大數據之後，迎來機器學習和AI

大數據這個東西，已經在各行各業被提及很長時間了。

做電商的提大數據，是因為手中掌握的數據多，多得可以把數據服務（其實就是賣數據）當作一種商業模式。

做營銷的提大數據，是為了向客戶表明，自己做的是精準營銷——有別於低效率的傳統營銷。

做生態的（比如汽車生態圈）提大數據，是為了傳遞這樣一個信息：大數據是生態圈的副產品——一個有利於生態圈裡的成員資源共享、資源分配的副產品，相當於人體的血液。

總而言之，提了大數據，就多多少少給人「客觀、科學、靠譜」的感覺。

新媒體「九次方大數據」表示，大數據產業百億級的市場規模，能撬動數萬億的相關市場。其創始人王叄壽表示，未來三年，大數據70%的需求將集中在政府和金融應用。

根據記者的觀察，如今在金融相關行業，一家大數據公司只提「大數據」，已經不足以給人「客觀、科學、靠譜」的感覺了。那麼，現在哪些名詞比較管用呢？機器學習、深度學習、人工智慧，是頻度比較高的幾個。

機器學習、人工智慧、深度學習

Maxent（猛獁反欺詐）的創始人兼CEO張克向東方財經表示，機器學習本身並非什麼新鮮事物，機器學習應用在金融行業也已經很久了。

「上世紀六七十年代，就有機器學習的研究，但更多的是數學層面，而不是應用層面。應用層面的比如邏輯回歸、決策樹等等，其實上個世紀也都開始使用了。」張克說，「因為機器學習本身有很大的長周期波動，所以大家以為是新東西，其實它早就在應用了，只不過這一波機器學習的應用，是和大數據結合在一起的。」

張克詳細解釋了何為機器學習和大數據的結合。

「過去我們金融行業的數據處理能力有限，數據本身也有限。但是業務從線下轉到線上之後，數據量大增，新的GPU的發明，使得計算能力也大增，因此大數據和機器學習走在了一起。業務的發展和技術的發展產生了更多的可能性。」張克說。

對於機器學習與人工智慧的關係，張克表示，所謂人工智慧，是指機器有人一樣的思考能力。「人工智慧的範疇遠遠超過機器學習，機器學習只是其中的一部分，是實現人工智慧的工具之一。」

對於機器學習與深度學習的關係，張克表示，深度學習是機器學習的一個子集。「深度學習就是神經網路的發展。過去的神經網路，能運算的層級比較少。現在的神經網路，能夠處理更多層級的計算，所以應用更廣泛。」

機器學習是基於大數據的演算法，傳統演算法也是基於大數據的演算法。但是，為什麼現在的Fintech（金融科技）公司紛紛投向前者呢？

其中的原因，除了本文開頭所說的「不明覺厲」，還有更重要的原因，即相比於傳統演算法，機器學習有其優越性。

「數據決定了精度的上限。任何一種演算法，都是嘗試著逼近這個上限。」大數據風控企業「極融」的CTO蔣紀勻向東方財經表示，「我們認為，機器學習能更好地逼近這個上限。」

張克同樣這樣認為，他將機器學習與傳統演算法進行了比較。

「以前的演算法更多的是專家規則，用人類的語言就能夠描述清楚。」張克說，「但是人類語言能夠描述的規則，其複雜度是比較低的，其維度是有限的。」

在有限的維度裡面做風控，可以用語言去描述一個規則。但是當業務從線下發展到線上的時候，維度就變得很大了，這時候人類語言是沒有辦法進行描述的。

「比如微信、APP、網站，這些非面對面的、線上的行為，牽涉到的維度太大了，這個時候就要藉助機器學習裡面的模型。」張克說。

「機器學習對於規則系統（傳統演算法）的優勢在於，它是根據數據，實時地調整參數、以及參數的權重。」張克說，「它是自動調節。但是，規則系統是通過人在調節。所以結果就是：機器學習能夠更加迅速地、跟上業務模式和欺詐模式的變化。」

對於機器學習的應用前景，蔣紀勻表示，目前機器學習已經在部分領域實現了商業化，比如精準營銷。但是在金融領域，因為行業的敏感性，以及機器學習的模型偏黑盒，導致機器學習技術還沒有廣泛推廣。

「風控、反欺詐領域跟錢太相關了，相對來說，人還是比較相信自己，而不是機器。」蔣紀勻說。

但他同時表示，兩到三年以後，機器學習會被證明，其在風控領域比傳統風控更好。

張克則表示，Maxent的兩款產品——設備指紋和基於設備指紋的反欺詐產品，都運用了機器學習的技術。

他透露，其反欺詐產品使用了ARIMA模型，這個模型有一個缺陷，會在一定條件下，沒有辦法兼顧「查准」和「查全」。

「二者就像蹺蹺板的兩頭，沒辦法同時達到高數值。」張克說，「但是我們改進了ARIMA模型，又使用了深度學習之後，把『查全』從50%提升到80%，而『查准』只下降了1%——從98%到97%。」

與機器學習相比，人工智慧的應用更靠後。

張克表示，所謂人工智慧，就是讓機器實現人腦的思考能力。但是實際上到目前為止，人類還不知道人腦是怎樣思考的，因此根本談不上實現。

奇虎360董事長周鴻禕，在近期出版的《智能主義》中，表達了對於人工智慧的質疑。

「嚴格來說今天的人工智慧中的計算機，是沒有產生思維的，更不可能產生意識，沒有意識也就談不上情感···機器毀滅人類的世界，還很遙遠···今天所謂的人工智慧，只能叫新瓶裝舊酒，換句話說就是計算機的計算能力的增強，使得過去的演算法有了很快速度的提升。」

周鴻禕的意思是，人工智慧發展到今天還只是量變，尚未實現質變。因此在矽谷轉了一圈之後他認為，「美國現在整個人工智慧會成為下一個產業泡沫」。

雖然人工智慧的實現、和在金融領域的應用，離我們還有距離。但是機器學習在金融領域的應用，則是一個正在實現的過程。而且不可否認的是，在金融領域，科技正在扮演越來越重要的角色。

蔣紀勻表示，風控是金融的核心。現在的很多互聯網金融公司，因為受到互聯網思維的影響，重流量而不重風控，結果產生了大量的風險。

「有些風險是延遲性的，但是遲早會爆發。P2P已經經歷了洗牌，我們認為，消費金融也會經歷洗牌，很多的消費金融公司其實是沒辦法撐下去的。」蔣紀勻說，「接下來一段時間，對於以科技和風控為重的金融公司，會是一個很好的發展時機。」

張克認為，技術的進步為風控、反欺詐等行業，帶來了更多的可能性。

「現在因為有深度學習，以及機器學習的發展，機器可以主動地發現一些、過去發現不了的數據的維度。直接的結果就是：我們有更大的機會，找到那些過去隱藏起來的、沒有辦法計算出來的特徵，從而得出更精準的結論。」張克說。

對於機器學習、人工智慧、深度學習等技術，國內與國外相比是否有明顯的差距，張克表示，這個問題要一分為二地看。

「在演算法和創新上面，美國的確更強，因為機器學習的大牛都在美國——比如四巨頭。但是在數據的量和應用的場景上，我們國家是有優勢的。」張克說，「這也給了我們Maxent這樣的科技金融公司機遇，利用這些技術更好地服務於國內的金融行業。」