科技訊7月15日，媒體未來科技峰會在北京舉行。IBM全球企業咨詢服務部認知與分析服務總監賴開文出席了“AI+金融”專場，并發表主題演講。他是中國大陸第一個沃森落地項目和銀行業第一個認知客服項目的實施者。

他介紹，IBM從2006年推出沃爾的計算系統，2014年推出商用，目前在全球17個行業，已經在人工智能和認知計算領域有了應用。IBM也在2016年的時候宣布，全世界已經達到了，或者計算機行業已經來到了認知的時代。

認知系統四大核心能力

認知系統應該有四大核心能力：

第一，它能夠理解人類的語言，能夠理解很多非結構化的數據，包括文本、包括語音、包括圖像、包括視頻。

第二，認知系統能夠推理。傳統的計算機你給它輸入A，它一定給你一個確定的答案B。但是認知系統不再是這樣的，它會根據它所學習到的背景的知識，包括時間、包括地點、包括對象、包括產品、包括很多方面內容，它會給出它認為最合適的一個答案。比如，IBM有一個小機器人，把這個小機器人放到阿姆斯特丹，有人就問他：“你覺得世界上最偉大的足球運動員是誰？”他說：“因為我在阿姆斯特丹，所以我想說是科魯伊夫?！币驗檫@個機器人有推理的能力，把地點這個環節放到了這個內容當中，所以他會說是科魯伊夫。

第三，交互。計算機系統原來跟人的交互通常是通過鍵盤、鼠標來技術交互，非常僵硬。認知系統一大特點是，它能夠使機器和人的交流像人與人的交流那么順暢，它能夠聽說讀寫，能知道你的意圖，當它覺得你的意圖不清晰的時候，它會跟你反問、對話、交流。

第四，它可以學習。計算機系統你給他一個A，它一定給你一個B。學習就是你給他一個A，它會有備選的答案，B1、B2、B3……每一個答案后面對應著很多的證據，因為這些證據會有置信度的排名，它會把置信度最高的給到你。如果你調整這些答案背后的證據，你會補充它、優化它、更新它之后，這些答案所對應的置信度就會有所變化。當某個答案的置信度突破了排名變化的時候，這個時候，認知計算機系統給出的答案最終給你的答案就發生變化，

賴開文介紹，目前，AI已經發展到一定的階段，在很多單一的任務上，包括圖像識別、語音識別、人臉識別，已經接近甚至超過人類的水平。

在這個基礎之上，IBM認為，人工智能有三大領域，第一個是交互的提升，第二個是輔助進行更廣泛的探索，最后做出更準確的決策的輔助。

人工智能改變金融交互

對交互而言，認知計算機系統能理解人類的對話，能夠理解人類的語言，所以通過認知計算機系統，它可以很好地來提升你跟客戶之間的交互，最終用戶之間的交互，提升用戶的體驗。

現在智能客服可以理解自然語言，未來其實我們還可以在跟人類對話的過程當中，我們了解人類的個性，了解他當時的情緒。比如，當客戶已經憤怒的時候，客戶投訴的時候就不做推銷了，客服機器人就趕緊安慰他。未來在人的個性的識別以及情緒的識別上可以做更多的提升。

目前，IBM已經在銀行做了三類機器人：銀行網點迎賓機器人、服務機器人、咨詢機器人。

迎賓機器人，可以回答銀行客戶剛到銀行網點時的一些問題，包括理財的推薦、銀行的簡單信用卡開卡等等問題都可以回答。

服務機器人，現在在手機銀行、在網上銀行都可以辦業務，但是這種辦業務更多的是給用戶一些下拉框，讓他選一些產品、期限等，服務機器人辦理的業務過程中不再是下拉框，而是像人一樣對話，當用戶有疑問時，可以會很溫暖地回答用戶的問題。

