近日，新加坡金融科技節暨新加坡科技創新周（SFF x SWITCH）盛大開幕。作為「全球規模最大的金融科技集會」及「全球最大科技創新成果平臺」，中國人民銀行行長易綱、中國銀保監會主席郭樹清、蓋茨基金會創始人Bill Gates、谷歌總裁Sunder Pichai、微軟CEO Staya Nadella、納斯達克CEO Adena Friedman、花旗集團CEO Jane Fraser等來自130個國家及地區的政策制定者、科技領袖及學界權威匯聚一堂，共探金融科技發展趨勢。
第四範式創始人、執行長戴文淵受新加坡金融管理局邀請，於「技術基礎設施」峰會（INFRASTRUCTURE SUMMIT）分享企業AI智能化轉型的落地實踐與思考。
在分享中，戴文淵表示，AI的本質是在海量數據中發現規則，規則數越多，對問題刻畫的越細緻，預測的結果也越準。AI時代，機器通過對不同領域尋找海量規律，能夠助力各行各業全面進入數據科學時代。以第四範式在金融、零售行業的場景為例：當規則從數千條提升至數億條後，某大型股份制銀行的信用卡交易欺詐識別準確率提升7倍以上；千元下的分期交易響應率提升6倍以上；個性化理財產品推薦成功率提升5倍以上；規則數從數千條提升至數百萬條後，某大型餐飲連鎖集團的銷量預測準確率提升50%，線上點餐的平均客單價提升2%。
今天，企業已經普遍認識到AI技術的價值，紛紛藉助AI對業務進行改造升級。AI在單點業務獲得成功後，最常困擾企業的問題是，如何將AI規模化地為各個業務賦能，實現全面的智能化轉型？
戴文淵提到，企業在制定AI轉型路線時可考慮「1+N」的應用模式，「1」指核心業務，意味著在核心業務場景中追求極致效果，可藉助AI實現最大化業務收益；「N」意味著在業務場景相對分散的情況下，將AI快速、規模化落地，實現由「點」到「線」再到「面」的全面業務賦能。
網際網路行業的「1」可以理解為千人千面的個性化推薦，把這一點做到極致，其產品及業務可以不斷的獲得成功。而對於更多行業，如金融、零售行業，企業往往是海量業務的組合，更適合通過「N」的方式規模化落地AI應用，實現全面的轉型升級。
「N」的實現需要解決兩個問題：人才及效率。首先，門檻足夠低，讓AI應用開發不限於極度稀缺的AI科學家。第四範式的做法是通過AutoML（自動機器學習），讓業務人員也能開發AI應用。以範式服務的某銀行客戶流失率預測為例，該行藉助第四範式AutoML，構建人工智慧模型的時間從400小時下降至10小時，且預測準確率相較於人類科學家手動建模更高。
其次，「N」的實現還需要統一的方法論，從而規模化生產AI，以標準化流程提升效率。第四範式建立了一個以「庫伯學習圈」理論為基礎的AI方法論，將AI開發分成「行為數據採集、反饋數據採集、模型訓練、模型應用」四個標準步驟，幫助企業加速AI的落地效率。以第四範式服務的某大型央企為例，在統一的方法論和低門檻平臺的加持下，該企業一年內在100多個業務場景中實現了AI落地。
對於企業來說，AI不只是單點業務的智能化升級，更是整體業務創新、經營效率提升的利器。自2014成立以來，第四範式一直致力於幫助各行各業企業實現智能化轉型，目前已在金融、零售、製造、能源、醫療、政府、網際網路等行業落地上萬個AI落地案例，連續兩年蟬聯 IDC MarketScapeTM 中國機器學習平臺市場份額第一。依託於豐富的技術積累與行業經驗，第四範式將繼續完善全棧式的企業級AI產品體系，讓企業智能化轉型不再受到落地效率低下、業務價值不佳、投入成本激增等難題的制約。
（免責聲明：此文內容為本網站刊發或轉載企業宣傳資訊，僅代表作者個人觀點，與本網無關。僅供讀者參考，並請自行核實相關內容。）