Développement d'algorithmes difficile dans le laboratoire, la recherche de l'IA du laboratoire encore plus difficile. AI en produits et la façon d'atteindre une valeur commerciale? Quels sont les produits et technologies pour améliorer le point? Comment contrôler le coût des applications d'entreprise technologie AI? Comment AI efficace peut optimiser le produit du système de fraude bancaire? Nous pouvons nous attendre à un avenir intelligent?

AI est né plus de 60 ans, même si elle est accompagnée par l'avènement rapide de la puissance de calcul et une grande ère de données, mais la théorie AI à la pratique de la route est toujours pas si bon d'aller. Apprentissage machine face à la réalité du montant de la mer dimensionnelle des défis de données, la résolution de la technologie d'apprentissage automatique auto-construit pour la conception de produits d'optimisation et d'ingénierie sont en train d'essayer d'explorer un certain nombre de praticiens de l'industrie, en essayant de grimper le « fossé AI ».

C'est la troisième phase du réseau financier Lei Feng AI classe ouverte spéciale, nous avons été honorés à la quatrième forme normale, co-fondateur et architecte en chef de Hu Shiwei, et les gestionnaires de produits à l'expérience part semaine d'avant-garde, il a dirigé l'équipe à terminer l'ensemble du processus premier produit d'Amnesty International .

Les clients Description:

Hu Shiwei, quatrième forme normale co-fondateur et architecte en chef. Au cours de rendez-vous Baidu en tant que chef de l'architecture du système, a présidé les opérations des clients d'affaires Baidu, multiples conception de l'architecture du système de base de la nouvelle caisse Nest Phoenix, la recherche « intime commercial », Aladdin et de l'écologie, la chaîne du réseau domestique en tant que membre de l'équipe fondatrice, terminée net nouveau maître Homelink, la conception de l'architecture globale et de l'équipe R & D de courtiers nouveau système d'exploitation, changer la performance du système de gestion de la construction. Le quatrième paradigme actuel de l'ingénieur en chef de recherche et de développement, a dirigé l'équipe pour créer la première plate-forme d'intelligence artificielle du pays pour le processus du « quatrième paradigme prophète », « Le Prophète » plate-forme a remporté la plus haute récompense la technologie intelligente de la Chine 2016 - « Wu Wenjun Intelligence artificielle et Technology Award » Prix de l'innovation.

Ce qui suit est une leçon ouverte enregistrement, Lei Feng réseau n'a pas changé l'intention de l'éditeur:

Aujourd'hui, nous devons partager le thème de la façon d'atteindre l'IA sous la forme de produits de valeur commerciale, il est divisé en trois parties: La première partie est la valeur commerciale, la deuxième partie est le produit de; la troisième partie, s'il vous plaît ouvrir pour tout le monde à parler il offre une expérience et la compréhension des produits de plate-forme pour le client de cloud public.

Comment explorer la valeur commerciale de la grippe aviaire

Parlant valeur commerciale AI, d'abord parler de ce que oui AI. Aujourd'hui, l'éducation, les soins de santé, des finances et d'autres industries qui attend avec impatience l'intelligence artificielle, et essayer de la pratique, l'utilisation de la technologie de l'intelligence artificielle pour fournir de la valeur à l'industrie. Cette définition est très complexe à l'intérieur, ne parlent pas aujourd'hui au concept, d'abord réduire la gamme d'environ, parler de l'intelligence artificielle de axée sur les données.

La plupart du système AI d'aujourd'hui se compose de deux pierres angulaires: l'un est gros volumes de données, est une technique d'apprentissage machine. Par exemple AlphaGo, son succès est dû à absorber le premier site sur KGS plus de 30 dix mille échecs - c'est AlphaGo la première vague de données. En outre, la combinaison de l'apprentissage L'apprentissage de la profondeur technique et de renforcement tels que l'apprentissage de la machine, AlphaGo peut être basée sur le programme d'échecs à base de règles que précédemment ou d'un réseau de neurones peu profonde a une meilleure performance.

