0
據近日美國斯坦福大學一份報告顯示，2020年，中國在學術期刊上有關AI的論文引用率占比為20.7%，美國為19.8%，這是中國首次超過美國。一時間“AI”再次進入公眾視野，引起熱議。
對于普羅大眾而言，AI似乎還只是科幻電影的創作素材，AI工程師作為一份職業更是遠不為大眾所知。但實際上AI早已與現實生活融為一體。
尤其是疫情爆發以來，AI在金融科技、智能客服、城市治理、醫療問診等多個領域所展現出的高效服務能力令人驚嘆不已 。
樂信自2016年起全面發力人工智能，打造了“靈犀”AI智能運營平臺、“鷹眼”智能風控引擎、“蟲洞”小微金融資產處理技術平臺等技術平臺，將AI全面用于獲客、風控、運營業務全鏈條，極大提升運營效率，降低平臺風險。
樂信3位年輕AI工程師專家將通過講述他們的工作日常，為我們掀開AI世界的真實一角。
Tim是樂信AI團隊骨干，癡迷于研究基于AI技術構建的風控模型工具。
2008年，他從國防科技大學畢業，只身赴美紐約大學繼續攻讀通信和電子專業，隨后進入當地一家金融公司。
2013年回國，輾轉金蝶、OPPO金融多家公司后，于2017年加入樂信。從開發領域到數據領域，最終將重心落在如今的AI領域，Tim認為這是他的心中所愛。
Tim的工作是利用AI建模技術解決風控領域中用戶資質識別難題。通常情況下，AI工程師能夠拿到兩種數據，一種是用戶的特征，如年齡、學歷、收入等，另一種是用戶的標簽，如歷史上是否有過逾期行為等。
根據這些特征參數，可以進行模型訓練生成風控工具，從而輔助預測一個新用戶的資質優劣。這種建模的過程，被稱之為機器學習，也可以稱為“監督型機器學習”。
Tim習慣于將AI建模的過程比喻成烹制一道美食。一道美食的誕生，往往是從購買食材到擇洗食材，從烹飪美食到品嘗美食，直至最終端上餐桌。
而一個輔助風控子模型的誕生，也是如此——數據積累-數據清洗-特征工程-模型訓練-模型評估-模型應用。
由此可見，數據是模型熱切期盼的“食材”，數據越豐富，AI越喜歡，數據的采集、挑選、清洗、加工是構建模型的基礎。
但如今，數據大爆炸的同時，監管部門對數據挖掘和使用的管理也更為嚴格規范，用戶數據隱私保護力度大大加強，數據使用成本越來越高、風險越來越大。用慣了“大數據”的AI工程師，要適應在“小數據”環境下生存，這對Tim們的日常工作構成了不小的挑戰。
“我們公司對數據的獲取和使用一直都有嚴格限制，遵循最小化原則，這就要求在數據挖掘和使用方面下更多的工夫，讓有限的數據產生最大化價值。”Tim說，就好比做飯，烹飪界公認的最考驗廚藝的一道飯是蛋炒飯。
目前，樂信公司層面也在大力推進隱私計算，希望通過聯邦學習、聯合建模的方式，打破數據孤島，既充分利用行業積累的用戶數據，又避免用戶隱私信息泄露，一石二鳥。
Tim介紹，目前，樂信已與主流數據廠商開展聯邦學習聯合建模工作，用于在獲客、授信、回撈等場景，模型效果在原有基礎上提升15%-20%。
AI領域坊間流傳有這樣一句話：“數據和特征決定機器學習的上限。”換言之，和數據一樣，特征工程也是建模流程中的核心環節。特征工程應用了數學、統計學、信息論、計算機科學、行為經濟學等理論指標，但更重要的是AI建模團隊對核心業務的理解。
“不同業務的模型對特征的需求很不一樣，“拿‘用戶下單時間’來說，有秒數、小時數、日期、年份四個特征，哪個特征對風控模型作用更大？這就取決于我們對風控業務的理解。”Tim說。
