機器之心原創
機器之心編輯部
在數據中心江湖叱吒風雲的英特爾如何助力金融垂直業的智能化升級？
時間倒回到 2000 年。
位於紐約的高盛美股交易大廳裡人頭攢動，電話聲此起彼伏，銀行業大客戶的訂單接踵而至，600 名交易員緊張而有序地進行著股票交易。
如今，這裡只剩下三名股票交易員。高盛 3.3 萬名全職員工中，超過 9 千名員工都是程式設計師和工程師。
「高盛是一家技術公司」，高盛 CEO 在近幾年的公開場合中反覆強調。華爾街的另一家巨頭摩根大通也調整了自己的步伐。
摩根大通很早就設立了技術中心，聘用約 4 萬名技術人員專門研究大數據、機器人和雲基礎設施，去年還引入了全球首創的機器人來進行他們的全球股票算法交易。
我國銀行業協會數據顯示，2017 年行業平均離櫃業務率達到 87.58%。
金融業的智能化升級已經成為不可阻擋的趨勢，因其注重數據和流程的行業特性，金融業在多年的運作中積累了海量數據，成長為人工智慧技術天然的掘金池。目前，人工智慧技術已經滲透進金融行業的前端、中臺和後端，成為金融企業開展高質量數據分析和業務預測的重要手段。
在這個過程中，強大的算力平臺、融會貫通的軟體算法系統、有效的執行效力將扮演核心引擎的作用。
英特爾憑藉著數十年的數據中心行業客戶服務經驗，通過出色的英特爾至強可擴展處理器及各類專業的解決方案集成平臺在挑剔嚴謹的金融市場獲得一席之地，有效地通過人工智慧技術持續驅動金融行業發展，相繼推出了金融反欺詐解決方案、信貸逾期風險預測解決方案、金融行業精準營銷策略，並加速 AI 影像分析能力以推動保險行業的智能化升級。
一、金融行業需要什麼樣的 AI？
當前，金融行業在技術升級的支持下加速變革。一方面，新需求層出不窮；另一方面，潛在風險逐漸積累，金融機構需要具備快速應對的能力。
在風險形式上，傳統風險與新型風險也正相互交織。除了層出不窮的傳統金融欺詐手段，例如信用欺詐、盜刷欺詐、惡意套現以及保險業騙保等，伴隨網際網路時代出現的個人信息洩露、釣魚網站、欺詐黑產化等問題，也帶來更高頻化、精準化的的金融欺詐犯罪。
「未來 5 年，風控和反欺詐將成為金融機構贏得市場競爭的重要因素之一。同時，這一領域也將催生一個巨大的市場」。有從業者這樣認為。
按目前官方披露的數據推算，金融科技市場規模至少有 4000 億元至 5000 億元。尤其是最近幾年，金融機構紛紛加大投資力度，運用大數據及人工智慧相關技術提升信息管理水平、降低潛在風險，這為金融科技公司大顯身手提供了絕佳舞臺。
現在，隨著 AI 技術的不斷發展，在金融行業的前端、中臺和後端，都已經有了相對成熟的應用方案。
1）在前端，感知類技術（計算機視覺、語音識別等）不斷走向成熟，代表性應用已有客服聊天機器人、語音或者面部身份識別等。
2）在中臺，AI 可以提高基於信息的分析決策效率，幫助用戶更加快速地抓住商機。傳統的商業智能和數據分析方法，往往停留在趨勢分析、原因挖掘、數據挖掘與預測層面。而 AI 的引入，既延伸了分析的廣度，也提高了分析的深度。
通過不斷學習和完善，提高建議的相關性和特異性，AI 為風險管理、營銷、服務等提供基於智能化的分析和決策。
3）在後端，比如行業合規以及 IT、財務等支持職能中，存在大量高度重複性的工作，AI 的重要應用之一，正是承擔起這些重複性的人力工作。
二、定製化的金融 AI 軟硬平臺
在 AI 推理市場，英特爾至強處理器已經獲得高度認可，佔據 80%-90% 的市場。
作為創新之作，第二代至強可擴展處理器更將平臺融合以及計算、存儲、內存、網絡和安全等功能均提升到了新的高度，提供比前代產品高出 25%-35% 的性能，且具備多項新特性，提升靈活性與安全性，增強內存性能，改善總體擁有成本，提升用戶的生產力。