Par conséquent, nous pensons que les grandes données + AI = apprentissage machine. Si Big Data est la matière première - du riz, des outils d'apprentissage de la machine - cuiseur à riz, l'intelligence artificielle est le riz blanc.

Cinq éléments d'application effective de AI

Le soi-disant application effective de la grippe aviaire, fait référence à au moins remplacer les gens à faire quelque chose, comme les échecs, les jeux ou la sécurité. À cet égard, nous résumons produisons cinq éléments valides d'applications AI:

• problème de frontière claire

Nous pouvons définir la cible d'un certain nombre d'échecs, qui est, le nombre d'enfants ou le nombre des résultats. Et si l'objectif est défini trop artistique, il est pas un problème de frontière claire, parce que ce sont la définition subjective.

• rétroaction externe persistante

En outre, il exige la rétroaction externe continue. Seulement à être incapable de faire une machine d'échecs lire automatiquement les échecs, nécessite un système externe ou interne constant génère un signal de rétroaction. AlphaGo fonction d'auto d'échecs est la génération en continu de rétroaction interne.

• Des données suffisantes

Si seul le signal de rétroaction, aucune caractéristique, n'est pas.

Par exemple, en utilisant la technologie AI pour identifier les transactions frauduleuses, les attributs liés aux transactions soumises, le sexe, l'âge de cette personne, adresse résidentielle est particulièrement importante, sinon, si nous savons seulement qu'un jour une carte, le montant de la transaction d'argent, alors ceux-ci les données ne suffit pas - à cause de ce cas est seulement obtenue signal de rétroaction, aucune caractéristique.

• scientifiques de haut niveau d'Amnesty International, les ressources informatiques puissants et des systèmes informatiques

Cultiver un des scientifiques AI réussi à 6 ans à 10 ans, mais en même temps apporter la valeur est particulièrement importante, mais aujourd'hui top scientifiques AI du monde, en fait, pas grand-chose, parce qu'en tant que scientifique de premier plan AI, mais aussi une croix dans beaucoup de domaines différents.

Pour les banques, par exemple, AI peut faire?

nous misons ici des opérations de fraude en termes de regard, AI peut faire quelque chose, ce qui est en réalité.

, Carte de crédit, fraude électronique et d'autres choses sont typiques des transactions frauduleuses. Selon les rapports d'enquête, la Chine est la fraude par carte de crédit et la fraude par carte bancaire les plus graves se sont produits régionaux, et de fraude de plus en plus diversifiée. Il faut dire: plus la tête intelligente, une partie de faire de mauvaises choses du monde, faire de mauvaises choses pour empêcher une autre partie.

La principale méthode pour résoudre les banques de problèmes de fraude

la fraude bancaire dans le passé pour résoudre le problème, il existe quatre façons, des méthodes plus intuitives sont: la politique de réglementation, la technologie de sécurité de l'information, par exemple, par jeton, etc. pour résoudre le problème par la voie de la défense et de la loi.

Les deux autres relativement intelligents: Tout d'abord, les règles d'experts et second modèles.

• règle d'experts

Aux fins du présent, faire le mieux pour les entreprises internationales de lutte contre la fraude ont plus de 100 experts, l'investissement annuel de dizaines de millions de dollars en coûts de développement pour maintenir la règle d'experts. Ces règles allant de quelques milliers au plus grand nombre que des dizaines de milliers de pièces: par exemple, la même carte pour la première fois l'argent à court terme dans les deux villes par mot de passe des transactions d'erreur. Défendre les règles, leur efficacité est mise en doute, mais il y a aussi des inconvénients:

D'une part, cette méthode est plus dépendante expert subjective. Les experts du secteur accumulent plus profond, plus expérimenté, mais face à la technologie relativement nouvelle, pas nécessairement en mesure de faire face.

D'autre part, les règles nécessitent un entretien permanent, afin de répondre aux changements criminels. Par exemple, la règle est définie à « traiter plus de huit mille yuans à examiner, » ou « au-dessus d'un certains points d'âge à examiner », et ainsi de suite, alors les criminels de trouver les limites des règles de tentations, de sorte que la mise en uvre de la fraude, telles que Pirates juste brosse 7999 yuans.

