做AI驱动的公司，还是做驱动AI的公司，这是一个问题。
目前，阻碍众多企业进一步智能化的的因素在于，AI系统或者平台的使用门槛过高。如何将AI的使用门槛降低，让更大范围的人群也能接触和使用AI，成为人工智能技术与服务提供商以及需要AI赋能业务的企业绕不开的一个难题。
对此，「AI金融评论」采访了人工智能技术与服务提供商??第四范式合伙人/副总裁柴亦飞，他向我们讲述了AI在金融领域的落地情况和近期AI在金融方向的一些行业动态。
以下为柴亦飞的口述：
在选择做「AI应用」，还是做其背后的「AI平台」之间，第四范式选择了「AI平台」，将目标客户定位在那些需要通过AI实现智能化转型的企业。企业客户可以在我们的「AI平台」上，自己造出10个、100个甚至1000个「AI应用」。
现在，人们从怀疑AI是否真的有价值，转而思考AI提供的价值是否能给企业业务带来质的飞跃。
银行的AI“新需求”
近两年，我们发现银行等金融客户的需求有了一些新的变化。
“大众化”的三种方法
当然，降低企业客户使用AI的门槛，绝非易事，需要多种方案齐头并进。
第四范式基于自动机器学习技术（AutoML）将机器学习建模的过程自动化，相比原来靠建模科学家「手动建模」，AutoML让机器自动建模、迭代，跑出效果。根据模型AUC指标，我们发现AutoML的建模效果，并不比人工建模的差，甚至比专业的建模科学家做的还有提升。此外，自动化也节省了大量开发时间，比如某客户在做高危客户流失预警模型时，只要用原来1/40的时间就能跑出模型。
首先，是人才的门槛，这是企业在AI应用中面临的普遍问题。现在我们看到大部分银行不会只投入一两个AI应用，他们有几十个甚至上百个AI应用的需求，但核心问题是，这些AI应用需要数据科学来构建，但传统企业并没有足够的AI人才。去年Gartner在AI应用现状调查报告中也提到，AI人才的匮乏，是目前企业进军AI的首要挑战。
上面我们提到AI的规模化需要让非机器学习背景的业务人员或者是开发者也能开发AI应用。然而JAVA工程师会说没办法做到，因为人工智能太难了。这也是为什么我们投入非常多的精力与时间去降低AI平台的使用门槛，目前开发者在经过简单学习后，也能在我们的平台上构建足够好的AI模型。
十倍增效的「AI方法论」
此前，金融机构会比较在意我们提供的AI系统的功能和效果，现在他们也关注它的使用门槛。
所谓AI驱动的公司，指的是某个或者某些业务通过AI赋能，业绩大幅提升的公司，比如各大金融机构、大型医疗企业等AI+公司；而所谓驱动AI的公司，是以提供AI技术或者服务为生，提高企业智能化比例的公司，也可称为人工智能技术与服务提供商。
近几年，一些银行开始做智能风控场景，以交易反欺诈、申请反欺诈的业务为例，效果也很喜人。在反欺诈这一领域，做得优秀的银行比不太重视的银行水平要高出很多。而过去在反欺诈领域做得好的银行，他们的反欺诈系统应用了人工智能之后，效率提升能达数十倍，最终给业务带来了质的改变。
比如在金融机构，前些年，大家应用AI比较多的是传统的营销场景，即通过短信、电话进行精准的理财产品推荐与营销。一些营销类的场景在应用AI之后，成功率/转化率能能提高10%到500%。
随着一些传统的线下信贷转变成了线上的信贷业务，风控的业务越来越复杂，数据复杂度和场景复杂度都在提升。而智能风控对于复杂多变的场景有很强的模型精准度，优势也越来越明显。
目前，很多银行在智能营销、智能风控等领域已经展开了诸多探索和落地，AI正在进入一个比较成熟的应用阶段。
银行的“思”与“变”
其次，是数据的门槛。现今很多企业都存有一定的数据，而这些数据是通过BI（商业智能）的方式收集的。BI以图形和报表的形式呈现，是给决策层的管理者看的，不能简单地直接用于AI。但是客户或者一些帮客户做AI应用的公司，本身没有太重视这个问题。最终，在线下用离线数据建造的模型效果很好，但是上线后，常常出现各种问题，这是因为AI不同于BI，需要大量完整的、形成闭环的数据，因此构建一个专门的面向AI的数据治理体系，也是十分重要的。
随着人工智能服务提供商快速的“攻城略地”，受AI驱动的公司越来越多。但仍有大量企业没有接触或者还未深入应用人工智能，根据麻省理工学院（MIT）访问学者李大维的一份报告，只有32%的中国企业在数据和商业应用方面应用人工智能。智能化之路任重道远。
银行也正在面临着非常复杂的竞争局势。不仅仅是同业的银行想要“争地盘”，甚至要与互联网公司、金融科技公司等互相博弈。现在大部分用户已经不去线下网点了，如何投身于互联网大潮，争夺线上“蛋糕”成为首要目标。用户在线上的行为、兴趣点、使用时长、消费场景等信息的授权获取，数据又如何转化成实实在在的业务价值，是当下所有银行都在思考的问题。
最后，是成本的门槛。顶尖的互联网公司，每年都需要有很多服务器来支撑AI业务，甚至会花费上百亿，但很少有公司能够承受这么大的成本。AI是硬件和软件深度融合的体系，我们发现采用软件定义算力的方式，不止性能会提高，成本也会大幅降低。
第四范式希望以一个低门槛、低代价的AI平台，让没有机器学习背景的人也能开发AI模型，帮助企业客户在更多重要场景上做AI应用尝试。实际上，这种设想已经在很多大型银行里真实落地，而且越来越受市场欢迎，这是我们近来发现的一个新变化。
在这个过程中，利用人工智能技术，可以对用户数据进行分析与挖掘，建立超高维模型，实现对每一个目标用户的精准刻画，提升其线上体验。这与以往传统的BI模型通过标签将用户进行简单分类的方式截然不同。
对金融机构来说，用户留在机构内的相关数据将是极具价值以及区分度的信息。利用人工智能等手段对客户进行精细地刻画，进而采取差异化、“千人千面”的行动，实现多业务、跨场景、全链路的精准营销和运营，与客户建立更深刻的联系，正在成为金融机构的主要发力点。
一直以来，AI一直由学过建模的专业数据科学家来操作，门槛很高，极大地影响了AI的产能。而随着AI在金融机构的普及和规模化应用，头部银行开始希望熟悉业务、但没有学过建模的非计算机专业的员工，也能操作我们的AI平台来开发AI应用。
对于为金融机构提供AI服务的企业而言，有的在做定制化的服务，有的专注于标准化产品的开发。第四范式目前除了AI平台的工作之外，也对一些AI落地方法论十分关注，包括如何推动银行建设更底层的AI基础设施、如何提高数据管理和治理体系的效率等，这方面的工作可能比我们上线一两个AI的场景应用，价值更大。（、）