Tim現在每周至少游泳4次，他解釋說，團隊很多小伙伴都有健身的習慣。
“風險控制是對樂信這樣的公司，以及我們AI團隊所有小伙伴的核心要求，甚至內化為潛意識或者說本能，這種本能確實會影響到我的生活習慣，就是要學會控制健康風險。”
在Tim等模型人員和風控團隊不懈努力下，樂信平臺風險表現穩定向好。財報顯示，截至今年1季度末，樂信平臺90天以上的逾期率為1.84%，新增借款的FPD30已經連續8個月保持在1%以下。
目前樂信1天以上的逾期率為4.92%，比去年同期8.08%降低40%；最新壞賬回收實現回收率和回款金額創歷史新高，歷史不良資產回收率比去年同期提高30%。
一端是億萬情況各異的消費者，希望通過分期付款購買形形色色的商品，另一端是上百家偏好不一的金融機構，希望把為合適的消費者提供金融服務。
居中的平臺如何“穿針引線”，實現用戶體驗和銀行偏好的高效滿足？對于這一存在無數變量的系統性復雜難題，樂信AI工程師Juana一直孜孜不倦地試圖用AI尋求最優解。
2006年，Juana進入中國科學技術大學計算機專業就讀，本科畢業后她選擇了保送本校碩博連讀，于2016年拿到博士學位。
近10個春秋，Juana在實驗和數據的“森林”里徒步，這場苦旅似乎讓她變得不茍言笑、謹言慎行，但卻塑造起她對于數據的敏感、細心，對于技術的嚴謹、理性。
2018年進入樂信后，實驗室文化熏陶下的務實邏輯，成為她帶領團隊利用AI技術破解數據風控、反欺詐、資金資產匹配等難題的主要思維。
2017年，棋風靈活多變的圍棋天才柯潔因0比3落敗給機器人AlphaGo而淚灑賽場，讓人感受到人工智能的實力。
“AlphaGo每一次落子，都依賴于大量的決策機制，或者說背后有一個‘獎勵函數’，它可以計算出在當下狀態采取何種措施可獲得何種結果，通過對比結果的優劣，AlphaGo就能明白下一步該如何決策。”Juana說。
樂信的資金資產匹配系統“蟲洞”和AlphaGo類似。“資金資產的環境在不斷地發生變化，比如現金流、資方額度、資產質量、風險狀態等等，我們需要就這些復雜的資金資產環境，通過權衡制定‘獎勵函數’，‘蟲洞’按照函數結果的優劣，依次進行匹配，從而提高資金資產匹配的效率和質量，提升經營利潤率。”Juana說。
不同于風控、推薦等有監督學習，資金資產匹配更偏向于強化學習，沒有特征和標簽可用，可以說難度更高、挑戰更大。
而且，資金資產匹配，失之毫厘則差之千里，與公司利潤率直接掛鉤，這份無形的重擔讓Juana面臨著更高的挑戰。
最讓Juana忐忑不安的時刻，往往是優化模型上線的當天。資金資產匹配系統需要在線優化應用，無法離線模擬空跑，也就是說，在優化模型上線前，Juana只有一個預估的概率值，數據有沒有更好？優化有沒有實際效果？上線當天等待優化模型實際應用結果產生的過程，往往讓Juana壓力陡增。
“AI工程師沒有光環，只不過還不為大家所熟知。我也會因為沉浸在工作里太久，而感到身體吃不消、思路鉆牛角尖，每當這個時候，我都會選擇周末去爬山、去徒步，今年的目標是打卡‘深圳十峰’，經驗告訴我，在身心放松的時候，思路往往可以打開，這種業余愛好幫助我渡過不少難關。”Juana說。
值得一提的是，就在今年2季度，Juana帶領項目組通過自動風險閾值控制、動態參數調整、精細化利潤分層等多目標模型組建，在高效滿足用戶體驗和金融機構偏好的基礎上，實現匹配利潤率相對原有算法提升19個BP。
