360金融首席科学家张家兴:只靠AI Lab做不好AI中台 | 独家专访

百家 作者:AI100 2020-04-27 20:48:54

「AI 技术生态论」 人物访谈栏目是 CSDN 发起的百万人学 AI 倡议下的重要组成部分。通过对 AI 生态顶级大咖、创业者、行业 KOL 的访谈,反映其对于行业的思考、未来趋势判断、技术实践,以及成长经历。


本文为 「AI 技术生态论」系列访谈第21期,AI科技大本营独家专访了360金融新任首席科学家张家兴,他首度公开了360金融数据中台的全貌,并表达了他对中台和AI落地的具体观点。


百万人学 AI 你也有份!今日起点击阅读原文报名「2020 AI开发者万人大会」,使用优惠码“AIP211”,即可免费获得价值299元的大会在线直播门票一张。限量100张,先到先得。


作者 | Just
出品 | AI科技大本营(ID:rgznai100)

2019年12月31日,张家兴正式入职360金融,这家公司也迎来了第一位首席科学家。
 
如今,传统的互联网金融公司转型金融科技公司已成大势,纷纷为自己打下以技术为中心的标签。然而,以业务为主导,追求技术架构快速迭代的传统方式,不足以支撑金融科技公司继续壮大发展。
 
在属于大数据和AI的时代,技术应该拥有更重要的地位。
 
张家兴有时会用“技术独立性”来形容这种变化,“也就是,让技术不只依附于业务,而是有自己的独立性发展”。当然,“技术独立性”的形式可以有很多种,但他认为,最有效的是建立一个中台,“这是最好的”。
 
随着业内中台化趋势加剧,以契合单个业务为主导的技术解决方案加速升级。通过构建数据和AI中台,金融科技公司希望进一步释放技术能力,创造更大业务价值。
 
360金融也不例外,但要想通过打造中台强化技术属性,前提是找到合适的技术领导者。
 
张家兴到位后,中台化旋即升级为360金融的战略,他带领100多人的团队推进数据AI中台的构建。“统一”是他在2020年第一季度的关键词和重要指标:把贴近业务目标为主的数据和AI统一中台化,包括统一整个公司的数据仓库,统一投放系统,统一语音外呼平台和统一图数据等,张家兴称其为智能金融全链路上的统一。
 

进入360金融前,他在国内多家一线企业留下足迹,曾先后就职于百度、微软、阿里巴巴,曾任微软亚洲研究院研究员,在系统和算法两个方面积累了丰富的学术研究和工业落地经验。
 
8年前,在微软亚洲研究院做学术研究,他形容那时需要的是创新性思维,创造出新的方法,甚至提出新的问题,追求做与别人不一样的研究。任职微软期间,他还做过很长时间的分布式系统的研究和构建,这样的背景使得他非常强调架构性思维。
 
而在刚离开不久的蚂蚁金服,他的角色是对话机器人专家,带领算法团队开创性地将相应AI技术应用到智能客服、智能贷后、理财和保险顾问等金融场景。这一切,也是蚂蚁金服人工智能中台化建设的重要组成部分。
 
但对张家兴而言,这些更多只是将单一技术应用在金融领域,而他所希望的是,能有更大的整体架构性实践和思考AI落地。
 
此时,要进一步升级技术能力的360金融,亟需具有架构性思考能力的技术领导者,这正好符合他当下的希冀,“做中台能从架构设计对公司的中长期整体布局产生影响,相比之前做单一技术更需要架构性思维。”
 
所做的东西越来越大,肩上的担子也越来越重。张家兴说,现在更多考虑数据和AI会给公司创造的价值以及对整个领域带来的改变。现在,从统一数据AI中台到构建数据智能平台矩阵,他正在全方位推动数据和AI赋能360金融的业务。

从智能链路到平台矩阵
 
AI科技大本营:你认为,由AI驱动的任何业务都会是一个链条,360金融的整体链条是怎样的?
 
