【深度学习】基于深度学习的电商交易欺诈检测系统

2017 年 11 月 6 日 产业智能官

来源：思颖 AI研习社

交易欺诈对电子商务带来了巨大的威胁，来自清华大学交叉信息研究院博士后、物理学博士王书浩近日在 AI 研习社的青年分享会上介绍了基于循环神经网络的交易欺诈检测系统——时间侦探（CLUE），他重点讲解了电商欺诈检测这一场景下的三个主要技术难点：非平衡样本学习、实时检测系统、增量模型更新。

▷ 观看完整回顾大概需要 44 分钟

以下为他的分享内容，AI研习社编辑整理如下：

很高兴在这里与大家分享我们跟京东金融合作的一篇论文，这篇论文已经被 ECML-PKDD2017 接收。我们的工作一句话就可以概括，即通过深度学习的方法来进行电商欺诈的检测。我想讲的更多的是从工业落地的角度，去建立一套完整的系统来解决问题。

研究背景

首先介绍一下背景。在电商网站里面，我们经常会遇到两种欺诈。

第一种欺诈是指用户的账户被窃取了，窃取者可能还会得到用户的支付密码，之后他很有可能登录这个用户的账户进行一些欺诈活动，比如说会购买一些商品进行变现，间接的把用户账户里的余额取走。
第二种是现在黑市上可以买到一些假的卡片，比如说假的信用卡，如果这个人能够注册一个新的账户，然后把卡绑定到他的账户名下，他就可以使用这个卡来买商品，然后把商品进行变现。

这两种欺诈有一个共同点，即欺诈用户都会进行商品的购买和变现。这些欺诈用户的行为是不是有一些共同的特点，是否可以通过一种手段去观察整个浏览路径？我们通过交易之前发生的一系列的动作，可以判断出这个用户到底是正常用户还是被怀疑为欺诈的用户。

上面这个表左边展示的是正常用户的浏览路径，可以看到这个用户最后买了一个 128G 的 wifi 版玫瑰金 iPad Pro，整个浏览路径非常有规律。对于欺诈用户而言，看右边这两个用户，从统计上来说有两个比较鲜明的特点。

第一个是用户非常简单粗暴，购买的都是一些虚拟物品，因为虚拟物品可以随时变现。
第二个是用户的浏览行为没有逻辑性，他首先访问京东，然后搜索苹果，浏览了一堆苹果的商品，但可以看到浏览的这些商品没有太大的关联性，我们系统中会记录这是一次欺诈行为。

整个系统的中文名叫做时间侦探，时间是指观察用户在整个浏览序列里面的时序数据，然后用深入学习的办法来对它进行建模。我们所能拿到的数据就是京东上产生的用户的浏览历史，再加上我们的系统去观察，之后系统会给出对整个浏览行为的风险判定，我们得到的其实是风险评分。处于用户隐私角度的考虑，我们的浏览历史里面没有关于这个用户 ID 的任何信息。

技术挑战

一个非常直接的挑战首先是我们拿到的样本是一个非常不平衡的样本，这就是所谓的非平衡样本的学习问题。从上面这幅图中可以明显看到欺诈用户和正常用户的占比大概是千分之一，非常小。在研究过程里面，我们固定了千分之一的欺诈占比，又称异常占比。异常占比小的问题会对系统的学习造成很大的干扰。

第二个非常严峻的问题就是访问量太大了。京东现在有超过 2.2 亿的活跃用户，单就 PC 端来说，每天 session 的数目大概都是在千万的量级，真正发生交易的 session 数目大概也有百万量级。这个系统其实只看发生交易的 session，一天大概要处理掉百万的访问，这对系统压力是非常大的。

在欺诈领域还有一个非常有意思的现象。欺诈其实是人产生的，既然有人在，整个欺诈行为就会随时间发生变化。上面这幅图里展示的就是欺诈用户喜欢购买的商品。比如在 1 月份可以看到欺诈用户特别喜欢 2 号商品，但随着时间发展，到 10 月份时，这些用户对 2 号商品就没那么感兴趣了。我们的系统需要去适应用户行为的改变，我们需要周期性的对模型进行不断的更新。

建模方法

接下来讲对这个问题的建模方法。我们文章里面只是做了一个欺诈检测，但出现的建模方法同样可以用在商品推荐或是商品建模等其他领域，包括用户画像。

细化我们面临的问题。上图展示的是用户在京东的整个浏览行为序列，首先访问主页，他可能会看一些促销页，然后可能会看一些列表页，然后浏览各种商品，最后进行结算。可以注意到在整个 URL 里面，商品列表页和商品的详情页是最难编码的。

