Lei Feng réseau par AI Technology Review: 5 juin 2019, Microsoft Research Asia, "le ministère de l'Innovation," la deuxième phase a eu lieu à Beijing. Les nouvelles technologies associées à l'informatique en nuage, les grandes données, les réseaux, l'intelligence artificielle, la réalité mixte et d'autres développements et percées, la quatrième révolution industrielle est déjà venu. Et il est dans cet environnement, Microsoft Research Asia, « le ministère de l'Innovation, » a vu le jour, et il est une bonne technique combinée avec financiers, la logistique, la fabrication et d'autres produits dans différents secteurs, a permis avec succès de nombreuses entreprises réalisent la transformation numérique .

Microsoft Research Asia, « le ministère de l'Innovation, » un membre de la photo de groupe d'entreprises

A propos de « Le ministère de l'innovation »

En parlant AI, les entreprises sont souvent la question la plus fréquemment posée est: « Que pouvons-nous faire AI peut être comment faire ?? » Même si nous savons toute l'importance de l'IA, mais avec le mélange parfait de bonnes affaires est pas facile. La raison la plus fondamentale est que: une connaissance limitée des experts de l'industrie de la technologie, les scientifiques et l'industrie de la ligne difficile AI approfondie. Alors, comment faire la profondeur de l'intégration des experts des deux côtés, l'atterrissage et l'innovation pour réaliser la transformation numérique de l'entreprise, c'est l'importance de Microsoft Research Asia, « le ministère de l'innovation » mis en place.

Microsoft Research Asia, « le ministère de l'Innovation » depuis sa création en Novembre 2017, a été engagée pour fournir aux entreprises une intelligence artificielle permet aux experts de l'industrie et les scientifiques peuvent en toute transparence mécanisme et la plate-forme de coopération innovation de la collaboration. Tout au long du processus de coopération, mettre pleinement en uvre la « ouverte, l'égalité et la confiance » modèle de coopération de la recherche: les experts de l'industrie inquiètent Teach connaissance de l'industrie, partager des données réelles des entreprises, les chercheurs modèle de contribution sans réserve, l'algorithme et les techniques d'ajustement des paramètres. Cela fait des recherches sur le travail sur l'intelligence artificielle existe non seulement en théorie et aspects académiques, résoudre plus vraiment divers problèmes pratiques et de créer une vie meilleure pour l'humanité.

vice-président senior de Microsoft, Microsoft Asie-Pacifique Groupe R & D Président et Président de Microsoft Research Asia, Hon

Exemple one: AI + investissement quantitative

Avec le développement rapide des technologies de la technologie, l'utilisation de la technologie informatique pour calculer les données d'un grand rendement en excès peut apporter une variété d'événements « haute probabilité », des modèles mathématiques avancés remplacent le jugement subjectif humain, et de développer des stratégies fondées sur une combinaison de ces événements auto-complétion de la transaction, il est maintenant grand public sous forme de trading quantitatif. Quantitative Trading dans une certaine mesure, d'améliorer l'efficacité des investissements, ce qui réduit l'impact des sautes d'humeur des investisseurs, de nombreuses entreprises financières ont le pied dans.

Dans cette conférence, le Fonds Huaxia et Microsoft Research Asia ensemble pour nous montrer l'application de la technologie AI approfondie des affaires de gestion d'actifs et les excellents résultats obtenus. Les deux côtés grâce à la recherche et d'essais, le choix final de l'investissement quantitatif - sélection de titres à plusieurs facteurs à coopérer dans ce domaine. sélection de titres multi-facteur est le plus classique de stock picking, tirée par leurs données financières fondamentales, y compris le ratio cours-bénéfice, valeur comptable, le ratio des ventes, etc., comme critères de sélection des actions.

retours de contraste de l'année et le risque annualisée CSI 500 améliorée stratégie indicielle étape backtesting

Traditionnel investissement quantitatif creusera à partir de ces données de facteur (Alpha), ces facteurs de manière linéaire, etc. pondérée, grâce à l'optimisation combinatoire, et enfin la formation combinaison optimale de plus d'un facteur, méthode « AI + amélioré indice » est une chance creuser une faible corrélation avec les méthodes de portefeuille de placements traditionnels afin d'obtenir des entreprises compétitives de financement de la différenciation. Cette stratégie implique deux noyau principal de la technologie AI: modèles de réseaux de neurones de convolution espace-temps et de variantes d'attention quand.

Tout d'abord, le temporel convolutif neural volume en mode creuser réseau et des données de prix dans la dimension en coupe transversale de la série de temps original et la dimension de l'espace, et à utiliser ces modèles consistant en facteur important, puis, sur la base de ces éléments, tout en étant placé dans le réseau de neurones, et la décision de gradient arbre run (GBDT), le numéro de modèle et analogues, et donnent ainsi le facteur de composé correspondant; Ensuite, modèle d'attention en utilisant la variation de la pluralité obtenue de facteur d'agrégation dynamique composite, en fin de compte produire un signal plus sensible aux variations de la du marché pour trouver la meilleure performance globale de la stratégie.