张家兴:360金融要做的是在海量互联网用户与金融产品之间建立一个桥梁。一方面,面向全网,找到有真实金融需求的用户,另一方面要把借贷、保险、理财等各种金融产品提供给他们。
 
这个链路有很多关键环节。第一个环节是获客,就是从海量互联网用户中发现和触达有价值的需求。通过媒体渠道进行流量广告投放是最有效的方式,但是为了降低获客成本,就必须高度的精准化。这当中有两个难点,一是如何通过各种数据对用户的诉求形成精准理解;二是如何在用户刚刚出现需求的时间点做及时触达。
 
第二个环节是客户经营。针对我们的注册用户,不断发现他们的新需求。从人群圈定,到各种手段触达用户,到数据分析,整个客户经营的链路都要足够精准且高效。
 
第三个环节是风险控制,通过大数据尤其是图数据,对用户的风险进行评估。
 
最后一个环节是各种服务,包括智能客服、贷后沟通、保险顾问等各种与用户的沟通服务。
 
AI科技大本营:怎么从技术上去打通这条链路?
 
张家兴:现在,我所做的数据AI中台就是对各个环节进行智能化。在获客环节,我们希望从传统的依赖人去优化决策的广告投放方式,转变为通过算法去投放的全自动投放方式;在客户经营环节,我们希望让数据更加实时,并且能够构建一些用户标签,让运营更有效率;在风控上,我们用大量机器学习模型来判定整个风险,引入更多数据;最后的服务环节,我们通过智能调度,使用对话机器人,让服务变得更高效。
 
在此基础上,我们准备打造一整套数据智能平台矩阵,包括实时数据计算平台、图数据计算平台、机器学习平台、数据分析平台、智能运营平台等等,去支持整个智能金融链路。
 
AI科技大本营:相对360金融原有的数据平台,整合后的数据智能平台矩阵有什么特点?
 
张家兴:一个特点是,其中每个平台都是数据+计算+模型这样三位一体的融合。这可能跟以前单纯强调数据的数据平台差别比较大,因为光有数据是不够的,还要在数据上进行高效计算和开发模型。
 
以图数据平台为例,我们很早就构建了一个20亿个节点,百亿个边的大规模图数据。但之前在图上的计算,更多依赖的是像Spark这样的计算框架,图计算中大量的近乎随机的近邻节点访问,导致很重的数据shuffling操作,效率很低,无法发挥出数据真正的价值。现在我们构建最先进的图计算引擎,连同数据一起整合在一个平台中。最后,数据真正发挥价值是要有AI加持的,在这个平台的基础上,我们针对不同的场景来开发和沉淀模型,跟平台做深度绑定。
 
另一个特点是,它是一个很多平台的架构体系,包括图数据平台,实时数据平台,机器学习平台,数据分析平台等等。每个平台都承载不同的数据、计算和模型,支撑不同的场景,而平台之间又有各种数据的交互。这些平台共同构成一个矩阵,实现对公司全业务全场景的支撑。
 
做中台,不只是技术问题
 
AI科技大本营:很多公司要不建的是数据中台,要不就是AI中台,怎么理解360金融这种二合一的“数据AI中台”?
 
张家兴:在大多数公司的中台化实践中,往往是分开在做数据中台和AI中台。然而事实上这两类中台无法简单的一刀切开,将两者融合在一起有很大好处。
 
一方面,数据要想真正发挥价值,都要靠算法和模型来发挥作用;另一方面,AI要发挥价值,就要有数据支撑,数据与AI要相辅相成才能发挥作用,共同体现价值。再说,数据与AI的界线含糊不清,有时候很难说清,同一个功能,例如数据挖掘和图计算,是数据还是AI,因此统一到数据AI中台,就可以避免这些困难的划分。
 
归根结底,我们应该从怎么能够产生价值的角度出发去做架构设计,而不是刻板地去思考到底是数据还是AI。
 
AI科技大本营:每家企业构建技术中台都有自身的考量,你觉得要不要做技术中台的标准是什么?怎么体现它的价值?
 