我们的服务器在用户每次点击的时候都会记录下这些信息，比如用户 IP，访问了哪个 URL，包括用户浏览器、操作系统的信息。对这些信息进行编码之后就可以让机器去学习。

怎么进行编码？其实模型输入的并不是原始信息，在实际操作过程中需要用一些方法来把这些信息变成机器能够认识的信息。我们采用的方法比较简单。可以先忽略 URL，进行 One-Hot 编码。One-Hot 编码指的是在一个向量里面只有一位是 1，其他的位都是 0。

在用户浏览行为里有一个非常重要的信息叫停留时间，停留时间比较难获取，我们采用了统计上比较符合常理的做法——把下一个页面点击的时间和上一个页面点击的时间减一下，然后认为是用户在这个页面上整体停留时间。

对 URL 的编码我写了两种编码方式，在 URL 里面很多页面都可以归为 Category 或 Item 这两个门类。商品的列表页和详情页实在太庞大了，如果用 one-hot 编码将是一个非常大的数目。

京东上商品的浏览特别符合非常陡峭的幂律分布，我们可以对采集到 session 里面的大部分浏览行为进行 item 编码，如果浏览的商品没出现在编码过的 item 里面，我们就单独进行编码。

我们编码采用的方式是 Item2Vec，这种方法的思路和 Word2Vec 一样，Word2Vec 相当于把出现在相同语境下的词之间的距离进行最小化。Item2Vec 是先给这个商品赋一个随机向量，然后根据商品在不同语义中出现的情况，对我们赋的向量进行优化。我们在研究中采用了一个 25 位的向量，能覆盖大概 90% 我们所研究的商品。上表展示的就是 Item2Vec 的一个结果。

我们来看一个更为广泛的例子，随机在三个品类里面找出若干个商品，然后进行 Item2Vec 编码再进行降维。我们采用了汽车用品、手机和附件、个人护理这三个类别。可以看到这三种类型的商品在这个二维的空间里面比较明显的被分割到三个不同的区域，这说明 Item2Vec 的有效性还是很强的。我们做的 Item2Vec 编码参考的完全是用户的浏览行为，没有跟商品的标题做语意上的匹配。

我们可以把 URL 的编码划分成三部分，第一部分是 URL 的类型，第二部分是 category，第三部分是 item Vector。我们把所有用户的点击行为做完了编码之后，每一次点击都可以得到一个编码后的向量，用户的整个浏览行为就可以看成一个向量的组合，最后我们再从数据表里面去找这个 session 是正常的还是被举报过的。

还有一个问题需要解决。在训练神经网络的时候，每一个 session 的长度都可能是不固定的，可能第一个 session 的点击数是六个，第二个 session 的点击数只有三个，那么怎么来处理这种不相等的问题？首先我们确定一个最大点击数目，在文章中我们设置这个数目为 50，也就是说从 checkout 的页面往前数 50 个点击，进行一个截取之后，然后把长度没有达到 50 的后面全都补 0。在取最后结果的时候，一定要在 checkout 位置去取，如果在最后一个位置取的话，会出现错误。

最后把这些送到 RNN 里面学习。我们在研究里面采用的框架是 TensorFlow，所用到的东西都是 TensorFlow 定义好的。我们采用的是如上图 LSTM 的结构，可以采用多层的 LSTM 结构。

如何解决技术难题

接下来讲一下怎么去解决刚才说的那些技术难题。

第一是解决非平衡样本问题。在这个工作里面采用两个比较简单的方法，第一个方法是从数据的层面，我们直接把正常用户的数目随机减去 4/5。对于欺诈用户，我们没有做任何操作。在训练数据里原来的占比是 1‰，经过采样之后把数目调整到 5‰。在验证集和测试集上还是保持原来 1‰的占比。

在模型层面，我们采用 Thresholding 法，它的思路非常简单。我们的模型是一个二分类问题，要么欺诈，要么正常，模型输出的是一个连续变量，如果更偏重于 1，我们认为它是欺诈用户的可能性更大。

第二个问题就是如何解决庞大的访问量，我们整个系统的架构如上图所示。架构分成两部分，下面是训练，上面是进行预测，训练采用的是 Tensorflow，预测用了 Tensorflow Serving 的开源模块。下面是模型进行滚动更新的部分，更新后的模型会送到上面，然后会有 QA 模块进行决定是否切换掉现有的模型。