咨詢機器人，通過身份驗證可以知道用戶是誰，根據客戶需要，推薦千人千面的個性化的服務。

目前這幾個機器人都有實際落地。IBM已經在***的某家銀行做了信用卡的推薦，做了房貸的申請，以及外匯兌換的幾個業務。在推出的一個月當中，這家銀行的業務量增加了4倍。IBM還在國內的某家股份制有限銀行做了網點機器人，IBM很可能馬上就會跟某一家國內非常有名的排前幾位的股份制銀行，給他們的智能投顧產品，由原來的幾個下拉選項的選擇變成一個智能的交互，使得他們和客戶之間實現“有溫度的對話”。

關系圈識別可降低金融風險

接下來說搜索。

以前的計算機系統做的探索，主要是關鍵詞的匹配和搜索。這在結構化數據當中可以做，但是80%的數據都是非結構化的數據。

現在認知系統有兩個功能：

第一，可以做到模式匹配和關系的發現。通過語義理解和模式匹配，可以在海量的非結構化數據當中做搜索想要的東西。比如，對一個問題，可以從海量的知識庫當中可以定位用戶所需要的答案，而不是一個關鍵詞。

第二，在海量數據當中，可以發現很多相關的知識、知識之間的關系是什么。

未來，IBM希望能做到無監督的知識的構建，現在做的知識圖譜的構建大多還是有監督的。未來，希望人工智能能夠從海量的知識庫中抽取其中的關系、以及關系存在的類型，能夠自動地去學習、更新、維護。

此外，現在很多人工智能在寫詩、在寫歌、在寫文章。IBM希望未來的探索使得認知系統能夠做一些藝術家所做的工作，即“創新”。

在這方面，IBM已有產品落地。賴開文介紹，IBM在四大行的某一家銀行里頭我們做了一個基于圖計算的品牌。通過圖計算幫銀行來進行風險的識別和傳導的預測。

具體來說，IBM做了八種關系的關系圈搜索，包括股權關系、擔保關系、投資人之間的關系、資金圈的關系等等。在這八種關系當中，IBM去檢索相應的關系圈。賴開文介紹，IBM的System G目前已經非常強大，原來做這樣的一個關系識別要一個月的時間，現在做到了只要分鐘級就可實現。原來這個關系圈做到6個就做不下去了，現在能夠做到無限的，20個、30個，甚至上百個關系圈搭建。

利用關系圈的搭建，IBM做的是風險傳導的預測。在這個關系圈里頭當有一個點出現違約的時候，它剩下的關系圈的其他的點什么時候會違約？它違約的概率有多大？就像一個蘋果筐里頭有一個蘋果爛了，其他的蘋果什么時候會爛掉？就可以預測了。我們做的準確率在40的預測做到58.2%，基于這樣的驗證，IBM即將對銀行進行這樣的產品推廣。現在很多銀行都很關注，對風險傳導的預測能夠大大減少銀行損失。

人工智能輔助決策

人工智能最重要的能力或者最關鍵的能力就是幫助人們做決策。IBM認為現階段人工智能或者認知計算更多強調的是“輔助”決策的階段。

“輔助”決策的意思是，IBM會給用戶決策的建議，這些建議里有一個“置信度”，即這個計算機系統、認知系統認為他的置信度有多少，即判斷它再多大程度上是靠譜的。并且“可追溯”，意思是，每個決策建議后面會給出證據，人可以據此作出判斷，覺得合理就采納，如果不合理，就做出自己的判斷。

在這方面，IBM的落地項目是，幫日本的一家保險公司做智能理賠。壽險公司的理賠非常復雜，因為病種很多，每個病都很復雜，要分清什么情況賠、什么情況不賠，是很專業的事情。同時，在判斷是否應該理賠時，要核查非常多的文檔、檢查的資料、醫生的處方等等。一般復雜大病需要10年以上的員工才能做。這樣人力成本的投入是非常高的。IBM通過沃森系統幫壽險做智能的理賠，做兩件事情：

