人工智能已經(jīng)醞釀數(shù)十年，而今已在各個領(lǐng)域開花結(jié)果，比如自動駕駛、人臉識別、醫(yī)療等領(lǐng)域。
而在信貸審批領(lǐng)域，如果沒有人工智能技術(shù)，將無法大規(guī)模的發(fā)展。
下面的分享，是一本財經(jīng)學(xué)院主辦的“三天兩夜CRO閉門訓(xùn)練營”中，快牛金科CTO胡亮分享的節(jié)選：人工智能的發(fā)展邏輯，以及在信審中的應(yīng)用。
01 人工智能的應(yīng)用
每隔半年一年，就會有一些新的科技冒出來。比如隨著AlphaGo的出現(xiàn)，人工智能技術(shù)進(jìn)入了公眾視野。
AlphaGo戰(zhàn)勝了李世石， AlphaGo master戰(zhàn)勝了柯潔。但事實上，Master之后，又一個版本AlphaGo zero，以89：11的比分，戰(zhàn)勝了Master。
人工智能在圍棋領(lǐng)域?qū)嵲跊]有探索的必要了。所以，此領(lǐng)域人士希望把AI的技術(shù)能力應(yīng)用在其它更有意義的領(lǐng)域中去，比如智能醫(yī)療、健康中。
其實，人工智能現(xiàn)在已經(jīng)應(yīng)用在了很多地方，比如自動駕駛。其中一大玩家Google已經(jīng)利用Google街景、地圖的數(shù)據(jù)，做這方面的嘗試。而特斯拉是目前在使用上面比較成熟的一家。前不久百度也宣布，要在今年7月量產(chǎn)無人駕駛。
而在很多金融產(chǎn)品中，也都有人臉識別和遠(yuǎn)程開戶的功能。還有刷臉登錄，運用比較早的是支付寶的刷臉登錄，以及蘋果的iPhoneX，成功率和安全性非常高。
還有智能安防。在高鐵、飛機(jī)場等人群集中的地方，可以實時捕捉視頻里人臉的信息。這些信息和公安部或相關(guān)機(jī)構(gòu)后臺數(shù)據(jù)做比對后，用于反恐識別、逃犯追蹤都很有效，能形成強(qiáng)大的天網(wǎng)。
除此之外，還有很多如客戶、翻譯、同聲傳譯等領(lǐng)域的智能化改造。而這背后，本質(zhì)上都是由于人工智能的技術(shù)成熟。
想要了解人工智能，要追溯到人工智能行業(yè)的發(fā)展中。
02 人工智能的發(fā)展史
它起源是在1956年。美國一個叫麥卡錫的學(xué)者，召集了一幫在數(shù)學(xué)和計算機(jī)領(lǐng)域的牛人，比如信息論創(chuàng)始人克勞德·香農(nóng)、現(xiàn)在被譽(yù)為人工智能之父的馬文·閔斯基。他們開了兩個月的會，試圖總結(jié)出來，什么是人工智能？
那時，距離第一臺計算機(jī)的發(fā)明，只有十幾年的時間。人們想弄清楚，計算機(jī)能否像人一樣智能。
其中希爾伯特的《23個問題》中的一個問題，對此產(chǎn)生了巨大的啟示意義。他問，是不是世界上所有的事情、命題、理論都可以寫成數(shù)學(xué)公式？
之后，這成了人工智能嘗試的第一個方向。人們試圖去建立一套符號體系，把生活中所有的問題都試圖用符號體系來進(jìn)行數(shù)據(jù)運算。當(dāng)然這是不太可能的，這套符號體系，發(fā)展得越來越復(fù)雜，越來越難以理解。
當(dāng)時，有人覺得只有邏輯不行，還要有知識。所以在七八十年代，又興起一個新的高潮——建一個專家系統(tǒng)，試圖把人們所掌握的知識都裝到計算機(jī)中，讓計算機(jī)擁有部分人工智能。
但這系統(tǒng)存在一個致命的問題，就是它不能主動學(xué)習(xí)。而新知識產(chǎn)生非常快，人工不可能把所有知識灌進(jìn)去。所以當(dāng)時又有了一個想法——讓機(jī)器自主學(xué)習(xí)。
1986年，反向傳播算法的提出讓大規(guī)模多層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練成為可能。一個里程碑事件，就是1997年IBM的深藍(lán)，第一次在國際象棋領(lǐng)域戰(zhàn)勝了人類。2012年，ImageNet圖像識別競賽，深度卷積神經(jīng)網(wǎng)絡(luò)算法的使用，使得圖片識別錯誤率大大降低，人工智能在“看特定的圖”這件事上第一次接近了人類。到了2016年，AI已是每個人都耳熟能詳?shù)母拍睢?/div>