我们有两种模型更新的办法——全量数据更新和增量数据更新。全量数据的好处在于每次模型优化能够达到一个比较好的结果，增量数据的好处是不需要把历史数据全都拿过来。从时间上来看，增量更新会比较节省时间和计算资源，我们在这个研究里面采用的是增量更新的办法。

研究成果展示

最后给大家展示一下我们研究的一些结果。

对于非平衡样本问题，用 PR 曲线能有效的看出模型性能。图中是初期的一个结果，现在的准确率比图中高很多。采用 4-64 的性能最好。

我们还有一个更详细的表，固定 recall 是 30%，异常占比为 1‰。可以看到随着层数的增加，性能还是有一些增加的，但是随着 unit 数目的增加，在有些地方可能就会产生一些过拟合。

如上图，通过跟传统的一些方法的对比也展示了 RNN 的优越性。

我们也做了一些实验来对比增量模型更新与全量模型更新。我们把数据分成若干时间段，然后用下一个时间段来测试当前时间段模型的性能，橙色线是初始的模型，我们只用第一个时间段的数据训练好模型，后面不进行优化，可以看到橙色线跟另外两条线的差距越来越大，也即随着用户行为的变化，第一个时间段训练的模型越来越不能在实际中使用了。

结果展示

最后展示的是我们做的比较有意思的一个结果。这幅图里用户的行为可以比较明显的区分出来。例如右上角，这部分样本表示在 session 里面没有发现用户在浏览商品，而直接进行了付款，这是为什么？因为我们并没有把用户从第一个商品浏览到最后全部采集下来。后续我们把用户的浏览行为拼接起来，找到之前的 session，这样的话性能会更好

深度学习大热以后各种模型层出不穷，主流的深度学习模型有哪些？

来源：好好做自己

深度学习大热以后各种模型层出不穷，很多朋友都在问到底什么是DNN、CNN和RNN，这么多个网络到底有什么不同，作用各是什么，深度学习的主要分类是什么呀？

分享之前我还是要推荐下我自己创建的大数据学习资料分享群 232840209，这是全国最大的大数据学习交流的地方，2000人聚集，不管你是小白还是大牛，小编我都挺欢迎，今天的源码已经上传到群文件，不定期分享干货，包括我自己整理的一份最新的适合2017年学习的前端资料和零基础入门教程，欢迎初学和进阶中的小伙伴。

深度学习大热以后各种模型层出不穷，很多朋友都在问到底什么是DNN、CNN和RNN，这么多个网络到底有什么不同，作用各是什么，深度学习的主要分类是什么呀？这些网络cnn dbn dnm rnn是怎样的关系？这个问题的机会，我也想介绍一下主流的神经网络模型。因为格式问题和传播原因，我把原回答内容在这篇文章中再次向大家介绍。

在更详细的介绍各种网络前，首先说明：

大部分神经网络都可以用深度(depth)和连接结构(connection)来定义，下面会具体情况具体分析。

笼统的说，神经网络也可以分为有监督的神经网络和无/半监督学习，但其实往往是你中有我我中有你，不必死抠字眼。

有鉴于篇幅，只能粗略的科普一下这些非常相似的网络以及应用场景，具体的细节无法展开详谈，有机会在专栏中深入解析。

文章中介绍的网络包括：

1. 有监督的神经网络(Supervised Neural Networks)

1.1. 神经网络(Artificial Neural Networks)和深度神经网络(Deep Neural Networks)

追根溯源的话，神经网络的基础模型是感知机(Perceptron)，因此神经网络也可以叫做多层感知机(Multi-layer Perceptron)，简称MLP。单层感知机叫做感知机，多层感知机(MLP) 人工神经网络(ANN)。

那么多层到底是几层？一般来说有1-2个隐藏层的神经网络就可以叫做多层，准确的说是(浅层)神经网络(Shallow Neural Networks)。随着隐藏层的增多，更深的神经网络(一般来说超过5层)就都叫做深度学习(DNN)。然而，“深度”只是一个商业概念，很多时候工业界把3层隐藏层也叫做“深度学习”，所以不要在层数上太较真。在机器学习领域的约定俗成是，名字中有深度(Deep)的网络仅代表其有超过5-7层的隐藏层。