Enfin, il y a la relation entre les différentes règle d'exclusion, la règle A peut résoudre un problème, mais ne peut pas résoudre un autre problème.

Il est une valeur mentionner qu'il existe des solutions traditionnellement basés sur les modèles de réseau de neurones, cependant, ce réseau de neurones se réfère au réseau de neurones rétropropagation originale basée sur la technologie superficielle, en raison de sa structure simple, entraîne une utilisation insuffisante des données, donc dans la plupart des cas, il ne peut pas fournir des performances suffisantes.

modèle de grande dimension de la quantité de techniques de modélisation

Nos services bancaires et de la coopération en matière de technologie anti-fraude, d'abord faire est de mettre avant les sociétés Internet qui font des techniques de modélisation de grande dimension transplantation puis remplacé par un échantillon de transaction historique de toute l'histoire du volume des transactions - en utilisant des centaines de G, même sur T le travail de modélisation de base de données à faire.

Par exemple, en utilisant le titulaire d'attribut de fonction, des informations commerciales, des transactions et d'autres canaux, et plus dérivé de certaines caractéristiques de second ordre. Par exemple, la propriété du titulaire, la propriété du regroupement d'entreprises - qui est, quel genre de personne quel genre de magasin, un comportement anormal a eu lieu, comme un homme de la maison, tout à coup à une consommation élevée de produits de luxe boutique, il est possible que les comportements frauduleux.

Selon l'expérience, plus de fonctionnalités et plus de fonctionnalités peuvent être combinées pour mieux caractériser l'objectif de la loi, mais à cause de l'imagination humaine limitée, après avoir creusé la fonction de second ordre pour les caractéristiques fonction de troisième ordre et quatrième ordre donnant lieu à un goulot d'étranglement.

Cette fois-ci, nous avons introduit une nouvelle technologie - une combinaison de fonctions automatiques et d'exploration. Fiez-vous à cette technologie, nous présentons le premier ordre a cinquième ordre ou même du sixième ordre, la dimension caractéristique - le nombre de modèles peuvent couvrir la situation, de sorte que les milliards. Sur la base de ces caractéristiques haut de gamme, la machine peut rapidement apprendre les différentes règles, prévenir la fraude.

Si une fraude criminelle est couronnée de succès, la banque couvrira les pertes, augmenter les dépenses au moins un million de niveau chaque mois. La technologie jouera un avantage dans ce nouveau scénario, c'est la valeur de l'entreprise.

Analyse technique

De grande dimension apprentissage machine à grande échelle

Ici, nous venons d'un point de vue de l'analyse technique, ce que la technologie permet d'améliorer l'entreprise.

dimension VC est une mesure clé du niveau du modèle de renseignement

Tout d'abord, l'apprentissage de la machine à grande échelle de haute dimension. Pour résoudre les problèmes d'affaires avec AI dans l'ensemble, principalement en raison du concept de la dimension VC.

Qu'est-ce que la dimension VC est? Point académique est « Vapnik-Chervonenkis Dimension », construit dans les années 1960 aux années 1990 par la théorie de l'apprentissage statistique et Chervonenkis Vapnik, qui reflète la fonction d'apprentissage ensembles --VC dimension plus le modèle ou la fonction plus complexe, plus la capacité d'apprendre.

Les dimensions du cerveau est probablement le nombre de cellules du cerveau dans le cerveau, il peut être comprise comme la dimension VC des cellules du cerveau dimension. Les dimensions de la machine nécessite plus de cellules du cerveau, peut être plus intelligent, peut apprendre plus de connaissances. Avec la dimension du modèle d'erreur de la machine de levage diminue.

Il y a aussi le principe du rasoir d'Occam - sinon nécessaire, ne pas augmenter les données. Mais cette théorie est en fait deux ou trois décennies avant que la théorie est correcte, ce qui est différent du passé est des téléphones mobiles d'aujourd'hui et supercalculateurs cette époque presque aujourd'hui Internet pour l'ensemble des deuxièmes données cumulées pourrait avoir été jusqu'à passé année de niveau de données accumulées. Donc, aujourd'hui, nous avons plus de données, mais aussi un moyen d'utiliser plus de données.