03 AI在信審中的應(yīng)用
機(jī)器學(xué)習(xí)，是人工智能發(fā)揮的關(guān)鍵。
如何用機(jī)器學(xué)習(xí)來做信審貸款呢？流程分為四個步驟。
第一步，把實際問題抽象為數(shù)學(xué)問題。
要做一個信貸審批的機(jī)器學(xué)習(xí)模型，首先就要理解實際問題，拿到一批比如年齡、性別、所在地域，收入情況等用戶數(shù)據(jù)，抽象為數(shù)學(xué)問題。
這就如在市場挑西瓜一樣。我們希望買一個甜的，怎么挑呢？無非是看皮，是綠色還是偏白，或者是聽聲音是否清脆，或者看瓜蒂是否新鮮。根據(jù)這些子決策，形成結(jié)論。而如果用數(shù)據(jù)或者學(xué)術(shù)的方式來看，就可將上述全部數(shù)據(jù)化。
第二步，做特征篩選，比如紋理有3種情況，清晰、模糊、不模糊。按照是好瓜的概率，越清晰是好瓜的概率越高。紋理對于是否是好瓜有預(yù)測性，那這個數(shù)據(jù)就有價值。除了紋理，再加上根蒂、觸感等有價值的數(shù)據(jù)，就可以做出一個數(shù)學(xué)模型。
第三步，以什么樣的途徑去篩選好瓜的概率最大呢？就要訓(xùn)練，最終訓(xùn)練出一個最好的途徑。
比如你發(fā)現(xiàn)某用戶是某些敏感地區(qū)的人群，就可能直接拒絕，因為這個地區(qū)壞人概率很高。如果是非敏感地區(qū)人群，就分多種情況。比如是公務(wù)員，涉及一系列決策；如果不是公務(wù)員，又是一系列決策。
根據(jù)這樣一棵樹，一個用戶進(jìn)來，可以最終給到是否審批的結(jié)論，這就形成一個模型。這棵樹在實際應(yīng)用中，會復(fù)雜很多，分支會非常多。不可能手工列出一個模型出來，這就需要依靠機(jī)器學(xué)習(xí)的方式把模型學(xué)習(xí)出來。
第四步，學(xué)習(xí)出來之后，就要去評估這個模型的好壞，這就是測試。
判斷的方法，有幾個常見的方式。第一個是ROC曲線，底部橫坐標(biāo)是把壞人放進(jìn)來的概率。在0.2時，意味著放進(jìn)來20%的壞人。中間虛線指的是亂猜的。如果模型很靠近這條線，意味著模型跟瞎猜沒啥區(qū)別。如果模型越靠上、左，或者覆蓋的面積越大，模型效果越好。
其中紅線、藍(lán)線，紅線是訓(xùn)練集上的效果，藍(lán)線是測試集上的效果。好的模型應(yīng)該是紅藍(lán)線很近，甚至重疊。如果差異很大，只是理論上很好，在實踐中，會打折扣。
第二種模型是排序能力的判斷。
所謂的排序能力，就是知道好壞的程度，比如根據(jù)模型得出A和B都可以給放款，那么誰更好？C和D都不能放款，那么哪個更差？
更直觀的例子就像芝麻分，從350到950的一個區(qū)間，對吧？那么芝麻分它好像是壞呢？很重要一點是要考慮它的排序能力。950的人一定要比750的人好，750的人一定要比700的人要好。如果750分的人放到貸款的位置比800分的人還要更優(yōu)秀還更低，那它的排序性就不行。
這個應(yīng)用就是風(fēng)險決策時，風(fēng)控策略是收緊，還是放松。如果沒有排序能力，就沒辦法做這個判斷。如果有排序能力，要收嚴(yán)，只給分高一點的收就可以了。排序能力，是信貸審批模型中，非常重要的衡量指標(biāo)。
聲明：凡資訊來源注明為其他媒體來源的信息，均為轉(zhuǎn)載自其他媒體，并不代表本網(wǎng)站贊同其觀點，也不代表本網(wǎng)站對其真實性負(fù)責(zé)。您若對該文章內(nèi)容有任何疑問或質(zhì)疑，請立即與中國機(jī)器人網(wǎng)(www.baoxianwx.cn)聯(lián)系，本網(wǎng)站將迅速給您回應(yīng)并做處理。
電話：021-39553798-8007
電話：021-39553798-8007
更多>相關(guān)專題
0 條相關(guān)評論