神经网络的结构指的是“神经元”之间如何连接，它可以是任意深度。以下图的3种不同结构为例，我们可以看到连接结构是非常灵活多样的。

图片来源：10 Misconceptions about Neural Networks

需要特别指出的是，卷积网络(CNN)和循环网络(RNN)一般不加Deep在名字中的原因是：它们的结构一般都较深，因此不需要特别指明深度。想对比的，自编码器(Auto Encoder)可以是很浅的网络，也可以很深。所以你会看到人们用Deep Auto Encoder来特别指明其深度。

应用场景：全连接的前馈深度神经网络(Fully Connected Feed Forward Neural Networks)，也就是DNN适用于大部分分类(Classification)任务，比如数字识别等。但一般的现实场景中我们很少有那么大的数据量来支持DNN，所以纯粹的全连接网络应用性并不是很强。

1. 2. 循环神经网络(Recurrent Neural Networks)和递归神经网络(Recursive Neural Networks)

虽然很多时候我们把这两种网络都叫做RNN，但事实上这两种网路的结构事实上是不同的。而我们常常把两个网络放在一起的原因是：它们都可以处理有序列的问题，比如时间序列等。

举个最简单的例子，我们预测股票走势用RNN就比普通的DNN效果要好，原因是股票走势和时间相关，今天的价格和昨天、上周、上个月都有关系。而RNN有“记忆”能力，可以“模拟”数据间的依赖关系(Dependency)。为了加强这种“记忆能力”，人们开发各种各样的变形体，如非常著名的Long Short-term Memory(LSTM)，用于解决“长期及远距离的依赖关系”。如下图所示，左边的小图是最简单版本的循环网络，而右边是人们为了增强记忆能力而开发的LSTM。

同理，另一个循环网络的变种 – 双向循环网络(Bi-directional RNN)也是现阶段自然语言处理和语音分析中的重要模型。开发双向循环网络的原因是语言/语音的构成取决于上下文，即“现在”依托于“过去”和“未来”。单向的循环网络仅着重于从“过去”推出“现在”，而无法对“未来”的依赖性有效的建模。

递归神经网络和循环神经网络不同，它的计算图结构是树状结构而不是网状结构。递归循环网络的目标和循环网络相似，也是希望解决数据之间的长期依赖问题。而且其比较好的特点是用树状可以降低序列的长度，从降低到，熟悉数据结构的朋友都不陌生。但和其他树状数据结构一样，如何构造最佳的树状结构如平衡树/平衡二叉树并不容易。

应用场景：语音分析，文字分析，时间序列分析。主要的重点就是数据之间存在前后依赖关系，有序列关系。一般首选LSTM，如果预测对象同时取决于过去和未来，可以选择双向结构，如双向LSTM。

1.3. 卷积网络(Convolutional Neural Networks)

卷积网络早已大名鼎鼎，从某种意义上也是为深度学习打下良好口碑的功臣。不仅如此，卷积网络也是一个很好的计算机科学借鉴神经科学的例子。卷积网络的精髓其实就是在多个空间位置上共享参数，据说我们的视觉系统也有相类似的模式。

首先简单说什么是卷积。卷积运算是一种数学计算，和矩阵相乘不同，卷积运算可以实现稀疏相乘和参数共享，可以压缩输入端的维度。和普通DNN不同，CNN并不需要为每一个神经元所对应的每一个输入数据提供单独的权重。与池化(pooling)相结合，CNN可以被理解为一种公共特征的提取过程，不仅是CNN大部分神经网络都可以近似的认为大部分神经元都被用于特征提取。

以上图为例，卷积、池化的过程将一张图片的维度进行了压缩。从图示上我们不难看出卷积网络的精髓就是适合处理结构化数据，而该数据在跨区域上依然有关联。

应用场景：虽然我们一般都把CNN和图片联系在一起，但事实上CNN可以处理大部分格状结构化数据(Grid-like Data)。举个例子，图片的像素是二维的格状数据，时间序列在等时间上抽取相当于一维的的格状数据，而视频数据可以理解为对应视频帧宽度、高度、时间的三维数据。

2. 无监督的预训练网络(Unsupervised Pre-trained Neural Networks)

2.1. 深度生成模型(Deep Generative Models)

说到生成模型，大家一般想到的无监督学习中的很多建模方法，比如拟合一个高斯混合模型或者使用贝叶斯模型。深度学习中的生成模型主要还是集中于想使用无监督学习来帮助监督学习，毕竟监督学习所需的标签代价往往很高…所以请大家不要较真我把这些方法放在了无监督学习中。