第一，從非結構化的數據（從醫院拿過來的醫生開的處方單、診療報告）當中，把關鍵特征信息抽取出來，包括了疾病名稱、手術名稱、診療結論，不需要通過人去錄入。這是通過自然語言的理解、機器學習實現的。

第二，把抽取出來的特征與歷史數據進行對比，從而做出理賠決策。

賴開文透露，IBM給這家公司做完之后，該公司理賠的平均時間減少了40%，人員的投入減少了30%，原來有30%的人員轉崗去做別的事情了。每年減少支出1.5億日元。

他透露，IBM正在談中國的保險公司，TOP6的保險公司要把這樣的一個認知理賠的方案從日本移植到中國本地。（溫泉）

以下為演講實錄：

閆瑾：謝謝紀總的分享。因為保險現在是被大眾越來越需要，我們也期待人工智能在保險領域更多地落地，讓保險更加人工化、智能化和個性化。

下面同樣邀請到一位重量級的嘉賓，他是中國大陸第一個沃森落地項目和銀行業第一個認知客服項目的實施者，今天他首次就AI+金融發表演講。讓我們有請IBM全球企業咨詢服務部認知與分析服務總監賴開文先生，有請。

賴開文：大家上午好，今天很高興有這樣的機會來分享IBM在人工智能（IBM叫認知計算）的觀點，以及我說一下，IBM很重要的是在2B的市場，就是幫傳統的企業做人工智能的應用和創新。今天從兩個方向，第一個是認知計算的發展趨勢以及IBM如何本身傳統企業在金融行業做一些認知的應用。

我們知道其實AI不是一個新的課題，AI其實從50年代就開始了，到目前60來年的歷程。但是這么多年，經過了兩個波谷，都是因為AI未能達到人們的預期。第一個是70年代，第二個是80年代。現在其實從機器學習、大數據，甚至到深度學習這樣一個大的技術的突破，使得AI來到了一個新的春天，甚至我認為現在是夏天，大家都在非?；馃岬負肀н@個話題，無論是從新興的IT企業，還有傳統的行業，都在積極地擁抱AI（人工智能）。IBM從2006年推出沃爾的計算系統，2014年推出商用，目前在全球17個行業，已經在人工智能和認知計算領域有了應用。IBM也在2016年的時候宣布，全世界已經達到了，或者計算機行業已經來到了認知的時代。

認知時代其實跟AI是一脈相承的，IBM在談認知計算或者認知系統的時候，我們主要強調認知系統應該有四大核心的能力：

第一，它能夠理解人類的語言，能夠理解很多非結構化的數據，包括文本、包括語音、包括圖像、包括視頻。這些內容能夠像人一樣去理解里頭的真實的含義和分類，等等。這是第一個理解的能力。

第二，認知系統能夠推理。傳統的計算機你給它輸入A，它一定給你一個確定的答案B。但是認知系統不再是這樣的，它會根據它所學習到的背景的知識，包括時間、包括地點、包括對象、包括產品、包括很多方面內容，它會給出它認為最合適的一個答案。我舉一個例子，其實IBM有一個小機器人，把這個小機器人放到阿姆斯特丹，有人就問他：“你覺得世界上最偉大的足球運動員是誰？”他說：“因為我在阿姆斯特丹，所以我想說是科魯伊夫。”因為這個機器人有推理的能力，把地點這個環節放到了這個內容當中，所以他會說是科魯伊夫。所以認知系統很重要的特點就是有推理能力，他根據背景的知識能夠選擇他的輸出或者選擇他的答案。

第三，交互。我們的計算機系統原來跟人的交互通常是通過鍵盤、鼠標來技術交互，非常僵硬。認知系統一大特點，它能夠使機器和人的交流像人與人的交流那么順暢，它能夠聽說讀寫，能知道你的意圖，當他覺得你的意圖不清晰的時候，他會跟你反問、對話、交流。