张家兴:中台不是万能的,做中台的最大必要性前提,一是公司要有很多业务,并且还会不断产生出新的业务;二是各业务之间有一定相似性,可以有很多共用的基础。
 
如果有统一的技术中台来做支撑,首先就是效率的提升。比如,原来三个业务需要建三个完整的技术团队做支撑,但现在主要由一个中台技术团队就可以。360金融的主要业务有借贷、理财和保险还有其他业务,从成本和效率的角度出发,我们不能去重复做技术布局。未来我们也会有很多创新型小业务需要快速集成和迭代,这时也会显示出中台的价值。
 
技术中台还可以实现经验在公司不同业务间互相传递。比如在智能运营上,我们的目的是通过数据和模型对运营进行提效,可以和成熟业务一起合作构建智能运营平台,把先进的运营经验和技术沉淀在这个平台中。而在一些没那么精细化的新业务上,在使用这个平台的时候,就相当于获得了成熟业务经验。可以说,技术中台可以起到的经验传递作用,让与它连接的各个业务都能受益。
 
做AI,最关键的因素是人才,中台的另一个隐性价值是吸引人才。但是,AI人才有一定聚集效应,希望加入一个优秀团队,与技术牛人一起工作。没有中台,业务自己做AI,就会导致过于分散,对人才吸引力降低。而在中台中做AI,可以形成一个规模更大、技术更聚焦AI团队,容易吸引更多这个领域的优秀人才。
 
AI科技大本营:360金融的中台搭建进入了哪个阶段?你对数据AI中台的整体构想是怎样的?
 
张家兴:目前我们主要处于做“统一”这件事的阶段,基本完成的有统一的数据仓库、统一的图数据,还有统一的智能投放平台和智能运营平台。
 
接下来就是加强平台建设,我们正在搭建的是人工客服加上机器人的统一智能语音平台,希望在这个平台里,可以实现统一调度人工客服与机器人,更好地实现与用户之间的沟通。

我们也正在构建统一的实时数据平台,希望让每个业务都具备实时数据的能力。未来一系列的平台都在构建中。再下一步,在平台上构建更多的模型,让数据AI产生应有的价值。

AI科技大本营:在“统一”这个阶段,中台对业务的价值有没有显性数据可以提供?
 
张家兴:只举一个简单的例子,在我们的对话机器人中,通过对话机器人技术本身的提升,78%的催回金额都由机器人自动完成,这是一个非常高的水平。


AI科技大本营:在AI技术上,还会在哪些领域做重点布局?
 
张家兴:首先是机器学习,为了更好的保障中台支持,我们要进一步夯实这个基础,从图学习、强化学习、对抗学习等方面加强基础性建设。

其次是语音技术,金融科技公司服务海量的互联网用户,对于比较聚焦或重复性的工作,比如电话沟通,应该用技术手段去节约成本和提升效率,也更方便公司加强业务规范建设。计算机视觉方面也要加强,这方面会涉及票证、人脸识别等应用。
 
最后,可能会逐渐考虑存储与计算架构上进行自研,因为好的算法、模型能力需要从底层系统开始有针对性地构建,也希望对整个开源领域的技术架构方面做一些贡献。
 
AI科技大本营:除了360金融自身的技术升级,疫情期间你们还实现了技术解决方案的输出,这是一项短期计划,还是长期布局?
 
张家兴:这是长期计划。一个公司做技术做得好的标志是,不只能解决自己公司的问题,也能够用技术帮别的公司去解决问题,帮助整个领域做提升。这一点其实也是技术中台的一个价值体现,如果是在各个业务单独构建技术的话,谁都没有能力和意愿去做输出,而中台就可以承担这样的技术能力输出的任务。
 
AI科技大本营:与阿里等其他公司打造的中台相比,360金融的数据AI中台整体有什么不同?
 
张家兴:我们真正实现了在技术上“大中台,小前台”的概念,数据实现了真正意义的统一和打通,例如智能投放、智能外呼等业务也完全由中台来做技术支撑。

而在很多规模比较大的公司,它们的中台和业务部门结合的没那么紧密,导致中台主要做的是更底层的技术,而业务线往往也在垂直的构建自己的技术,这就造成了“中台不大,前台不小”。

这些区别也反映了360金融在组织架构上的灵动,一切以价值为导向,中台模式也更容易推进。
 
AI科技大本营:上述哪一种模式会是其他公司做中台时更好的参考样板?
 