其中，金牌處理器 6200 系列，特別是主流的金牌 6248 處理器、金牌 6240 處理器、金牌 6230 處理器身為英特爾至強可擴展處理器平臺的中流砥柱，加強對雙 FMA 通道的支持，FMA 性能提升了 2 倍，能夠適應更複雜、更多樣化的應用場景。
面向深度學習應用，英特爾開源了一款性能增強庫，是英特爾為了幫助開發人員充分利用英特爾架構，推進深度學習的研究和應用而創建的基礎庫。
在該庫中，包含了高度矢量化和線程化的構建模塊，支持利用 C 和 C++接口實施深度神經網絡, 具備廣泛的深度學習研究、開發和應用生態系統，適用於：Caffe、TensorFlow、PyTorch Apache、Mxnet、BigDL、CNTK、OpenVINO工具包等豐富的深度學習軟體產品。
為了有效提高深度學習模型在英特爾架構基礎設施上的運行速度，英特爾 MKL-DNN 提供了眾多優化的深度學習基元，比如矩陣乘法和卷積模塊、矩陣乘法和卷積、內積等單元，可應用於不同的深度學習框架，以確保通用構建模塊的高效實施。
為大幅提升了深度學習在 CPU 上的性能，英特爾還和眾多開源社區合作，把英特爾 MKL-DNN 集成進各種深度學習框架。
如早在 2016 年，經過英特爾 MKL-DNN 優化的 Caffe，採用 E5-2697 v3 處理器，相對於原始的 Caffe 性能獲得 10 倍提高。在最新一代鉑金 9282 處理器上，ResNet-50 上實現了每秒 7736 張圖像的領先性能。
目前，英特爾 MKL-DNN 已成為眾多深度學習框架在 CPU 上的基本配置。
在數據分析層面，英特爾開源了 Analytics Zoo「大數據分析 +AI」平臺，將 Spark、TensorFlow、Keras 以及 BigDL 等軟體與框架集成到一個統一的體系，並擴展到大型 Apache Hadoop/Spark 集群，用於深度學習所需的分布式訓練或預測。
Analytics Zoo 可在大型英特爾至強可擴展處理器的集群上運行，它允許用戶直接在既有的大數據基礎設施上開發和運行深度學習應用程式。通過 Plain Old Java Object(POJO)、本地 Java API 或 Scala/ Python 模型加載 API，可無縫集成到 Web 服務中。
針對邊緣側的視覺處理提速，英特爾還特意推出 OpenVINO 工具套件，通過英特爾 AVX-512 以及採用 VNNI 的英特爾深度學習加速技術，在英特爾架構平臺上，將計算機視覺相關深度學習性能提升 19 倍以上。
OpenVINO 基於通用 API 接口在 CPU、GPU、FPGA、VPU 等各種硬體設備上均可運行。藉助這一工具套件，開發者無需改變軟體，即可快速完成硬體升級和算法移植。
三、四大方案落地，針對性攻破
圍繞金融反欺詐、風險預測、客戶營銷、智能核保等多個場景，通過英特爾與中國銀聯、中國人壽上海數據中心、萬事達卡以及中國平安等合作夥伴的經典案例，我們將詳細闡述實戰中的部署和應用。
1、金融反欺詐：三層融合的「三明治」模型
在金融領域建立反欺詐應用模型時，通常面臨缺少足夠的用戶歷史交易數據的難題，且絕大多數數據都源自正常交易行為，10-100 萬份正常數據中僅有 1 份非正常交易數據。
傳統的模型主要依靠不斷建立、更新基於用戶行為特徵的規則庫。當交易發生時，系統調用既定的規則引擎來監測該筆交易潛在的風險。但隨著業務場景的增多，交易規則複雜度不斷提升，傳統的規則系統風的資源消耗和監控時延的壓力持續增加。
基於 AI 的金融反欺詐模型通過「對規則的自我學習」，能夠實現更為準確和客觀地判斷。