Ainsi, un modèle pour mesurer le niveau d'intelligence, est la dimension VC plus le mieux. Dans le passé, car il n'y a pas assez de données, il est impossible de faire de haut. Le quatrième fondateur de paradigme Dai Wenyuan a dit: « .. Les gens font des choses aussi simples que possible, la machine est plus complexe la meilleure chose à faire parce que la machine est à la fois infatigable, et faire un travail répétitif efficacité de combat particulièrement forte. » Alors, du à technique point de vue, il est impératif que nous élevons dimension.

• algorithme de grande dimension apprentissage machine à grande échelle a besoin du châssis de support

Une fois que les dimensions augmentent, suivi de la question: algorithme d'apprentissage automatique à grande échelle de grande dimension a besoin du châssis de support.

Le système d'origine, quel que soit le nombre d'algorithmes, ou algorithme de régression ou d'un algorithme de réseau de neurones, une fois que le nombre de couches ou augmente variables parallèles, la course deviendra extrêmement lent. Aujourd'hui, les progrès de la profondeur des réseaux de neurones, également grâce au GPU de NVIDIA.

Comme l'effet de l'algorithme est la clé de la valeur finale, donc cet aspect est nécessaire pour atteindre l'optimisation ultime, résoudre ce problème, il y a des frameworks open source sur le marché. Et nous nous avons mis au point un cadre appelé GDBT, à savoir universel cadre distribué.

Caractéristiques cadre distribué universel se reflète dans la mémoire entièrement distribuée, soutient également un moyen difficile à former, une autre a une meilleure évolutivité, les traditions telles que Spark ou SparkSQL, en fait, peut être fait des données parallèles, mais ne moins de modèles parallèles, le dernier et le point le plus important: rapide.

Sous les données à l'échelle algorithme rapide, ainsi que pour améliorer les dimensions combinées de cette architecture distribuée peuvent être accomplies avant deux heures de formation mille dimension d'efficacité, jusqu'à maintenant deux heures de formation terminée 1000 World Wide vitesse.

• Le besoin de capacités de traitement de données à grande échelle

Big data se ont besoin de données à grande échelle des capacités de traitement, car avant que les modèles de formation, besoin de faire caractéristiques techniques complexes. Ce point concerne, nous utilisons étincelle, ainsi que quelques caractéristiques de l'algorithme de formation mis au point et développer des fonctions d'agrégation sur les interfaces d'allumage, les données peuvent être traitées afin de faire un plus grand débit par unité de temps, à l'aide des ressources informatiques limitées obtenir de meilleurs résultats.

Estimation des services en ligne

• haute performance

Fraude par le modèle pour améliorer l'effet de cinq à six fois, pour compléter 30% de l'ensemble des travaux. L'autre 70% est de la technologie utilisée dans la production. Utilisé dans la production doit avoir des performances élevées.

Secteur bancaire et Internet est très différente. secteur de l'Internet, tels que la recherche Baidu, la recherche universelle demande un jour plus d'un milliard ou même 20 milliards de fois, et les données bancaires des transactions, même dans l'ère actuelle de paiement sur Internet, non pas tant, mais qui se caractérise par, par exemple, sera invité à dans les vingt millisecondes traité l'ensemble du processus, et pour assurer la précision de 99,9%. En d'autres termes, la stabilité est une question particulièrement importante.

Au point de vue de haute performance, nous avons fait quelques petites choses comme suit:

La première est une bibliothèque de fonctions est souvent dit que le calcul variable en temps réel. Tels que la machine apprendre à le faire dernier épisode de fonction, y compris « une personne qui a visité cinq emplacements » catégorie comprend l'histoire, il devrait établir en temps réel la base de données en ligne pour permettre à la machine de pouvoir prendre encore cinq fois dans l'histoire de est plus - comme le plus susceptible d'obtenir les 1000 données sur le comportement historique.

