品钛研究院专访品钛执行副总裁李惠科：AI商用的研发与落地 

　采访整理| 品钛研究院 舒典

　　随着人工智能(AI)技术在各行各业应用，人们开始习惯于智能新闻推送、文本识别、刷脸支付、移动信贷等各类功能，越来越多场景也趋于智能化。科技公司在云计算、大数据等人工智能技术领域的投入俨然成为标配。

　　在AI时代来临之时，每家公司都有很多选择：是耗资庞大的机器学习队伍，来设计一个复杂的学习模型?还是借用市场上其他公司的既有成果，来赋能自身业务?是主攻AI顶尖技术的研发?还是专注于AI技术如何成熟落地?

品钛执行副总裁李惠科

　　品钛研究院专访了品钛执行副总裁李惠科。李惠科博士是一位科技金融行业的连续创业者和IT行业的资深人士，在尖端技术的构建和商业化方面拥有超过20年的经验。

　　与一线技术研发专家关注的不一样，李惠科博士更加务实更具有商业思维，他以企业家的角度将技术和商业合二为一，更专注于能落地到实际业务的AI技术。访谈中他以商业发展的角度，为大家带来他对AI商用的看法。

　　01 自建AI系统Vs“借东风”

　　品钛研究院：很多公司或深或浅的都在研发AI技术，但有的是稳扎稳打自建团队，有的只是借助外力。您怎么看待这两种战略?

　　李惠科：

　　在AI时代来临之时，每家公司都有很多选择：是耗资庞大的机器学习队伍，来设计一个复杂的学习模型?还是借用市场上其他公司的既有成果，来赋能自身业务?是主攻AI顶尖技术的研发?还是专注于AI技术如何成熟落地?

　　到底怎么选择?我们讨论的是一个非常简单的问题，看起来是个战略问题，其实都是商业问题。不同公司会对投资收益预期的考量，也就是我们常说的ROI，如果它有足够的价值，而且也有足够的数据来支撑，他从商业角度就是值得的。如果说带来的经济效益不能匹配投入，就不会带来成功的商业化。但我们同时也必须意识到，科研机构在尖端技术上的前期探索和投入，是值得我们尊敬和支持的。

　　这两种模式是互相需要的。比如品钛在企业信贷(CVX)、大数据风控、智能投顾等金融领域有多年的研发和实战积累，我们有成熟的决策工具，还有自己的设计产品等等。只有外界使用品钛这样的第三方工具，品钛的商业模式才能继续下去。同样，别的公司也不需要自己大规模投入开发，不需要大资源的投入、不需要浪费试错的前提下，也能享受到这样的功能和效果。

　　所以我觉得是首先看你具体要解决什么样的场景和问题，哪种AI的方式能够带来什么好处，再去谈你投入是否值得去大规模投入研发。

　　02 精准 Vs 过度拟合

　　品钛研究院：金融是一个特殊的行业，随着大数据兴起，弱变量也用在了金融风控与预测走势中。这么多元化的数据必然会带来“过度拟合”的问题。如何掌握精准预测与过度拟合的度?

　　李惠科：

　　噪声数据过多确实会直接影响结果，可能会遇到各种问题，这非常考验团队“金融+AI技术”两方面的功底。

　　首先，数据过多本身不是坏事，机器学习过程当中很重要的一个环节就是要进行噪音排除滤波。AI需要去除这种噪音数据，首先就需要有足够的数据。一般来说过拟的现象发生根源的可能有两种，一个是它数据样本规模太小;第二个就是模型参数太多太复杂。

　　因此，从这两方面出发解决的方法一个是增加数据样本规模。我们可以从数据源头获得更多的真实数据，也可以通过增加一些规则来扩充数据，进行数据增强。当然数据增强之后，我们刚才提到要有很好的数据清洗，把噪音数据去掉，可以引入交叉验证比如时序交叉验证等来降低过拟合的可能性。

　　另外一种做法就是减少模型参数。这就涉及更多细分的方法了，一般可以通过一种叫目标函数正则化的方法，降低函数的本身的复杂度。或者，我们也可以降低神经网络的深度，使得运算速度加快、使得模型更泛化，不要做得过于复杂。

　　一般通过这两类角度：数据的角度和模型的角度，可以解决过拟的现象。

　　03 技术黑盒Vs赋能客户

　　品钛研究院：AI、大数据、云计算等高科技技术就像黑盒一样很难描述，如何才能让客户接受一项他可能也不了解的技术?

