頂級風控專家William Yao：美國銀行在人工智能應用上已經很成熟，國內仍停留在表面
【數據猿導讀】 姚博士對雷鋒網表示，美國的銀行利用機器學習等人工智能技術用得很深，用人工做決策的已經比較少，但是，國內卻停留在“talk-the-talk”層面，應用實踐更多是浮于表面，并直接指出國內很多金融機構的“大數據”并非大數據
在昨日由前海聯(lián)控、創(chuàng)大資本、前海夢工場聯(lián)合舉辦的前海國際科技創(chuàng)新峰會期間，全球個人信用風險評估體系的締造者，全球領先的預測分析和決策管理公司FICO的早期創(chuàng)始成員，前花旗銀行、匯豐銀行、陸金所等國際級金融機構首席風控官William Yao(姚志平)博士分享了“人工智能、金融科技在美國銀行的最佳實踐”。
姚博士對雷鋒網表示，美國的銀行利用機器學習等人工智能技術用得很深，用人工做決策的已經比較少，但是，國內卻停留在“talk-the-talk”層面，應用實踐更多是浮于表面，并直接指出國內很多金融機構的“大數據”并非大數據。
以下是姚博士的演講：
何謂大數據?一正一反的例子
今天我想跟大家分享一下美國的銀行，是如何用大數據和人工智能來產生實效的。美國的這些銀行啊，他在用大數據和人工智能方面，真的是用得很廣泛。他們用人工做決策的比較少，而且他做得很深。比如說花旗銀行，這銀行請了個很有名的物理學家——混沌理論的創(chuàng)始人，負責做模型。這個物理學家希望用他的理論來創(chuàng)造銀行的價值和增加預測的精準度。此外，銀行還請過地震學家，專門預測地震的，用地震的方法來預測一個人會好或是壞。還有用數學家、計算機學家，把世界各個行業(yè)的精英召集起來做預測。大家注意，這樣的機構不是科學院，而是個銀行啊。那么，關于大數據，我今天講兩個(案例)，一個反面，一個正面。
大數據不是“多”，分析結果也要有群體效用
大數據是一個很俗的詞了，哪里都可以聽到大數據，但是很多人講的卻不是大數據。比如某個銀行，花了幾千萬人民幣，每天在找?guī)讉€億的數據。這就是大數據。扒完后，他就說看到上午某個人9點半在星巴克喝了咖啡，下面又去干嘛干嘛了，覺得厲害。其實這不是大數據，因為大數據不是找一個人，而是找一群人。這是一個例子。
此外，還有專門研究電信大數據的人。他們說，發(fā)現如果有人打電話進來，結果打完后時間很長的，這個人肯定打電話的是老板。呵呵。他覺得這就是大數據。
各位在坐很多是領導、老總。我建議啊，美國的老板是這么做的——他會問，
第一，“你說的這個事(這種特性)到底有多少人?”
第二，你找到了做這個事和不做這個事的人的分辨率和預測率是多少?
做領導的要問這些問題。
如果是20人左右不是大數據;如果說100萬人有這個行為，就是大數據了。
關于第二個問題，我舉個例子，銀行說找到了足夠的人來做這個事，不能找到幾個人。但除此之外，如果只找到他們去喝咖啡，也是沒用的。這不是大數據。
統(tǒng)計上要跟別人從本質上不一樣，必須滿足了這兩個條件才是有價值的大數據分析。
各位老板，以后你們的下屬跟你報告，你就這樣子問他——找到了多少人，做這個事和不做這個事的區(qū)別有多大?一定要這樣做，才會往前走。
方法太淺，數據價值發(fā)揮不出
20年前的信用卡積累到，肯定是大數據了。特別是信用卡的交易數據。比如，中國的銀行有1000萬的信用卡，很多了哈，假如銀行1000萬的信用卡，一個人做10條交易，一年就是12億的數據了。這個數據很巨大。
那么，金融的交易數據為何有用呢?今天的銀行很多做預測模型，都是總結好的數據來做預測，用1萬元來做預測。比如說賭博、買酒喝啊，去飯店吃飯、買書啊。信用卡交易可以做這些方面的預測。
當然了，光是這個也不叫大數據，因為太淺了。所以美國在幾十年前做這個東西就有套理論——他們認為，銀行的任務是了解客戶的狀態(tài)空間，所以要知道客戶的創(chuàng)造空間。銀行要去了解這個空間，要了解這個人。
但是，實際上任何一個國家，不可能了解每個人的所有狀態(tài)面，這是做不到的，也很難做到。于是有個人創(chuàng)造了這么個理論——這個理論是指，我應該是了解這個人的創(chuàng)造空間，知道他的XYZ，但跟真實的狀態(tài)空間并不關聯(lián)。這個理論有套東西可以證明——只要變量觀察得足夠長，就是XI+和XI+，就可以跟真的需要找的人的狀態(tài)空間有點重合。
我們講大數據啊，如果你光是用來做這些，這不是大數據，因為太簡單了。但是知道這個的人就已不多了。相信在坐也沒多少人知道這個理論，比如用一個變量的離散空間，構造出來的空間。反正按照目前的樣子，老板聽起來，就覺得這個東西是值錢的。
美國是怎么做呢?他是拿了千萬人的信用卡數據，我們試了3000多的變量，就找到了250個變量。我們分析這250個變量，“做這個事”和“不做這個事”有足夠的預測率，最后變成的模型。
所以，技術的核心是：
如何對這些變量進行構造?
人工智能：擅長于多因子分析
人工智能，美國銀行用得比較狹義，就是機器學習，用計算機來學習一樣東西，讓機器幫我們做更好的決策。
40年前，美國的MIT管理學院做了研究：盡管智商很高的人，人的大腦就是擅長于做單因子的分析。100萬人在我們面前，要識別出好的還是壞的，人很擅長做這樣的分析——學歷好和學歷低的風險、有房子和沒房子的人的風險(當然了，現在我們的房價高)、收入高和收入低的風險、女生和男生、年齡大和年齡小的風險的對比……這些都是人的單因子的分析。
但是如果我給你個問題，站在你面前是100人，都是男生，都是收入10萬元一年，都是一套房子，三張信用卡，什么情況都一樣，，這幾個變量都有了，你告訴我誰在將來12個月中的壞帳比例是多少?想象一下，在坐的各位任何人都無法回答這個問題，讓愛因斯坦來回答也回答不了。
人的大腦擅長做單因子的分析，不擅長于做綜合因子的判斷。誰擅長呢?誰擅長在幾十個、幾百個概念中做綜合判斷呢?計算機——只要給它數據，它都可以幫你計算出來。這是人工智能值得我們學習的東西。
“他們沒有感情偏差，能夠通過大量數據和權重計算出評分。”
美國幾乎各大銀行都在用機器學習做決策，這是機器學習一個很好的方面。各位如果有足夠的數據、大數據，去造一些預測模型，你做的決策會比人類做的決策精準度要高很多，結果要好。
來源：雷鋒網
刷新相關文章
我要評論
活動推薦more >
- 2018 上海國際大數據產業(yè)高2018-12-03
- 2018上海國際計算機網絡及信2018-12-03
- 中國國際信息通信展覽會將于2018-09-26
- 第五屆FEA消費金融國際峰會62018-06-21
- 第五屆FEA消費金融國際峰會2018-06-21
- “無界區(qū)塊鏈技術峰會2018”2018-06-14