由於僅依靠機器學習對序列化的交易特徵學習能力不足，同時單一的深度學習模型對單筆交易內的特徵學習能力有限，於是，中國銀聯聯合英特爾提出多層機器學習 + 深度學習模型，大幅提升反欺詐模型的性能。
針對學習歷史交易數據不足的問題，利用建模過程平臺可從少量的原始欄位中衍生出了幾百個特徵因子，歸納成當筆 / 上筆交易、長短時統計以及可信特徵變量等 6 大維度，並通過這些特徵工程來幫助模型進行更好的學習。
在「三明治」多層反欺詐偵測模型，英特爾構建「GBDT—>GRU—>RF」三層架構。
首先，針對單一深度學習方法 (例如 RNN) 在單筆交易內特徵學習能力上的不足，英特爾建立 Analytics Zoo 工具，在框架的前端引入 GBDT 模型進行特徵優化，並將優化後的特徵與人工特徵相結合，作為 GRU 網絡的輸入，以此來學習序列間的特徵，並且將單筆交易內的特徵時序化。
這一過程可以對數據實施有效的過濾，從而為後續的 GRU 模型提供真正有用的數據。
在中間層，框架並沒有直接使用 GRU 網絡的輸出作為直接的欺詐偵測判別，而是將其作為序列間特徵學習的一環，將學習得到的序列間特徵與原先的交易內特徵相結合，形成最終交易特徵向量。
最後在此基礎之上，為進一步地將時序特徵進行融合學習。在框架的最後，這一架構還疊加了一個頂層的 RF 模型，作為最終的欺詐判別分類器。
通過與發卡量和交易量市場份額位於世界第一的中國銀聯實戰合作，英特爾在上百個節點組成的訓練集群上開展其反欺詐偵測模型的構建，已在偽卡/套現欺詐偵測等場景中進行了實測，並獲得良好效果。
通過多方位的測評，全新的多層反欺詐模型無論是在召回率，還是在準確率方面都達到預期效果。與其他機器學習、深度學習模型，或者多層模型相比，三明治結構（GBDT->GRU->RF）反欺詐模型的精度-召回曲線最優。隨著數據非平衡率的增加，三明治結構反欺詐模型的 F1 值下降最為緩慢。
完成流程化建模和多層反欺詐偵測模型構建後，銀聯將該套方案進行了封裝和整合併提供 API 接口，業務人員輸入入參後，即可獲得經過智能模型運算分析後的結果指標。
以三明治結構的欺詐偵測模型為例，可以為偽卡、套現等欺詐偵測場景提供底層模型支撐，業務人員並不需要深入研究這些複雜的模型，僅調用上層 API 即可。
在這一創新過程中，英特爾不僅為這一新型的反欺詐模型提供了高性能處理器產品作為動力引擎，針對三明治結構欺詐偵測模型提供了有針對性的優化手段和工具，進而幫助整個反欺詐模型進一步提升了效率。
2、信貸逾期風險：深度學習+機器學習雙劍合璧
目前，商業銀行針對信貸逾期風險預測主要有兩類應用場景，一類是在貸款前就進行的貸前風險評估，其主要關注預測結果的時效性和可解釋性; 另一類是針對貸款發放後的貸後風險預測，其主要關注預測結果的準確率和可解釋性。
純粹的深度學習往往是一個黑箱狀態，缺乏可解釋性，而這正是金融機構所看重的——他們需要可解釋的信息和條件算出特定的預測結果。這些解釋能夠指導金融客戶改善業務流程、改進客戶體驗。
模型融合可有效提升算法的可解釋性和準確性，不同模型的學習訓練原理不同，所學到的知識也不一樣，將其融合可提升訓練效果。或直接使用不同模型的結果文件進行融合，或使用一個模型的預測結果作為另一個模型的特徵進行訓練，然後得到新的預測結果。
例如，將樹模型 XGBoost 和 LSTM 融合，使預測能力得到進一步增強，同時又保證了模型的可解釋性。
XGBoost 已經開源，基於英特爾架構優化 TensorFlow 深度學習框架所構建，允許模型與 Scikit-Learn 框架中的其他分類器或回歸器協同使用，通過調用英特爾針對數據分析和機器學習的加速庫，充分利用英特爾架構的硬體資源，加速訓練和推斷過程。