“Hey，好久不見，甚是想念，小樂有什么能幫到您呢？”
“您客氣了，這是小樂應該做的，有啥問題可盡管問哦。”
“親，非常理解您的心情，您先消消氣，小樂會盡力幫您的～”
在樂信旗下分期消費品牌分期樂APP，點擊咨詢AI智能客服小樂，它會主動友好地跟用戶打招呼，不僅會耐心解答用戶的各種疑問，如果小樂發現用戶情緒有變化，還會積極表達感謝或者進行安撫，從而讓用戶享受到最佳的使用體驗。如此聰明可愛的AI智能客服機器人，自然離不開AI工程師的“調教”。
Young是小樂背后的“導師”。在電子科技大學讀本科和碩士研究生期間，Young攻讀電子信息工程和金融學專業，并從大三開始跟隨導師在實驗室里埋頭研究機器學習和自然語言處理。
畢業后，無論是在微眾銀行、OPPO金融，還是在如今的樂信，Young一直在吸收各項前沿技術，讓機器讀懂人的語言和喜怒哀樂。
“一個AI智能客服機器人的誕生，肯定不是一蹴而就的，必須深植于具體某個場景，從0到1逐漸生長。
”Young說，最初肯定需要業務側制定一系列高頻的基本的標準問答，小樂所做的核心工作，就是進行語義匹配，即初步能夠讀懂用戶在說什么，然后從標準問答庫里為用戶找到答案。
“語義匹配”看似簡單，但實際上非常復雜。因為人類自然語言被公認為是最靈活的符號，不僅有各種同義詞、近義詞，同樣一句話，不同的場合、不同的語氣、不同的表情表達的意思往往大不相同，比如“你可真棒”配上癟嘴的表情和配上點贊的表情，其意思可能完全相反。
完成語義匹配的過程并不輕松。“首先需要在前端收集大量的用戶行為數據，并進行‘數據清洗過濾’，得到高質量的數據素材，然后去標注、聚合一些相似的詞句，比如“有多重”和“質量是多少”，‘我的訂單何時發貨？’和‘幾天可以收到貨？’等等。
”Young透露，基于高質量數據，AI工程師會去制定各種執行方案，搭建多個算法模型去試錯、去融合，根據最終的指標好壞，選出最合適的算法模型，最后落地形成“小樂”的雛形。
AI智能客服機器人產品的開發不是一勞永逸的。“剛開發出的‘小樂’智商相當于三四歲的幼兒，如果你想讓它變得越來越聰明，要把高質量數據不斷‘喂’給它吃，不斷動態調整參數、優化算法。
”Young說，比如小樂遇到一個以前沒遇到過的句式，AI工程師便會幫助它做判斷，并動態調整參數，以后再遇到這類的句式，小樂便能自主進行應對決策。
在Young看來，完成語義匹配功能只是小樂智能升級的“萬里長征第一步”，現階段樂信正在持續為小樂注入新的能力，比如自然語言理解、知識圖譜組建、多輪對話能力等，接下來的小樂，將儲備更多的知識，以及具備簡單的邏輯推理功能，能夠和用戶完成多輪有邏輯和深度服務的對話能力，大幅度提高用戶消費體驗。
作為一名青年AI工程師，Young像一塊海綿在不停地吸收行業前沿知識。
“我在大學讀書的時候，自然語言處理的‘word2vec’算法還十分先進，但過上一兩年，這個算法就非常普遍了，再過兩年，又有BERT等學習能力更強的算法出來。
”Young說，AI技術發展更迭、量變質變周期均要快于其他行業，需要持續不斷地去跟蹤前沿論文，及時吸收新理論新方法，如此才能在行業保有競爭力。
雷鋒網雷鋒網
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