2.1.1. 玻尔兹曼机(Boltzmann Machines)和受限玻尔兹曼机(Restricted Boltzmann Machines)

每次一提到玻尔兹曼机和受限玻尔兹曼机我其实都很头疼。简单的说，玻尔兹曼机是一个很漂亮的基于能量的模型，一般用最大似然法进行学习，而且还符合Hebb’s Rule这个生物规律。但更多的是适合理论推演，有相当多的实际操作难度。

而受限玻尔兹曼机更加实际，它限定了其结构必须是二分图(Biparitite Graph)且隐藏层和可观测层之间不可以相连接。此处提及RBM的原因是因为它是深度信念网络的构成要素之一。

应用场景：实际工作中一般不推荐单独使用RBM…

2.1.2. 深度信念网络(Deep Belief Neural Networks)

DBN是祖师爷Hinton在06年提出的，主要有两个部分: 1. 堆叠的受限玻尔兹曼机(Stacked RBM) 2. 一层普通的前馈网络。

DBN最主要的特色可以理解为两阶段学习，阶段1用堆叠的RBM通过无监督学习进行预训练(Pre-train)，阶段2用普通的前馈网络进行微调。就像我上文提到的，神经网络的精髓就是进行特征提取。和后文将提到的自动编码器相似，我们期待堆叠的RBF有数据重建能力，及输入一些数据经过RBF我们还可以重建这些数据，这代表我们学到了这些数据的重要特征。

将RBF堆叠的原因就是将底层RBF学到的特征逐渐传递的上层的RBF上，逐渐抽取复杂的特征。比如下图从左到右就可以是低层RBF学到的特征到高层RBF学到的复杂特征。在得到这些良好的特征后就可以用第二部分的传统神经网络进行学习。

多说一句，特征抽取并重建的过程不仅可以用堆叠的RBM，也可以用后文介绍的自编码器。

应用场景：现在来说DBN更多是了解深度学习“哲学”和“思维模式”的一个手段，在实际应用中还是推荐CNN/RNN等，类似的深度玻尔兹曼机也有类似的特性但工业界使用较少。

2.1.3. 生成式对抗网络(Generative Adversarial Networks)

生成式对抗网络用无监督学习同时训练两个模型，内核哲学取自于博弈论…

简单的说，GAN训练两个网络：1. 生成网络用于生成图片使其与训练数据相似 2. 判别式网络用于判断生成网络中得到的图片是否是真的是训练数据还是伪装的数据。生成网络一般有逆卷积层(deconvolutional layer)而判别网络一般就是上文介绍的CNN。自古红蓝出CP，下图左边是生成网络，右边是判别网络，相爱相杀。

熟悉博弈论的朋友都知道零和游戏(zero-sum game)会很难得到优化方程，或很难优化，GAN也不可避免这个问题。但有趣的是，GAN的实际表现比我们预期的要好，而且所需的参数也远远按照正常方法训练神经网络，可以更加有效率的学到数据的分布。

另一个常常被放在GAN一起讨论的模型叫做变分自编码器(Variational Auto-encoder)，有兴趣的读者可以自己搜索。

应用场景：现阶段的GAN还主要是在图像领域比较流行，但很多人都认为它有很大的潜力大规模推广到声音、视频领域。

2.2. 自编码器(Auto-encoder)

自编码器是一种从名字上完全看不出和神经网络有什么关系的无监督神经网络，而且从名字上看也很难猜测其作用。让我们看一幅图了解它的工作原理…

如上图所示，Autoencoder主要有2个部分：1. 编码器(Encoder) 2. 解码器(Decoder)。我们将输入(图片2)从左端输入后，经过了编码器和解码器，我们得到了输出….一个2。但事实上我们真正学习到是中间的用红色标注的部分，即数在低维度的压缩表示。评估自编码器的方法是重建误差，即输出的那个数字2和原始输入的数字2之间的差别，当然越小越好。

和主成分分析(PCA)类似，自编码器也可以用来进行数据压缩(Data Compression)，从原始数据中提取最重要的特征。认真的读者应该已经发现输入的那个数字2和输出的数字2略有不同，这是因为数据压缩中的损失，非常正常。

应用场景：主要用于降维(Dimension Reduction)，这点和PCA比较类似。同时也有专门用于去除噪音还原原始数据的去噪编码器(Denoising Auto-encoder)。

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。