在基於深度學習模型 (LSTM) 和傳統機器學習模型 (XGBoost/RF) 的貸款逾期風險混合預測模型中，首先是特徵分析和數據預處理，處理包括缺失數據、數據範圍、數據不平衡性等方面，以及數據重要特徵的分析。隨著數據集容量的增加和複雜化，該模型還可以使用不同的預處理工具包和新模型來應對各種類型的數據輸入。
第二步，利用深度學習模型和傳統機器學習模型分別對樣本數據進行訓練和推理，並各自得到相關的結果；而後，混合模型會將分別對結果進行加權處理，更新權值並做出預測。
方案的最後一步，是將本輪的預測結果重新導入模型頭部，根據預測效果更新特徵值和權值，並進行下一輪的預測。
在軟體棧中，左側底層由英特爾至強 6130 處理器和英特爾乙太網融合網絡適配器 X710-DA2 構建的硬體基礎設施；其上是 AI 能力層，部署了英特爾 MKL- DNN 或 MKL、面向英特爾架構優化的 TensorFlow1.10 以及 Python 分發包。
右側，底層是由英特爾至強 5118 處理器和英特爾乙太網融合網絡適配器 X710-DA2 構建的硬體基礎設施，其上是數據層。在 AI 能力層和數據層之上，部署了貸款逾期風險混合預測應用。
其中英特爾 AVX-512 為 XGBoost 模型提供出色的並行計算能力。
一個完整的貸款逾期風險混合預測方案包括外部數據處理子系統、在線系統以及離線系統。對於外部數據，統一匯入數據規劃與監控平臺，而後由一個服務接口將部分數據送至離線系統。
在離線系統中，來自外部數據子系統和在線系統的部分數據被匯入一個數據集市 (Data Mart)，清洗之後，進入離線的模型訓練和算法部署流程，經訓練後的模型算法將被導入在線子系統的預測系統中。
經過某大型商業銀行實際部署後證明表明，最終的混合模型方案可以有效地提升 預測的準確率，並大幅降低預測時延。
數據顯示，與人工預測方案相比，LSTM 方法的準確性提升一倍，而混合模型方案的預測準確率能夠提升 2 倍以上，同時預測時延則縮短到了 2 天 (效率提升 10 倍以上)。在線預測方案 (可放貸風險預測) 中，每筆預測時間均小於 1 秒，顯著提升客戶滿意度。
3、推薦系統：神經協同過濾+寬深模型模型
推薦系統已經成為許多行業拓展銷售和服務的關鍵工具。例如，有 80% 的用戶在 Netflix 上通過推薦來選擇所觀看的電影;而 YouTube 上的這一數字為 60%，且基於深度學習的推薦系統在推薦質量方面正獲得越來越多的認可。
中國人壽上海數據中心是保費收入超過四千億元的超大型保險企業中的重要一員。過去，他們的營銷人員只能通過個人從業經驗和公司的主推險種來給客戶推薦，而很少考慮到客戶自身的需求。尤其是對於沒有經驗的年輕營銷員來說，更容易產生誤導式的推銷。
因此，中國人壽上海數據中心計劃以數據為支撐，通過基於深度學習的推薦模型幫助業務人員高效地推薦個性化險種，從而解決因業務規模和險種規模不斷擴大帶來的問題。
通過採用英特爾的大數據平臺 Analytics Zoo，中國人壽上海數據中心推薦系統的命中率為 99.8%，歸一化折扣累積增益到達 0.66，這一結果超過了預期的數值。可以認為，該推薦系統具有良好的效果。
作為全球領先的支付解決方案提供商，萬事達卡 (MasterCard) 擁有 26 億張信用卡，年交易量達 560 億筆，通過引入英特爾 Analytics Zoo「大數據分析 +AI」平臺，構建基於深度學習的推薦算法。
通過與基準 ALS 模型進行比較，萬事達卡的深度學習模型有顯著的改進。
利用 Analytics Zoo 提供的端到端 AI 與大數據分析能力，金融企業得以快速地利用自己的數據資源，在其既有大數據平臺上構建深度學習模型推薦系統，無須從頭建設，可大幅減少金融企業建設業務推薦系統的成本與時間。
4、影像分析：ResNet+Caffe 優化方案
