不成活 不标准 AI金融产品 品钛执行副总裁李惠科 (不成活便成魔是什么意思)

伟大的产品，不一定以「标准化」开始，但一定以「标准化」结束。

如果没有足够标准化的产品、没有十倍领先于行业的商业价值，面对磨刀霍霍的金融机构，面对虎视眈眈的互联网企业，创业公司没有未来。

什么样的AI产品，才能让「金融科技企业」活下来？

为此，雷锋网《AI金融评论》策划了「AI能否解决金融刚需问题」系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行采访，期望在不同的商业和技术认知下捕捉观点碰撞的火花。

在前两篇采访中，我们采访了冰鉴科技CEO 顾凌云 、慧安金科CEO 黄铃 。

本系列的第三篇文章，由品钛执行副总裁李惠科讲述他眼中AI和金融之间的关系。

以下为李惠科的所感所想：

AI已经85岁了。

对于人类而言，85岁已是垂垂老矣；但对人工智能来说，还只是个含苞待放的孩子。

90年代，我上大学，恰好赶上中国人工智能研究起步阶段。

如今在AI领域，应用十分广泛的场景有：人脸识别、自动驾驶等。但我们那会儿，比较火的是模式识别，雷达信号检测、医疗信号检测。

当时，有医疗机构希望把AI应用在核磁共振等「医疗信号检测」项目中，我作为人工智能相关专业的学生，也参与了那一次POC测试。

事实证明，AI在上个世纪90年代，便展示出它十分惊人的效果。

通过训练人工神经网络、识别图像底层结构，人工智能很完美地把缺少的视图补充完整，并将扫描速度提高了整整10倍。

这次POC测试，让我第一次感受到AI的魅力，也见识到了AI强大的跨界能力。

在之后的几十年里，我也不断体会AI在跨界过程中的成功与失败，逐渐形成了一个感悟：“做一个AI产品，一定要结合它具体的业务场景。”

金融是一个数字化程度很高的行业，在财富管理、大数据风控等领域，因为能积累海量数据，使得AI的使用效果较好。

当然，判断AI的实际应用效果是好是坏，通常还需要一系列的量化指标。

在财富管理领域，就比较注重「投资回报率」、「最大回撤率」。此外，还须考虑它的稳定性和开放性。

开放性，指的是AI和其他产品集成的能力；稳定性，意思是AI产品是否足够安全、可用、易于扩展。

具体来讲，我们会评估这个产品的流程开发能力、API接口、可编程用户界面、控制系统、安全、审计、维护等综合技术能力。

当然，并不是所有和人工智能相关的应用，都已经有量化的指标；也不是所有场景，人工智能都可以无限适用。

糟糕的体验

AI被过于神话了。

严肃的讲，在试用一些合作伙伴展示的AI产品时，我的体验很糟糕。

我们经常会遇到这样一个算法，在理论层面，它的准确率非常高，但是应用案例却很少。

比如语音识别，的确，一些大厂的AI语音产品做的越来越好。但是如果你和这些AI日常对话，它仍会错误百出，甚至让你捧腹大笑。

这样的例子不在少数，全球最大的消费级机器人制造商Anki破产；智能驾驶汽车撞人；智能语音助手大半夜突然放音乐等。

目前已经成功的AI相关业务，一般是在特定领域可以抽象化、标准化的。 而个性化、定制化程度高的AI业务，则需要理论化和工程化结合的更敏捷的解决办法。信贷风控就是一个很典型的例子。

在信贷风控场景下，中小企业的日常运作常常不规范，没有统一的标准和形式。数据的来源不同且十分杂乱，必须要进行数据结构化处理以及数据清洗，才能让AI的应用达到比较好的效果。而且要不断积累数据，反复训练，逐步提高。而同样是信贷风控领域，电信场景下因为海量高质量数据的存在，AI的发挥也就更如鱼得水。

找到合适的业务场景，永远应该排在第一位。选择技术，远远没有选择场景、解决痛点重要。

企业家不空谈技术和算法，应该从业务出发，讨论技术的可行性，培养优秀的算法科学家，积累足够多的数据，反复实验验证，一定不能急于求成。

从策略上讲，我们会快速迭代、不断试错、逐步完善产品。

人工智能不用刻意神话，现实中我们遇到的大部分问题，其实一个简单的决策树就可以解决。

一个简单的决策数和统计模型就完全可以处理低维度参数或符合特定规律的数据。

然而，在今天的信贷风控中，我们往往要引入复杂的参数和动态的变量，尤其是现在互联网平台下，那些未被央行征信覆盖的客群，我们需要通过搜集客户在日常工作、生活中产生的海量行为数据，提炼客户画像。

当数据集越来越庞大，我们一般会选择机器学习来处理，如果这时还用单一的决策树或统计模型是显然不合时宜的。

数据想要变废为宝，需要多种方式“出力”；一个行业的发展，更是如此。

赶上时代浪潮

一个科技细分行业想要发展，离不开这个链条中所有上下游公司、以及监管部门的共同努力。

比如5G行业里规则的制定，监管在具体定调之前的调研不仅有本国的公司，还有全球各国企业的共同参与。

这些参与其中的公司，还分下游的运营商、上游的设备商、中间的测试厂商等。

这些厂商和各国政府机构、国际组织一起制定行业规则，每一个服务商在其中都会发挥自己的作用。

金融科技行业的发展也是如此，下游有TO C厂商、上游有数据提供商、中间还有平台解决方案提供商。

每个层级的厂商都会提出自己在这个行业里的见解和看法，同时政府和监管部门也会提出自己的看法，大家一起推动行业的发展。

政府和监管部门跟业界之间的讨论是非常频繁的，一些高级别的监管官员会直接在群里，提各种各样的问题和业内的公司管理者们一起进行思考。

金融科技行业的未来发展不单单依赖于监管机构、企业的群策群力，更关键的是它契合了人们对未来金融产品的期待。

新一代的年轻人在数字化变革当中长大，他们长大后对金融产品的需求不是传统银行业务可以满足的。

AI通过算法向用户主动推荐产品、判断用户的兴趣，可以更好的了解客户、了解市场、保持和客户的连接。

做一个产品或者给客户提供一个服务，不在于追求算法多么复杂、多么炫酷。

我们以前设计的IT产品，大多是给技术人员用。

而近10年以来，所有产品设计的导向是给用户使用。当企业做的产品客户不会用，不是客户不好，是产品没做好。

随着互联网的蓬勃发展，这20年来数据呈现出的爆发式增长，使得人工智能在金融领域创新成为可能，我们赶上了好时候。

而这只是刚刚开始，现在进入这个行业的年轻人创业者和优秀人才，仍有着广阔天地，大有作为。

原创文章，未经授权禁止转载。详情见 转载须知 。

上一篇：数据的交易流通之痛与隐私计算之道华控清交

下一篇：战略全布局丨万字长文联邦学习百度战略布局