落地場景與完全信息

采訪中，胡健向i黑馬＆黑智講了一個場景落地的故事。這個場景是金融行業(yè)中的國際結(jié)算業(yè)務(wù)。

國際結(jié)算業(yè)務(wù)不是銀行的最核心的業(yè)務(wù)，但是業(yè)務(wù)量大，每年有幾百億元的收入，而且痛點足夠痛，該業(yè)務(wù)要求審核人員看得懂英文，看得懂合同，是相關(guān)專業(yè)的碩士。銀行一年需要付給一位審核員20、30萬的工資，而且還不一定可以留得住人。

于是，一覽群智便和某銀行一起打造該業(yè)務(wù)的解決方案。期間遇到了很多困難，比如幾萬種不同格式的票據(jù)，甚至還一些票據(jù)有遮擋，怎么樣將票據(jù)變成文本結(jié)構(gòu)化信息？這就牽涉到識別OCR、識別票據(jù)等。這需要對不同非結(jié)構(gòu)化數(shù)據(jù)做OCR。其次，識別完之后，需要抽取信息、分詞等。這個階段，一覽群智要給出各種字段，識別合同內(nèi)涵，比如這份合同講的是一件什么樣的事情？通過報關(guān)單上的“無破損”描述判定物品“外觀完好”等；第三，一覽群智還需要解決語義理解的問題。其中還會牽涉到知識圖譜。別無捷徑，通過大量的數(shù)據(jù)讓機器學(xué)會具體的審核邏輯。

“邏輯很簡單，像人做一些腦力勞動的工作一樣，首先能夠看得懂是什么，將圖片變成文字，并將文字變成結(jié)構(gòu)化信息，再把結(jié)構(gòu)化信息跟專家業(yè)務(wù)產(chǎn)品銜接，這就是知識圖譜，最終去做決策，這是標(biāo)準(zhǔn)的認知過程�！边@個過程中，胡健提到針對不同行業(yè)，構(gòu)建一個類似于專家的規(guī)則系統(tǒng)，有一個與或非的邏輯�！斑@個規(guī)則系統(tǒng)要被抽象得非常靈活。規(guī)則系統(tǒng)與知識圖譜結(jié)合的過程中，漸漸地被抽象成一套模具工廠；原來的知識圖譜只適用于單一的業(yè)務(wù)場景，當(dāng)它應(yīng)用于不同類型的場景，就被進一步抽象。每抽象一下，能解決面臨的多場景或者多業(yè)務(wù)的問題。但突然又來了十幾個不同場景，就會發(fā)現(xiàn)原來的知識圖譜或者規(guī)則系統(tǒng)還是有問題，那就需要再次抽象。這就跟達爾文的進化論一樣。適者生存，不斷進化，滿足不同需求。如此，產(chǎn)品越來越好用�！�

如何沉淀專家經(jīng)驗？如何構(gòu)建規(guī)則系統(tǒng)？以公安領(lǐng)域的反洗錢為例，一覽群智有著類似的實踐。一般反洗錢偵查中，警察會查一查大的進出口資金的流向，設(shè)置一些規(guī)則，篩選出現(xiàn)金流出的TOP10的帳戶，并過濾掉正常帳戶，剩下幾個只進不出的黑洞帳戶，或者進出一致的通道帳戶。順藤摸瓜，就能找到背后的主使者。一覽群智將這些專家經(jīng)驗配置到模型工廠里，把所有數(shù)據(jù)變成因子，變成與或非，或者決策分析的因子，然后拼出一個決策樹。一個決策樹就是一個經(jīng)驗。規(guī)則系統(tǒng)的建立加上專家經(jīng)驗輔助決策，才能夠產(chǎn)生化學(xué)反應(yīng)，讓普通民警具備經(jīng)偵專家的能力。

據(jù)公開資料介紹，一覽群智落地的領(lǐng)域除了金融行業(yè)，還有公共安全和媒體情報。在這些領(lǐng)域，一覽群智有專門的專家團隊解決行業(yè)know－h(huán)ow問題。一覽群智的商業(yè)化戰(zhàn)略一直在碰撞中，“為什么人工智能落地難？因為要不斷碰撞。首先先用邏輯篩選一遍，這個邏輯是技術(shù)的邏輯，是商業(yè)的邏輯，也是與客戶業(yè)務(wù)相關(guān)的邏輯；其次，這些邏輯都符合，才有可能產(chǎn)生10個商業(yè)可能性。拿給客戶，被斃掉9個，只剩下1個，那就先做�！�

上述案例，有一個不可回避的前提是：目前人工智能的技術(shù)限制�，F(xiàn)階段，人工智能只能解決一些偏重復(fù)式的工作。前面提到的國際結(jié)算業(yè)務(wù)便是偏重復(fù)式的、相對閉環(huán)的場景。在閉環(huán)場景里，一覽群智可以知道所有可能的情況。這和張鈸院士提到的人工智能落地的幾個經(jīng)濟中的完全性經(jīng)濟有相似之處。

而在公共安全領(lǐng)域落地的案例，與國際結(jié)算業(yè)務(wù)相比，與人機協(xié)同相關(guān)，更加復(fù)雜。在一個大的任務(wù)里人的腦子有限、計算能力有限、存儲能力有限、加工處理能力有限，而機器可以做這些工作。胡健指出，所謂“機器”指的是“把一些大容量的數(shù)據(jù)全部整干凈”。機器弱點也是明顯的，它無法做出判斷。機器只能對一些已經(jīng)出現(xiàn)過的，并生成技能樹的相關(guān)情況，做出判斷。比如找出涉嫌洗錢的嫌疑人，但這不是最終判斷。人會看一下為什么會認為他有嫌疑？機器的建議再加上人的經(jīng)驗和知覺，做出最終的判斷。人是有常識的，但機器不知道這些。這些常識需要長年累月的積累。

“我們必須遵從人工智能現(xiàn)階段的技術(shù)發(fā)展特征，找到最適合的方式去落地�！边@是一覽群智的落地思路�！拔覀儽M量做一些確定性的、相對封閉的、完全信息的場景。而且這個場景的數(shù)據(jù)又是準(zhǔn)備好的，且解決完之后，又能夠產(chǎn)生商業(yè)價值，有諸多前提。層層限制之下，真正適合AI落地的領(lǐng)域并不多。沒辦法，圈了一下，就這么多。這也是AI公司扎堆落地的原因�！