La seconde est la bibliothèque de modèle. Que ce soit le numéro du modèle original, le modèle linéaire sont relativement simples, même un millier de variables peuvent aller directement à lire si ailleurs dans le fichier de code.

Mais maintenant, les dimensions du modèle porté à 10 millions, voire des milliards, plus d'un milliard, nous devons être stockés dans un stockage distribué. Parmi ceux-ci utilisent aussi beaucoup de technologies, telles que les caractéristiques du modèle est qu'une fois couvert toute la lecture du modèle est venu, bien sûr, nous voulions utiliser Hashtable, Hashtable également être effectuée sur de grandes quantités d'optimisation de la structure de données, afin d'améliorer la performance globale.

Avec cette estimation de services en ligne haute performance, nous pouvons répondre à une classe de lutte contre la fraude les plus exigeants besoins d'affaires.

• Disponibilité haute

Un autre point est que la haute disponibilité. « Haute disponibilité » pour mettre en uvre une approche relativement claire, parce que la banque est également basée sur la transaction, donc il y a un interrupteur automatique ou la fragmentation technique, une copie de l'autre.

Master-agent à l'aide de la structure, il peut être fait automatiquement des mécanismes de haute disponibilité ne doivent écrire du code manuellement. On peut voir, le modèle de données hors ligne à l'entrepôt de modèle après la libération, le modèle peut être tiré en ligne, y compris la fragmentation, ainsi que les bases de données de mémoire.

Produits, réplication des capacités de recherche et de développement AI

Après la résolution de problèmes techniques, nous sommes confrontés à un gros problème: Copier. nous sommes ici deux ans pour essayer de pratiquer dans divers domaines à l'intérieur:

En fin de compte combien de personnes ont besoin de remplir tant de l'entreprise? En fait, nous utilisons très peu de gens, en particulier le scientifique des données. Nous avons certaines pratiques particulières peuvent améliorer la capacité des gens à réduire les barrières à l'entrée d'autres personnes - nous l'appelons commercialisé.

L'idée de base du produit sont: la capacité d'un durcissement vers le bas, laissez-le être utilisé par une population plus large. Un début peut faire des choses que nous pouvons faire pour trouver des moyens de B; B pourrait être plus habile à des affaires, mais pas nécessairement bonne en profondeur technique.

Un autre produit des aspirations et des objectifs, de sorte que la capacité de les utiliser plus confortable.

Une partie du Prophète

Les produits de base de l'autre, nous pouvons régler la machine d'apprentissage le travail des scientifiques, le processus constitue une façon exponentielle relation agrandie. Le quatrième paradigme du produit de plate-forme appelée « prophète », il y a trois composantes:

La première est appelée plate-forme de recherche, une plate-forme de recherche est purement vers le bas processus peut être considéré comme un processus de modélisation. Parce que nous utilisons AI pour prédire une entreprise, vous voulez être un modèle, y compris le modèle anti-fraude de dire.

Le second processus est une plate-forme d'auto-apprentissage. Chaque jour, de nouvelles données de modèle anti-fraude réinjectées nouveaux scénarios de fraude, ces nouveaux scénarios de fraude et de contenu après que les données de marquage marquées, nous avons besoin de mettre à jour le modèle. Mettre à jour le modèle en utilisant des données historiques sur le recyclage à nouveau. Ainsi, la plate-forme d'auto-apprentissage est que si un système peut faire, faire tous les jours avec la routine des chercheurs, fixe les données dans les nouveaux fichiers de paramètres du modèle.

Enfin, la plate-forme estimée. Nous avons déjà un modèle qui estime la plate-forme pour résoudre deux problèmes: les données à estimer, car les données peuvent ne pas être compatibles en ligne et hors ligne, faire beaucoup de conversion, après que les données sont entrés deuxième oui, comment les données sont converties en un score.

Apprentissage automatique machine

En cas de difficultés techniques en elle? Le premier est l'apprentissage de la machine automatique. Dans une telle interface, comment faire en sorte que l'effet du modèle final?