第四，它可以學習。計算機系統你給他一個A，他一定給你一個B，如果過兩天不給你B的時候，你會說他有Bug，但是認知系統最重要的就是學習。學習就是你給他一個A，他會有備選的答案，B1、B2、B3……每一個答案后面對應著很多的證據，因為這些證據會有置信度的排名，他會把置信度最高的給到你。如果你調整這些答案背后的證據，你會補充它、優化它、更新它之后，這些答案所對應的置信度就會有所變化。當某個答案的置信度突破了排名變化的時候，這個時候，認知計算機系統給出的答案最終給你的答案就發生變化，也就意味著認知計算機系統，當你把它所對應的背景知識進行更新訓練的時候，它會不斷地學習，優化它的答案輸出。

剛才談到四個觀點。其實在目前，AI已經發展到一定的階段，在很多單一的任務上，包括了圖像的識別、包括了語音的識別、包括了人臉的識別，其實他們已經接近，甚至超過人類的水平。比方說圖像的識別，現在已經不僅僅是速度，在精準度上已經超過人類。在語音識別上頭，在某些特定的場景，它其實超過人類了。但是在一些錄音比較嘈雜的環境下，它可能沒有人類那么靈敏，它抗干擾的能力稍微差一點。但是人臉的識別到現在已經基本沒有問題了，我們知道的技術是達到了百分之九十九點幾以上的準確度。

我們其實認為，IBM認為，人工智能有三大領域，第一個是交互的提升，第二個是輔助進行更廣泛的探索，最后做出更準確的決策的輔助。

我一個一個來看，對交互而言，認知計算機系統能理解人類的對話，能夠理解人類的語言，所以通過認知計算機系統，它可以很好地來提升你跟客戶之間的交互，最終用戶之間的交互，提升用戶的體驗。以前其實有一個偽機器人，其實就是關鍵字的搜索和替代。剛才紀總也談到，他們在眾安科技做機器人。其實現在很多的對話系統或者說是FAQ的系統，問答系統，大家都在用機器人做。以前有一些傳統的機器人，我們叫智能客服1.0，是通過規則的匹配，配關鍵字、配規則來做?，F在我們來做，通過機器學習、深度學習理解，我們叫自然語言的語義理解，去理解客戶的意圖，然后進行多輪的對話。因為我們跟人之間的對話不是一問一答就好了，需要多輪的對話，現在我們已經做到深度對話的能力。未來能做什么？未來其實我們還可以在跟人類對話的過程當中，我們了解人類的個性，了解他當時的情緒。當客戶已經憤怒的時候，客戶投訴的時候就不要做推銷了，你就趕緊安慰他就好了。所以在這一塊，人和人之間，人要看臉說話，當人臉已經發怒了，你就趕緊停止。未來在人的個性的識別以及情緒的識別上可以做更多的提升。

IBM在認知交互其實做了很多的工作，我們已經給某些客戶做過問答機器人，很簡單，其實就是在我們的銀行網點上弄一個實體機器人，過來迎賓，他等候的時候你可以問他問題，包括理財的推薦，包括銀行的簡單信用卡開卡等等問題都可以問，這是很簡單的。第二個是服務機器人。我們都知道，其實現在在手機銀行、在網上銀行都可以辦業務，但是這種辦業務更多的是你給他一些下拉框，讓他選一些產品、期限，等等很多下拉選項，給他一些金額，要辦多少錢的保險，多少金額等等，但是這種交流沒有溫度，而且很多時候客戶辦理業務的過程當中會有問題要問你，比如辦一個理財產品的時候，他會問你什么叫保本？保本就不會虧錢嗎？人家的理財產品收益會比體高，為什么出現這種情況呢？這個問答需要得到及時的回答。這個時候我們叫服務機器人，辦理的業務過程中不再是下拉框，就像人一樣對話，你獲取他的需求，當他有疑問的時候，你會很溫暖地回答他的問題，消除他的疑惑，最終臨門一腳的時候幫你做好最后臨門一腳的破門的動作，使得他購買你的產品，選擇你的服務，這是服務機器人。

