江苏龙网

  1. 首页 > 资讯 > 科技 > >

行业互联网|第四范式柴亦飞：低门槛的 AI 平台正在成为一种趋势



行业互联网|第四范式柴亦飞：低门槛的 AI 平台正在成为一种趋势
本文插图

做AI驱动的公司 ， 还是做驱动AI的公司 ， 这是一个问题 。
所谓AI驱动的公司 ， 指的是某个或者某些业务通过AI赋能 ， 业绩大幅提升的公司 ， 比如各大金融机构、大型医疗企业等AI+公司；而所谓驱动AI的公司 ， 是以提供AI技术或者服务为生 ， 提高企业智能化比例的公司 ， 也可称为人工智能技术与服务提供商 。
随着人工智能服务提供商快速的"攻城略地" ， 受AI驱动的公司越来越多 。 但仍有大量企业没有接触或者还未深入应用人工智能 ， 根据麻省理工学院（MIT）访问学者李大维的一份报告 ， 只有32%的中国企业在数据和商业应用方面应用人工智能 。 智能化之路任重道远 。
目前 ， 阻碍众多企业进一步智能化的的因素在于 ， AI系统或者平台的使用门槛过高 。 如何将AI的使用门槛降低 ， 让更大范围的人群也能接触和使用AI ， 成为人工智能技术与服务提供商以及需要AI赋能业务的企业绕不开的一个难题 。
对此 ， 雷锋网「AI金融评论」采访了人工智能技术与服务提供商——第四范式合伙人/副总裁柴亦飞 ， 他向我们讲述了AI在金融领域的落地情况和近期AI在金融方向的一些行业动态 。
以下为柴亦飞的口述：
银行的AI"新需求"
在选择做「AI应用」 ， 还是做其背后的「AI平台」之间 ， 第四范式选择了「AI平台」 ， 将目标客户定位在那些需要通过AI实现智能化转型的企业 。 企业客户可以在我们的「AI平台」上 ， 自己造出10个、100个甚至1000个「AI应用」 。
近两年 ， 我们发现银行等金融客户的需求有了一些新的变化 。
此前 ， 金融机构会比较在意我们提供的AI系统的功能和效果 ， 现在他们也关注它的使用门槛 。
一直以来 ， AI一直由学过建模的专业数据科学家来操作 ， 门槛很高 ， 极大地影响了AI的产能 。 而随着AI在金融机构的普及和规模化应用 ， 头部银行开始希望熟悉业务、但没有学过建模的非计算机专业的员工 ， 也能操作我们的AI平台来开发AI应用 。
第四范式基于自动机器学习技术（AutoML）将机器学习建模的过程自动化 ， 相比原来靠建模科学家「手动建模」 ， AutoML让机器自动建模、迭代 ， 跑出效果 。 根据模型AUC指标 ， 我们发现AutoML的建模效果 ， 并不比人工建模的差 ， 甚至比专业的建模科学家做的还有提升 。 此外 ， 自动化也节省了大量开发时间 ， 比如某客户在做高危客户流失预警模型时 ， 只要用原来1/40的时间就能跑出模型 。
第四范式希望以一个低门槛、低代价的AI平台 ， 让没有机器学习背景的人也能开发AI模型 ， 帮助企业客户在更多重要场景上做AI应用尝试 。 实际上 ， 这种设想已经在很多大型银行里真实落地 ， 而且越来越受市场欢迎 ， 这是我们近来发现的一个新变化 。
"大众化"的三种方法
当然 ， 降低企业客户使用AI的门槛 ， 绝非易事 ， 需要多种方案齐头并进 。
首先 ， 是人才的门槛 ， 这是企业在AI应用中面临的普遍问题 。 现在我们看到大部分银行不会只投入一两个AI应用 ， 他们有几十个甚至上百个AI应用的需求 ， 但核心问题是 ， 这些AI应用需要数据科学来构建 ， 但传统企业并没有足够的AI人才 。 去年Gartner在AI应用现状调查报告中也提到 ， AI人才的匮乏 ， 是目前企业进军AI的首要挑战 。
上面我们提到AI的规模化需要让非机器学习背景的业务人员或者是开发者也能开发AI应用 。 然而JAVA工程师会说没办法做到 ， 因为人工智能太难了 。 这也是为什么我们投入非常多的精力与时间去降低AI平台的使用门槛 ， 目前开发者在经过简单学习后 ， 也能在我们的平台上构建足够好的AI模型 。
其次 ， 是数据的门槛 。 现今很多企业都存有一定的数据 ， 而这些数据是通过BI（商业智能）的方式收集的 。 BI以图形和报表的形式呈现 ， 是给决策层的管理者看的 ， 不能简单地直接用于AI 。 但是客户或者一些帮客户做AI应用的公司 ， 本身没有太重视这个问题 。 最终 ， 在线下用离线数据建造的模型效果很好 ， 但是上线后 ， 常常出现各种问题 ， 这是因为AI不同于BI ， 需要大量完整的、形成闭环的数据 ， 因此构建一个专门的面向AI的数据治理体系 ， 也是十分重要的 。


推荐阅读


上一篇：上观新闻|分辨率相当于口径3千多千米的望远镜，这一系统对火星探测器位置尽在掌握

下一篇：科学|科幻何时照进现实？火星，曾多少次出现在我们的科幻世界