第四范式戴文渊:在企业决策中,AI比人类更有优势

2018 年 1 月 11 日 红杉汇

普遍的观点认为,机器是一个很好的执行者而非决策者。但德勤的一份报告指出,到2020年,95%的前一百名公司会采用机器决策。


机器决策似乎势在必行,那么我们如何更好地做到人机协同,利用机器不断优化决策能力?近日,戴文渊在由中国人民银行《金融电子化》杂志主办的第八届“中国金融科技年会”上发表了演讲,并对上述问题作出了解答,以下是部分要点摘录:


▨ 相比于过去依靠人来制定策略,机器制定策略的优势更为明显。

▨ 企业真正需要的不是算法、不是海量的科学家,而是一个AI核心系统,它能够让企业基于自己的数据,自动生成人工智能的能力,从而协助甚至是取代人类进行决策。

▨ 这个核心系统解决了企业应用AI化的所有问题,其中包括过程数据、反馈数据的采集、海量日志管理、机器学习、实时服务等。

▨ 未来的商业世界将由战略管理者协同企业AI核心系统的联合体来主宰。



AI开始接管越来越多的

“策略制定”工作


在企业中,一般会有三种角色。


 第一种角色是战略制定者,通常是企业的高层;

 第二种角色是策略制定者;

▨ 第三种是策略执行者,通常是企业的基层。

 

在互联网和移动互联网时代,越来越多的企业将策略的“执行”交给计算机,但在今天的AI时代,AI改变的实质是什么?我们发现策略制定的工作,也在慢慢地交给计算机来做。

 

相比于过去依靠人来制定策略,机器制定策略的优势更为明显。例如,我们和瑞金医院合作了一个项目,是对未来三年糖尿病患病概率进行预测,我们帮助瑞金医院探索出50万条判断规则,而在此前,中、美两国的传统判断标准只有10-30条,这是数量级层面的巨大提升。此外,在金融领域,过去业界认为最好的反欺诈模型是1000条规则,这是顶级专家能做到的极限。而现在,我们帮助某国内领先的股份制商业银行,可以找到超过25亿条规则。再比如,在内容分发领域,千人千面的个性化推荐应用开始备受推崇,那如何才能做到个性化内容推荐?实际上,只要当业务规律数超过人数,每个人都可以被不同规律覆盖,就能做到个性化了。


企业需要AI核心系统


未来,依靠机器做决策的场景会越来越多,然而企业光靠顶级科学家一个一个去做AI应用,效率太低,无法推广。

 

企业真正需要的不是算法、不是海量的科学家,而是一个AI核心系统,它能够让企业基于自己的数据,自动生成人工智能的能力,从而协助甚至是取代人类进行决策。

 

因此,第四范式打造了“先知3.0”,打通了从数据到业务的闭环,将机器学习产生智能的能力,与企业业务环节连接,形成了一个“机器学习圈”。



“机器学习圈”与人学习的过程类似,分为行动、经验、反思和理论四个步骤(基于教育学理论“库伯学习圈”)。人类学习的过程是先完成一个行动,然后收集到一些关于该行动的反馈,再针对行动和反馈进行思考,最终形成理论,更好的指导未来的行动。

 

如果要让计算机做这个事情,就要将教育学里面的每个步骤对应到计算机可以理解的概念。行动是过程数据,经验是反馈数据,反思是机器学习,最后形成的理论叫做AI模型,该模型直接对接到业务,辅助人进行大量商业分析与决策。

 

未来商业世界的主宰:

战略管理者+企业AI核心系统


基于“机器学习圈”理论,在不同场景下,企业AI核心系统会帮助企业收集产生人工智能所需要的过程数据、反馈数据,再通过封装的超高维机器学习技术,形成各个场景下的“学习理论”,即AI模型,并完成上线生产与应用,实现不同场景的智能化。 



例如,使用“先知3.0”构建这样一个“千人千面”的智能推荐系统大致需要四步:


▨ 行动:先让系统推荐给用户一些文章,或者根据用户初始登陆时自行选择的兴趣标签推荐一部分内容。

▨ 反馈:系统推荐的文章用户是否浏览?浏览时间多长?是否连续浏览相同主题文章?这类用户行为会演变为数据反馈给系统。

▨ 反思:通过以上的用户行为数据,机器开始学习并总结用户的阅读喜好。

 理论:针对用户行为的反思结果生成一套理论,并直接指导线上的推荐业务,从而使应用的推荐更加精准。并最终回归到行动,继续积累行为数据与反馈数据,并以此周而复始,智能不断迭代。


“先知3.0”就是要帮助企业构建这样的AI核心系统。这个核心系统解决了企业应用AI化的所有问题,其中包括过程数据、反馈数据的采集、海量日志管理、机器学习、实时服务等。核心系统的背后,包含了很多门槛非常高的技术,但对于企业主来说,已经无需再关心这些技术问题。


根据德勤报告,到2020年,95%的前一百名公司会采用机器决策。“第四范式先知”企业AI核心系统的推出,为企业建立高度灵活自主的商业智能体系提供基础,扭转了一些企业在智能化转型与竞争中的被动局面。未来的商业世界将由战略管理者协同企业AI核心系统的联合体来主宰。


原标题 / 科学式家|第四范式戴文渊:仅靠算法不能落地智能,企业需要AI核心系统

来源 / 第四范式(nextparadigm)


 推荐阅读

陈春花:领导力源于自我塑造,而非教与学

员工「爱跳槽」,错不在年少轻狂

以最有冲击力的智慧浓缩出的创业「摩西十诫」

罗振宇跨年演讲,十五大密码带你看懂中国式机会

《原则》:成功之前,必先领悟“犯错”的哲学


登录查看更多
1

相关内容

戴文渊,第四范式创始人、首席执行官,ACM大赛世界冠军(2005年),首位获得中国智能界最高奖“吴文俊人工智能科学技术奖”一等奖的企业家,入选《财富》40位40岁下商界精英、《麻省理工科技评论》35岁以下科技创新35人。戴文渊也是人工智能研究领域顶级学者,在下一代人工智能技术“迁移学习”领域,论文引用数排名世界第三(数据根据Google Scholar)。戴文渊是百度最大最成功的AI系统“凤巢”系统设计者,获百度最高奖,是最年轻的百度高级科学家,曾任华为诺亚方舟实验室主任科学家,获华为总裁奖。
可解释强化学习,Explainable Reinforcement Learning: A Survey
专知会员服务
131+阅读 · 2020年5月14日
专知会员服务
125+阅读 · 2020年3月26日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
197+阅读 · 2020年3月8日
阿里巴巴达摩院发布「2020十大科技趋势」
专知会员服务
107+阅读 · 2020年1月2日
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
304+阅读 · 2019年12月23日
人工智能商业化研究报告(2019)
腾讯大讲堂
15+阅读 · 2019年7月9日
企业数据AI化战略:从数据中台到AI中台
36大数据
11+阅读 · 2019年2月18日
业务中台:如何在互联时代,快速响应用户需求?
互联网er的早读课
24+阅读 · 2018年12月26日
关注人工智能:人工智能+ 金融添双翼
专知
5+阅读 · 2018年2月5日
抽奖送书 | 用AlphaGo背后的人工智能做金融投资
机器学习算法与Python学习
5+阅读 · 2018年1月27日
人工智能时代的量化投资策略
七月在线实验室
8+阅读 · 2017年12月19日
Interpretable CNNs for Object Classification
Arxiv
20+阅读 · 2020年3月12日
Arxiv
12+阅读 · 2018年9月5日
Arxiv
7+阅读 · 2018年3月19日
VIP会员
相关资讯
人工智能商业化研究报告(2019)
腾讯大讲堂
15+阅读 · 2019年7月9日
企业数据AI化战略:从数据中台到AI中台
36大数据
11+阅读 · 2019年2月18日
业务中台:如何在互联时代,快速响应用户需求?
互联网er的早读课
24+阅读 · 2018年12月26日
关注人工智能:人工智能+ 金融添双翼
专知
5+阅读 · 2018年2月5日
抽奖送书 | 用AlphaGo背后的人工智能做金融投资
机器学习算法与Python学习
5+阅读 · 2018年1月27日
人工智能时代的量化投资策略
七月在线实验室
8+阅读 · 2017年12月19日
Top
微信扫码咨询专知VIP会员