保險行業中的各個險種都對圖像分析有著巨大需求。
例如，車險的投保和出險，需要被投保人在投保系統中上傳身份證、行駛證、車輛合格證等證照，再由後臺工作人員進行審核。常用的各類證件、籤章多達數十個，全部採用人工審核不僅費時費力，出現錯誤也無可避免。再例如，日益受到關注的健康險，也需要相關核保人員判讀被保險人的 X 光、CT 等影像，進而對被投保人的近期和遠期健康狀況做出準確評估。
針對該領域的 AI 應用，英特爾在人臉檢測、比對、識別、活檢等各個模塊上都有相應的算法和模型可供參考。例如，由英特爾推出的OpenVINO工具套件已經提供了幾十個預訓練好的 AI 模型，讓用戶無需從零開始構建諸如人臉檢測識別等 AI 應用。
深度神經網絡是目前 AI 影像分析中應用最廣泛的網絡模型之一，在經典的深度神經網絡中，網絡層數越多，能夠提取到的不同層次的特徵越豐富。同時，更深的網絡，能夠使得提取到的特徵更抽象，更富有語義信息。
但隨著深度不斷增加，退化 (Degradation) 問題也隨之產生，即準確率會先上升直至飽和，而繼續增加深度，卻導致準確率逐漸下降。殘差網絡 (Residual Net，ResNet) 可以有效地解決這一問題。
針對眾多流行 AI 框架，諸如 BVLC Caffe、TensorFlow、Apache MXNet 等，英特爾進行了大量的優化工作。以 Caffe 為例，其相較於 BVLC Caffe，英特爾至強可擴展處理器的優勢得到進一步釋放，實現 1+1>2 的效果。
與面向英特爾架構優化的 Caffe 框架結合層融合技術，使 ResNet 等卷積神經網絡在英特爾至強可擴展處理器平臺上進行 2D 圖像推理時，可媲美甚至超越現有平臺。
同時，平臺還對 INT8 精度推理有著良好的支持，且框架提供的 calibration 等工具可以實現神經網絡無縫切換到 INT8, 進而更大幅度提升性能。
一項數據表明，與使用 BVLC Caffe 相比，英特爾至強可擴展處理器單位時間推理性能可提升達前者的 51 倍之多，推理時長則縮短至前者的 4.7%。
醫學影像不僅是醫療機構最常用的診療依據，也是保險機構判斷被保險人健康狀況的重要依據。中國平安基於 2D 圖像分類、檢測及定位上有著非常優異特性的 ResNet 和前沿的 3D 圖像分割模型 V-Net 分割網絡，採用面向英特爾架構優化的 Caffe 等深度學習框架，對 2D/3D 醫學影像進行 AI 推理。
在 2018 年初的肺結節分析評測中，平安不僅在肺結節智能讀片技術中榮獲全球第一，更分別以 95.1% 和 96.8% 的精度，刷新了「肺結節檢測」和「假陽性篩查」的世界紀錄。高效的醫學影像分析能力將幫助保險公司準確地分析出所核實的保險是否是騙保的行為，從而大幅提升其保險業務能力。
基於 AI 的影像分析能夠有效助力金融機構提高業務辦理效率、防範欺詐風險並提升用戶體驗。通過 Caffe、TensorFlow 等深度學習框架，此類應用已經在保險行業的智能核保流程中，針對病理影像判讀、、票據處理等場景獲得了廣泛的使用。
在各界金融機構都積極引入人工智慧技術的當下，把控風險、降低人力成本、提升業務價值成為金融行業升級的關鍵，英特爾針對各大領域龍頭企業打造出的專業性方案極具針對性和借鑑價值。
在這個過程中，原有資料庫架構和技術資源得以保留，算法能力和 IT 設施基礎卻在潛移默化地完成了升級，業務能力和客戶體驗進一步提升，英特爾核心至強算力平臺與 AI 算法融合的價值也在方案落地的那一刻得以實現。
本文為機器之心原創，轉載請聯繫本公眾號獲得授權。
------------------------------------------------