« AI + index amélioré » une approche peut tirer profit des données brutes à grande échelle, ce qui crée automatiquement le facteur le plus précieux des objectifs d'apprentissage, d'autre part permet des facteurs non-linéaires complexes, creuser la richesse de l'information, mais aussi dynamique réglage du facteur de conversion pour adapter à une forme polymère de la dynamique du marché.

Institut de recherche Microsoft Asie Tie Yan a dit, les données « sur les marchés financiers a été modifiée, les données et le modèle comme le poulet et problème d'ufs, et ne peut pas déterminer qui devrait exister. Et la machine à apprendre à utiliser les changements en temps réel la plupart des les données d'origine se trouvent dans le changement des facteurs en temps réel, le signal de changement rapide extraction modèle combiné, assurez-vous toujours que la formule d'investissement est le meilleur courant pour éviter le retard formule de calcul manuel, et les problèmes qui continuent de l'échec.

Institut de recherche Microsoft Asie Tie Roche

Directeur, directeur général du Fonds Huaxia, le nombre de département d'administration de l'investissement responsable Zhang Hongtao a dit: « l'utilisation » index amélioré AI + machine modèle d'apprentissage « pour remplacer les méthodes de négociation quantitatives traditionnelles, de sorte que le système commercial quantitatif du Fonds en Chine pour obtenir la mise à niveau du moteur de base, est en avant dans l'ère de l'investissement intelligent. « cela aussi signifie que AI + investissements financiers ont un nouveau point de départ pour la profondeur de l'intégration.

À l'heure actuelle, Microsoft Research Asia, la recherche et le développement de la coopération avec le Fonds Chine et China Fund stratégie modèle d'investissement AI est très en forme, avec ses différentes « parties » est aussi un bon ajustement, sans changer le modèle économique et opérationnel existant, nous serons en mesure de tirer profit de l'investissement dans le domaine de la grippe aviaire Chili pour provoquer le changement et la transformation des entreprises.

Exemple Deux: AI nature abstraite logistique

Le problème le plus fondamental à résoudre est l'industrie de la logistique d'adéquation entre l'offre et la demande, qui est ce qui a servi les mains de ceux qui en ont besoin. AI associée à l'ensemble de l'industrie de la logistique grand scénario d'affaires très abstraite, vous pouvez obtenir les scénarios de base suivants:

• estimations de l'offre et de la demande. sociétés de logistique sont généralement effectuées avant un site client unique sous-estimer le nombre de commandes, et les moyens de transport, tels que le nombre de cases vides faire une planification préalable. Ces estimations nécessitent une combinaison de données de séries chronologiques, l'expérience passée complète, en même temps, en cas d'accident, comme la congestion routière, le navire rencontré une tempête, etc., doivent également être ajustées dynamiquement en fonction de la situation spécifique.

• L'évaluation de l'offre et de la demande. Il y a une petite partie des besoins logistiques de risque de demande de malveillants, intentionnelle comme potentiellement frauduleuse. Ainsi, de détection d'anomalie, un avertissement préalable, mais aussi des problèmes d'affaires de logistique à résoudre.

• l'optimisation de route. Ceci est l'industrie des scénarios d'application de base, l'offre et la demande connue, a décidé de voies de transport, de manière à atteindre le plus efficace, le plus bas coût, et ainsi de suite, ce sont les questions de planification du chemin à prendre en compte, en même temps, pour des situations inattendues, malveillants le risque, faire les solutions appropriées, sont très pratiques et les exigences d'application nécessaires.

Au cours des dernières décennies, les compagnies maritimes emploient souvent pour obtenir la combinaison de la méthode d'optimisation de la planification des parcours basés sur la recherche opérationnelle. Cette méthode est non seulement opération lourde et faible couverture dans les applications pratiques, ne peut pas répondre aux besoins de transport en commun. Afin de briser les limites de la méthode, Microsoft Research Asia à explorer en coopération avec Orient Overseas Shipping une nouvelle série de solutions - technologie concurrente d'apprentissage de renforcement multi-agents (coopétitives apprentissage par renforcement multi-agents).

Les opérations mondiales traditionnelles des recherches pour résoudre le problème d'optimisation des idées concurrentes en fossé technologique apprentissage de renforcement multi-agents et de la règle, tous les ports et les navires entrant en agent de la modélisation, la résolution de problèmes complexes d'origine au centre de la route. La formation de ces organismes de renseignement utilisent soit des données opérationnelles réelles, peut également être favorisée par l'auto-jeu. De telles solutions peuvent améliorer l'efficacité en plus, chaque modèle d'agent peut également être pour le port du distributeur de l'apprentissage de l'imitation, la génération par le programme dispatcher plus facilement accepté pour améliorer encore l'efficacité de la planification des transports expédition Orient Overseas.

Pour les premiers demandes de renseignement d'avertissement, il utilise le « + factorisation de profondeur en fonction de la précision de la cascade » programme, à savoir l'utilisation de plusieurs choix ensemble de validation croisée pour réduire l'impact causé par les changements dus à la distribution. En vertu du principe d'un taux fixe de rappel, le nouveau programme par rapport aux pratiques traditionnelles, peut effectivement améliorer le taux de précision de 60%.

En savoir plus sur Microsoft Research Asia, « le ministère de l'Innovation », voir le site officiel de Microsoft.

Lei Feng Lei Feng net net AI Technology Review