A proprement parler, un apprentissage non-machine ou l'intelligence artificielle, l'exploration de données, le Dr des professionnels, et ceux qui ne comprennent pas la théorie, mais la structure de la figure ci-dessus peuvent être faits. Comment faire mieux que d'autres? Ce qui comprend les technologies suivantes:

• Le premier est un réglage automatique des paramètres. La première partie est de savoir comment nous pouvons obtenir une meilleure solution techniquement sous que quelques itérations, ce qui est la relation entre les coûts et les avantages.

• La seconde est une fonction automatique fonctionne. Quel genre d'algorithme peut être relativement plus de personnes au lieu de travail? La fraude de la manière traditionnelle, nous avons besoin pour les utilisateurs et les entreprises sont dépeints portrait, qui est déjà deux modèles. Si l'algorithme a une grande capacité d'adaptation, il peut être utilisé à la fois des données linéaire peut également être utilisé dans le cas de données discrètes, les valeurs discrètes et des valeurs continues algorithme de formation simultanée, l'abaissement du seuil.

• Le troisième est un algorithme de haut-adaptatif, par exemple un type linéaire, qui est intégré dans le modèle dimensionnelle élevée.

• Le quatrième est d'optimiser les paramètres des performances et des performances réelles. Réglage automatique des paramètres et l'ingénierie de fonction automatique est un processus de recherche de la nature. Mais nous ne pouvons pas exhaustive, ils ont donc besoin algorithme intelligent pour étudier la façon de réduire le nombre autant que possible.

Service estimée construit automatiquement

Nous offrons maintenant des services aux clients, aussi longtemps que les modélisateurs construire des modèles sur la ligne au-dessus d'un processus clé dans le web, vous pouvez remarquer comment cette chose est de le faire?

• Cohérence en ligne et hors ligne

La cohérence se réfère à en ligne et hors ligne, comment faire face à une ligne de champ inférieur, comment la ligne devrait prendre ensemble, l'algorithme de formation en ligne avec ce que, quel type d'algorithme de prédiction en ligne utilisera. Cette cohérence est contrôlée par le code.

• table orthographique automatique en temps réel en ligne

À savoir, prétraiter et caractéristique de la version en ligne du processus de conversion généré automatiquement. Par exemple, la ligne aux plus hautes statistiques de valeur à la consommation au cours du mois passé, peut être résolu avec un cercle, mais parce que la ligne de données est constamment accumulée, nous avons besoin d'une conversion automatique version en ligne, appelée ligne automatique table orthographique en temps réel.

• Déclenchement automatique

Modèle fournit des services, comment une clé d'un modèle de remplacement transparente? Comment faire une demande d'accès à migrer? Un autre point est libéré. Chaque unité est maintenant libéré, en fait, sur le conteneur afin d'obtenir des ressources d'isolement et de l'environnement d'exploitation.

• Sur la base de l'architecture opérateur d'auto-apprentissage

Depuis l'apprentissage en termes d'architecture, il est divisé en trois parties:

• Introduction automatique des données.

• La connaissance processus de formation progressive de l'apprentissage - l'apprentissage, car d'une part est le prix d'émission, d'autre part, il y a, en fait, de nombreux modèles doivent avoir la stabilité.

• mécanisme de planification, comme la façon de produire de nouveaux modèles, comment juger le nouveau modèle.

Nous avons donc besoin d'une architecture qui est auto-apprentissage et l'architecture informatique.

Ce chiffre est une plate-forme de recherche, plate-forme d'auto-apprentissage, l'ensemble des processus du cycle de vie estimée de la plate-forme, la plate-forme Prophète doit être fait afin de donner vraiment le cycle de vie complet des portraits Iron Man ont une sorte de capacité de l'équipement. Ceci est basé sur une extension complète des limites de l'ensemble du système, nous pouvons produire des applications basées sur l'IA, et peut réduire les coûts autant que possible à ce sujet. Réduction des coûts, à la fois la vitesse et l'efficacité peut être améliorée.

Pour un prophète de la plate-forme de démonstration, voir la vidéo (probablement commencer à 40:00):

Lei Feng réseau ouvert Enregistrement vidéo de classe