　　李惠科：

　　如何让客户了解并使用，是AI在应用当中的重要问题。品钛的商业模式是toBtoC的，所以不论是B端客户还是C端客户，都需要能够理解AI技术具体是如何运用和奏效的。

　　一般我们的做法是：把 AI算法的黑盒增加透明度，做成灰盒，用可视化的简单指标解释技术和模型状态。

　　举一个例子，比如说我们在智能投顾的“AI智能调仓”里面就有基于AI的算法规则，我们在设计这个产品时，增加了一个直观的调仓指数——我们告诉客户，通过品钛的智能投顾的算法，基于ABCD等因素，进行调仓的可能性有多少个百分比，让客户感觉到这个产品当中AI正在工作、如何工作、基于什么在工作，而且让他感觉到算法是可控的，而不是天马行空的在后台根本不知道调什么。

　　我们发现把一个黑盒过渡到一个灰盒，增加了一些透明度，对客户接受这个产品非常有帮助。

　　同理，最不能做的，就是在沟通客户的过程当中神化AI。有些地方大家把它讲的越神，效果却是适得其反，客户如果不会使用，商业就是失败的。

　　从业经验让我越来越感觉到，技术人员要回归产品初心，做一个产品或者给客户提供一个服务，不是去追求算法的复杂、功能的炫酷——这样有的时候产品看似功能极致化，但体验会走歪。而是追求对业务产品的深度理解和突破，选择合适的解决方案，达到预期的效果。

　　我们以前设计产品的时候，IT的软件都是给技术人员用的。但近10年以来的所有的用户体验和产品设计的都是用户导向的，给普通人使用的。如果一个产品做的客户不会用，或者需要很复杂的培训才能够使用，就是产品没做好。同样，如果一个产品的AI运用恰到好处，简单还实用，甚至客户没有经过任何培训就可以使用，这才是一个好的产品。

　　04 技术研发Vs商业落地

　　品钛研究院：每一家公司都需要有自己强有力的商业壁垒。您认为对于一家科技金融公司来说，其最终的壁垒究竟是自己技术研发能力，还是商业落地的能力?哪种是您更加推崇的?

　　李惠科：

　　自己研发、通过技术的成熟来取得突破是非常值得尊敬的，很多时候研究上的投入，短期可能打了水漂，但是长期来看，这是 AI进步的真正推动力，是AI的脊梁。但这条路往往都是任重道远的，一般技术的进步需要更长的周期，甚至有些时候还需要其背后的基础理论上的重大突破。

　　企业经营的思路当中会更强调业务场景和技术的实用性，这更现实，也同样很有意义。像品钛，即便我们自身花费大量经费进行技术研发，我们更强调自己是金融科技的实战派、拥有丰富的实战经验以及已有的实践成果。因为商业一定要落地，否则不能称之为商业。

　　技术研发需要商用，商业可以落地技术。我们不空谈一些技术和算法，我觉得更现实的改进方法是我们对业务场景的选择，对要解决的问题的选择，这个远比选择使用什么技术要重要。我们做这个业务选择要有充分的可行性论证，要有优秀的算法科学家，要有足够的数据来训练机器学习，还要有足够的时间去迭代、试错、反复验证和提高，一定不能急于求成。

　　传统的科研理论的进步主要依赖科研机构，现在市场上横向合作也越来越多了，技术公司也会在理论算法研究上投入很多，这些投入虽然都任重道远，但对推动AI革命性进步是意义深远的。

责任编辑：

声明：该文观点仅代表作者本人，如有侵权请联系作者删除，也可通过邮件或页面下方联系我们说明情况，内容由观察者号注册发布，中国经济观察网系信息发布平台，仅提供信息存储空间服务，任何单位、个人、组织不得利用平台发布任何不实信息，一切法律后果都由发布者自行承担。