第三個是咨詢機器人，每個人希望個性化的服務，通過身份驗證我知道你是誰。他的頭銜是什么，如果某些人學歷非常高，他希望被稱之為博士，或者你給他推薦產品的時候，做服務的時候不是統一的我現在整個企業希望推什么產品，而是這個客戶本身希望推什么產品。在服務過程當中你又給他一些引導，引導他得到千人千面的個性化的服務。所以第三方面就是咨詢的機器人。在這塊我們其實已經在***的某家銀行做了信用卡的推薦，做了房貸的申請，這兩個業務以及外匯兌換的幾個業務，在推出的一個月當中，他們的業務量增加了4倍。我們還在國內的某家股份制有限銀行給他們做了這樣一個網點機器人，我們還很可能馬上就會跟某一家國內非常有名的排前幾位的股份制銀行，給他們的智能投顧的這樣一個產品，由原來的幾個下拉選項的選擇變成一個智能的交互，使得他們叫有溫度的對話和產品的客戶的交互。這個是我們現在在做的一些事情。

接下來說探索。以前的計算機系統做的探索，關系型數據庫，我們做什么事情？關鍵詞的匹配和搜索。這個其實在結構化數據當中可以做，但是現在我們都知道，80%的數據都是非結構化的數據，現在認知系統能夠做什么？現在認知系統可以做到模式匹配和關系的發現。所以我們通過語義理解和模式匹配可以在海量的非結構化數據當中做搜索，去搜索出你想要的那些東西，包括現在你問一個問題，我從海量的知識庫當中可以定位到你所需要的答案，而不是一個關鍵詞，你相似的答案可能是這些，你再去搜索一下。我們可以根據你問的問題精準地定位到你所需要的答案是什么。第二，在海量數據當中，我們可能發現出很多相關的知識，知識之間的關系是什么？這個是第二點。我們現在能做到這個。未來我們能做什么？未來我們希望能做到無監督的知識的構建，我們現在做的知識圖譜的構建大多還是有監督的，希望為能夠做到無監督的知識構建，整個給你一個海量的知識庫，我能夠抽取當中的關系以及關系存在的類型是什么，它能夠自動地去學習、自動地去更新、自動地去維護，這是第一點。第二點，現在很多人工智能在做什么？在寫詩、在寫歌、在寫文章。我們希望未來的探索使得我們認知系統能夠做一些藝術家所做的工作，我們叫創新。這是未來能做的事情。

IBM在四大行的某一家銀行里頭我們做了一個基于圖計算的品牌。通過圖計算幫他們來進行風險的識別和傳導的預測，大家都知道，剛才劉總也談到了風險的識別，還有蔣總也談到了風險，銀行風險很大。我們做了什么事情，我們做了八種關系，包括股權的關系，包括擔保的關系，包括投資人之間的關系，包括資金圈的關系等等這八種關系當中，我們去檢索相應的關系圈。IBM的System G非常強大，我們原來做這樣的一個關系識別，他們要一個月的時間做這樣的關系識別，我們現在做到了只要分鐘級就可以做關系圈的識別，而且我們這個關系圈原來做到6個就做不下去了，現在我們能夠做到無限的，20個、30個，甚至上百個關系圈搭建。我們做的是風險傳導的預測。在這個關系圈里頭當有一個點出現違約的時候，它剩下的關系圈的其他的點什么時候會違約？它違約的概率有多大？就像一個蘋果筐里頭有一個蘋果爛了，其他的蘋果什么時候會爛掉？我們做了這樣一個風險傳導的預測。我們做的準確率在40的預測做到58.2%，基于這樣的驗證，我們馬上會給他們進行這樣一個產品推廣，而且現在很多銀行都關注這樣的，對他們的傳導預測能夠非常地減少他們的損失。

