落地场景与完全信息

采访中，胡健向i黑马＆黑智讲了一个场景落地的故事。这个场景是金融行业中的国际结算业务。

国际结算业务不是银行的最核心的业务，但是业务量大，每年有几百亿元的收入，而且痛点足够痛，该业务要求审核人员看得懂英文，看得懂合同，是相关专业的硕士。银行一年需要付给一位审核员20、30万的工资，而且还不一定可以留得住人。

于是，一览群智便和某银行一起打造该业务的解决方案。期间遇到了很多困难，比如几万种不同格式的票据，甚至还一些票据有遮挡，怎么样将票据变成文本结构化信息？这就牵涉到识别OCR、识别票据等。这需要对不同非结构化数据做OCR。其次，识别完之后，需要抽取信息、分词等。这个阶段，一览群智要给出各种字段，识别合同内涵，比如这份合同讲的是一件什么样的事情？通过报关单上的“无破损”描述判定物品“外观完好”等；第三，一览群智还需要解决语义理解的问题。其中还会牵涉到知识图谱。别无捷径，通过大量的数据让机器学会具体的审核逻辑。

“逻辑很简单，像人做一些脑力劳动的工作一样，首先能够看得懂是什么，将图片变成文字，并将文字变成结构化信息，再把结构化信息跟专家业务产品衔接，这就是知识图谱，最终去做决策，这是标准的认知过程。”这个过程中，胡健提到针对不同行业，构建一个类似于专家的规则系统，有一个与或非的逻辑。“这个规则系统要被抽象得非常灵活。规则系统与知识图谱结合的过程中，渐渐地被抽象成一套模具工厂；原来的知识图谱只适用于单一的业务场景，当它应用于不同类型的场景，就被进一步抽象。每抽象一下，能解决面临的多场景或者多业务的问题。但突然又来了十几个不同场景，就会发现原来的知识图谱或者规则系统还是有问题，那就需要再次抽象。这就跟达尔文的进化论一样。适者生存，不断进化，满足不同需求。如此，产品越来越好用。”

如何沉淀专家经验？如何构建规则系统？以公安领域的反洗钱为例，一览群智有着类似的实践。一般反洗钱侦查中，警察会查一查大的进出口资金的流向，设置一些规则，筛选出现金流出的TOP10的帐户，并过滤掉正常帐户，剩下几个只进不出的黑洞帐户，或者进出一致的通道帐户。顺藤摸瓜，就能找到背后的主使者。一览群智将这些专家经验配置到模型工厂里，把所有数据变成因子，变成与或非，或者决策分析的因子，然后拼出一个决策树。一个决策树就是一个经验。规则系统的建立加上专家经验辅助决策，才能够产生化学反应，让普通民警具备经侦专家的能力。

据公开资料介绍，一览群智落地的领域除了金融行业，还有公共安全和媒体情报。在这些领域，一览群智有专门的专家团队解决行业know－how问题。一览群智的商业化战略一直在碰撞中，“为什么人工智能落地难？因为要不断碰撞。首先先用逻辑筛选一遍，这个逻辑是技术的逻辑，是商业的逻辑，也是与客户业务相关的逻辑；其次，这些逻辑都符合，才有可能产生10个商业可能性。拿给客户，被毙掉9个，只剩下1个，那就先做。”

上述案例，有一个不可回避的前提是：目前人工智能的技术限制。现阶段，人工智能只能解决一些偏重复式的工作。前面提到的国际结算业务便是偏重复式的、相对闭环的场景。在闭环场景里，一览群智可以知道所有可能的情况。这和张钹院士提到的人工智能落地的几个经济中的完全性经济有相似之处。

而在公共安全领域落地的案例，与国际结算业务相比，与人机协同相关，更加复杂。在一个大的任务里人的脑子有限、计算能力有限、存储能力有限、加工处理能力有限，而机器可以做这些工作。胡健指出，所谓“机器”指的是“把一些大容量的数据全部整干净”。机器弱点也是明显的，它无法做出判断。机器只能对一些已经出现过的，并生成技能树的相关情况，做出判断。比如找出涉嫌洗钱的嫌疑人，但这不是最终判断。人会看一下为什么会认为他有嫌疑？机器的建议再加上人的经验和知觉，做出最终的判断。人是有常识的，但机器不知道这些。这些常识需要长年累月的积累。

“我们必须遵从人工智能现阶段的技术发展特征，找到最适合的方式去落地。”这是一览群智的落地思路。“我们尽量做一些确定性的、相对封闭的、完全信息的场景。而且这个场景的数据又是准备好的，且解决完之后，又能够产生商业价值，有诸多前提。层层限制之下，真正适合AI落地的领域并不多。没办法，圈了一下，就这么多。这也是AI公司扎堆落地的原因。”