场景宽泛的时候，人工智能回答不了，另外一个，当上、下文很长的时候，人工智能也没办法理解你的诉求。最终你会发现它是个入口的引导。那么对于“下一个ATM在哪里”，他表示现在在所有的银行大的网点都可以看到的，叫做VTM，这实际上是传统银行意识到有一些场景必须要有人和人的交互才能完成的。中间这个是我们的APP，它其实是另外一个版本的ATM，只不过是把它挪到了手机上，它还是人机交互，并且是一个自助服务。最后，他认为一切系统的本质都是信息的交换。在银行领域，基于场景和深度学习构建专业人工智能。构建没有自助，不需要手机的未来的智能移动银行是未来的一个趋势。

本节摘自：20+专家论道，5年100亿投资，记2015腾讯云技术领袖峰会（http://www.csdn.net/article/2015-09-17/2825726）

TalkingData CTO肖文峰：人工智能落地还存在困难

TalkingData最近发布的一个SDK，是一个场景感知的SDK，把用户拿智能手机时的步态数据，比如静止、走路、跑步或驾车等，通过API的方式提供给App访问，同时也提供地理围栏的触发功能，让开发者判断用户地理位置相关的场景。

了解用户周围环境，做到场景化，能够帮助开发者应用做得更加智能，判断用户当前的状态和目的，从而很容易地触发一些有针对性的功能、服务和内容。但这需要对手机传感器进行研究，包括处理传感器数据的算法。

肖文峰表示，传感器的数据分析和处理存在很高的门槛。比如基于加速传感器去研究步态判断的算法，TalkingData尝试好几种算法，包括K均值、SVM、决策树等等，也包含综合一些算法进行投票的方法。经过了很多实验，发现这里面水很深。主要是因为智能设备的碎片化非常严重，手机传感器的元器件来自不同的厂商，良莠不齐，数据特征也有较大差别，成为巨大的坑。

数据脏其实也是TalkingData数据处理工作中面临的最大问题。TalkingData通过结合大数据和机器学习，来提高数据处理加工的效率。例如，TalkingData记录了超过两万款整理好的机型信息，数据超过百万量级，还有大量的长尾机型样本，这些样本的匹配，靠一些人工去编辑头部的机型数据，是一个很头疼的问题。但后来加入机器学习的算法，能够对原始机型数据进行一些过滤和初加工，工作量可以小很多。TalkingData目前很多数据的清洗工作，都是通过人工加上部分机器学习的方式进行的。

对于深度学习，TalkingData虽然有尝试，但还没有大量的使用。肖文峰认为，深度学习为提高精度付出的成本太高，有时候甚至会有数量级的成本增加。而分析系统对于计算的效率比较敏感，所以TalkingData在大部分时候偏向于选择一些更加简单同时迭代次数更少的算法，来在精度和算法计算效率之间做一些折中。

而对于人工智能，肖文峰表示，在基础理论没有根本性突破的前提下，基于目前的计算机科学的理论和技术，人工智能在落地上面存在一些困难。

本节摘自：TalkingData CTO肖文峰：移动大数据研发，核心原则是简单、务实（http://www.csdn.net/article/2015-09-17/2825722）