第三個是決策，我們做了這么多，人工智能最重要的能力或者最關鍵的能力就是幫助人們做決策。

IBM認為現階段人工智能或者認知計算更多強調的是輔助決策的階段，我們會給你決策的建議，這些建議里有一個置信度，這個計算機系統、認知系統認為他的置信度有多少，我判斷他多少是靠譜的。第二個是可追溯，就是我給你一個決策，相應的后面給你一個證據，為什么給你這樣的決策？理由是什么？我會給你證據。人可以去看，我做這樣一個決策證據背后的內容一二三四是什么，你覺得合理就采納我的建議，如果不合理，請你做出自己的判斷。所以這是一個現在叫輔助決策。未來當我們的認知系統更加智能，當我們的數據更加豐富，當我們的歷史數據周期更長，當我們在監管方面不再那么嚴格要求的時候，或者我們更有信心的時候，我們希望未來計算機系統就可以幫你做決策。其實現在這樣的一個自動駕駛就是計算機在幫你做決策，左拐、右拐、剎車不剎車都是計算機幫你做決策。未來面對商用的時候一定會有監管的要求或者法律的風險要去解決。

在認知決策里頭，IBM做過什么？我談一個案例，我們幫一家保險公司做智能理賠。大家多知道，尤其是壽險公司，一旦投完保之后出險，要理賠的時候其實非常復雜，大家都知道病種那么多，每個病都那么復雜，保險的條款，我也買過這樣的壽險，看到后來我根本看不下去了，就因為朋友的關系我就買吧，我信任你。理賠專員其實也很難受，這么多病種都是很罕見的病，而且都是很專業，保險的條款什么情況賠、什么情況不賠非常復雜。所以這樣的一個事情，第一，非常多的出險理賠的文檔、檢查的資料、醫生的處方等等，一般復雜大病需要十年以上的員工才能做。這樣人力成本的投入是非常高的。IBM通過沃森系統幫他們做智能的理賠，做兩件事情：1，從非結構化的，從醫院拿過來的醫生開的處方單，開的診療的報告，我們把一些關鍵的特征信息抽取出來，包括了疾病的名稱，包括的手術的名稱，包括診療的結論，不需要通過人去錄入，直接計算機系統就抽取出來，通過自然語言的理解，通過機器學習抽取出來。2，當抽取出來的這些特征放到規則的引擎里去做，做過保險系統的人知道，規則引擎只能解決一些問題，還有一些問題不能解決，需要人工去處理。IBM的沃森系統就把這些拿過來，他去讀理賠的專案，拿過來申請材料，跟保險的條款進行比對，跟歷史的案件進行比對，歷史的案件里頭哪些跟它相似，相似的案件賠了還是沒有賠？沒有賠的原因是什么？是否跟你這個相符合，這個拿過來了。IBM給這家公司做完之后，他們原來理賠的平均時間減少了40%，人員的投入減少了30%，原來有30%的人員，我們不能說下崗了，這家公司把這些人員拿去做別的事情了。剛才劉總說的，把北大、清華的人員拿去干別的是一個意思，他們把這些人拿去做別的。每年給他減少了1.5億日元的指出。日本的保險公司沒有那么大，對于中國的保險公司，現在我們已經在談，TOP6的保險公司要把這樣的一個認知理賠的方案從日本移植到中國本地，我想中國的量級，未來可以給這些保險公司人力的成本節省是有多大可以想見。這是第三個認知理賠所輔助決策的這樣一個內容。

以上就是我今天所分享的內容，希望未來有機會跟大家再有時間作更多的分享，我也希望我們今天的內容，我們知道AI未來非常有廣闊前景，但是它怎么能幫助到各自的企業？怎么能幫助到傳統的企業？我想AI正在腳踏實地一步步往前走，走得非常踏實、非常堅實。謝謝大家。