张家兴:如果一家公司做的事情比较聚焦,业务比较同质化,像360金融这样比较聚焦金融业务的公司,就适合“大中台,小前台”模式。

但如果一家公司已经大到横跨很多领域,最初又没有很好的中台架构设计,这时就很难凭空构建一个平台去支持所有业务,很难实现真正的大中台。家公司到最终能不能实现它想要的那个中台,也有一定的路径依赖,甚至跟公司文化有关。
 
我的建议是,任何一个公司如果想不断扩大发展,希望以后有各种不同业务出现,那么越早考虑做中台越好,甚至就在成立第一天就要考虑,让中台持续赋能。否则,当公司发展到很大规模,半路做中台就会遇到很大的阻力。

中台,不仅是一个技术问题,更是组织架构问题。
 
AI科技大本营:怎么看业内人士评价中台时说的,“大象吃这个药,强身健体,蚂蚁吃这个药,一击毙命。”
 
张家兴:会这么说,是因为还没想明白中台这个事情。很有意思的一点是,大家都知道中台很有价值,但不知道中台是什么样、具体该怎么做。

AI不等于算法,要有架构思维

AI科技大本营:在中台搭建的落地过程,你觉得业内最大的误解是什么?
 
张家兴:对于AI中台,有人简单的把它理解成一个AI Lab(AI实验室),招聘一些算法工程师和算法专家,指望公司从此智能化。如果认为这就是AI中台,靠这个实现智能化,我认为这是一种错误的实践。
 
AI能力不是由算法这一单一角色创造出来,应该是由数据、算法、工程、产品和运营至少这五个角色来完成,各个角色的定位是:产品做交互,工程搭架子,数据造原料,运营背指标,算法做模型。

其中,算法人数所占比例并不高。这些角色互相合作,才最终产构建出AI能力。如何让这些角色互相合作,才是考验AI架构设计的真正挑战。
 
AI科技大本营:回头来看,在数据AI中台的落地实践过程中,你们还得到了哪些启发?
 
张家兴:由于技术中台不属于任何一个业务团队,一般很多公司觉得做技术中台容易让技术跟业务出现割裂,会产生一些负面影响。
 
那360金融做中台时就强调所有做中台的人需要有业务思维,我们叫做“业务思维,技术创新”,怎么样让大家确实具备业务思维?我们采用的创新模式是,让中台和业务团队共同背负最终业绩指标,而不是负责自身技术指标。通过这种真枪实弹的压力,让中台团队努力去用技术创新达成业务指标。
 
公司里做技术的创新不是为了炫技,发几篇Paper,竞赛拿一些成绩,把技术用在很小的应用场景里,就觉得自己很牛。为了炫技,我们有太多事情可以做,但这不一定对公司有价值。为了公司的价值,我们会发现思考该做什么就是个很大的挑战,但这才是技术团队应该做的。技术应该把时间用在有价值的事情上。
 
综合来看,我们可以说,技术中台本质上是公司管理的问题。
 
AI科技大本营:你强调,要有架构性思维才能做好AI,为什么这么说?
 
张家兴:这个世界上不缺创新性思想的人,也不缺解决问题的人,但是缺有架构性思维的人。在架构性思维的人看来,AI本身是个架构,而且AI还是更庞大的业务和技术架构的一部分。
 
一个架构,决定了会有哪些模块,哪些技术,哪些人在里面如何合作、共赢甚至博弈,最终产生AI能力。只有把这些都想清楚了,AI才能创造出价值,这些也需要在实践中不断摸索。

我一直在思考学术界跟工业界之间的区别。学术界思考的是创造新方法,并且努力让这个方法被更多人广泛接受。而工业界思考的是架构,通过这个结构,将各种技术元素整合起来产生价值。
 
学术界是创新保障,工业界是价值保障。充分容纳学术界方法创新与业界架构设计两种思维方式,才能最终把AI做好。


推荐阅读

    你点的每个“在看”,我都认真当成了AI

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接