IBM赖开文：IBM认知计算在中国金融业落地

科技讯7月15日，媒体未来科技峰会在北京举行。IBM全球企业咨询服务部认知与分析服务总监赖开文出席了“AI+金融”专场，并发表主题演讲。他是*第一个沃森落地项目和银行业第一个认知客服项目的实施者。

他介绍，IBM从2006年推出沃尔的计算系统，2014年推出商用，目前在全球17个行业，已经在人工智能和认知计算领域有了应用。IBM也在2016年的时候宣布，全世界已经达到了，或者计算机行业已经来到了认知的时代。

认知系统四大核心能力

认知系统应该有四大核心能力：

第一，它能够理解人类的语言，能够理解很多非结构化的数据，包括文本、包括语音、包括图像、包括视频。

第二，认知系统能够推理。传统的计算机你给它输入A，它一定给你一个确定的答案B。但是认知系统不再是这样的，它会根据它所学习到的背景的知识，包括时间、包括地点、包括对象、包括产品、包括很多方面内容，它会给出它认为最合适的一个答案。比如，IBM有一个小机器人，把这个小机器人放到阿姆斯特丹，有人就问他：“你觉得世界上最伟大的足球运动员是谁？”他说：“因为我在阿姆斯特丹，所以我想说是科鲁伊夫。”因为这个机器人有推理的能力，把地点这个环节放到了这个内容当中，所以他会说是科鲁伊夫。

第三，交互。计算机系统原来跟人的交互通常是通过键盘、鼠标来技术交互，非常僵硬。认知系统一大特点是，它能够使机器和人的交流像人与人的交流那么顺畅，它能够听说读写，能知道你的意图，当它觉得你的意图不清晰的时候，它会跟你反问、对话、交流。

第四，它可以学习。计算机系统你给他一个A，它一定给你一个B。学习就是你给他一个A，它会有备选的答案，B1、B2、B3……每一个答案后面对应着很多的证据，因为这些证据会有置信度的排名，它会把置信度最高的给到你。如果你调整这些答案背后的证据，你会补充它、优化它、更新它之后，这些答案所对应的置信度就会有所变化。当某个答案的置信度突破了排名变化的时候，这个时候，认知计算机系统给出的答案最终给你的答案就发生变化，

赖开文介绍，目前，AI已经发展到一定的阶段，在很多单一的任务上，包括图像识别、语音识别、人脸识别，已经接近甚至超过人类的水平。

在这个基础之上，IBM认为，人工智能有三大领域，第一个是交互的提升，第二个是辅助进行更广泛的探索，最后做出更准确的决策的辅助。

人工智能改变金融交互

对交互而言，认知计算机系统能理解人类的对话，能够理解人类的语言，所以通过认知计算机系统，它可以很好地来提升你跟客户之间的交互，最终用户之间的交互，提升用户的体验。

现在智能客服可以理解自然语言，未来其实我们还可以在跟人类对话的过程当中，我们了解人类的个性，了解他当时的情绪。比如，当客户已经愤怒的时候，客户投诉的时候就不做推销了，客服机器人就赶紧安慰他。未来在人的个性的识别以及情绪的识别上可以做更多的提升。

目前，IBM已经在银行做了三类机器人：银行网点迎宾机器人、服务机器人、咨询机器人。

迎宾机器人，可以回答银行客户刚到银行网点时的一些问题，包括理财的推荐、银行的简单信用卡开卡等等问题都可以回答。

服务机器人，现在在手机银行、在网上银行都可以办业务，但是这种办业务更多的是给用户一些下拉框，让他选一些产品、期限等，服务机器人办理的业务过程中不再是下拉框，而是像人一样对话，当用户有疑问时，可以会很温暖地回答用户的问题。

咨询机器人，通过身份验证可以知道用户是谁，根据客户需要，推荐千人千面的个性化的服务。

目前这几个机器人都有实际落地。IBM已经在*的某家银行做了信用卡的推荐，做了房贷的申请，以及外汇兑换的几个业务。在推出的一个月当中，这家银行的业务量增加了4倍。IBM还在国内的某家股份制有限银行做了网点机器人，IBM很可能马上就会跟某一家国内非常有名的排前几位的股份制银行，给他们的智能投顾产品，由原来的几个下拉选项的选择变成一个智能的交互，使得他们和客户之间实现“有温度的对话”。

关系圈识别可降低金融风险

接下来说搜索。

以前的计算机系统做的探索，主要是关键词的匹配和搜索。这在结构化数据当中可以做，但是80%的数据都是非结构化的数据。

现在认知系统有两个功能：

第一，可以做到模式匹配和关系的发现。通过语义理解和模式匹配，可以在海量的非结构化数据当中做搜索想要的东西。比如，对一个问题，可以从海量的知识库当中可以定位用户所需要的答案，而不是一个关键词。

第二，在海量数据当中，可以发现很多相关的知识、知识之间的关系是什么。

未来，IBM希望能做到无监督的知识的构建，现在做的知识图谱的构建大多还是有监督的。未来，希望人工智能能够从海量的知识库中抽取其中的关系、以及关系存在的类型，能够自动地去学习、更新、维护。

此外，现在很多人工智能在写诗、在写歌、在写文章。IBM希望未来的探索使得认知系统能够做一些艺术家所做的工作，即“创新”。

在这方面，IBM已有产品落地。赖开文介绍，IBM在四大行的某一家银行里头我们做了一个基于图计算的品牌。通过图计算帮银行来进行风险的识别和传导的预测。

具体来说，IBM做了八种关系的关系圈搜索，包括股权关系、担保关系、投资人之间的关系、资金圈的关系等等。在这八种关系当中，IBM去检索相应的关系圈。赖开文介绍，IBM的System G目前已经非常强大，原来做这样的一个关系识别要一个月的时间，现在做到了只要分钟级就可实现。原来这个关系圈做到6个就做不下去了，现在能够做到无限的，20个、30个，甚至上百个关系圈搭建。

利用关系圈的搭建，IBM做的是风险传导的预测。在这个关系圈里头当有一个点出现违约的时候，它剩下的关系圈的其他的点什么时候会违约？它违约的概率有多大？就像一个苹果筐里头有一个苹果烂了，其他的苹果什么时候会烂掉？就可以预测了。我们做的准确率在40的预测做到58.2%，基于这样的验证，IBM即将对银行进行这样的产品推广。现在很多银行都很关注，对风险传导的预测能够大大减少银行损失。

人工智能辅助决策

人工智能最重要的能力或者最关键的能力就是帮助人们做决策。IBM认为现阶段人工智能或者认知计算更多强调的是“辅助”决策的阶段。

“辅助”决策的意思是，IBM会给用户决策的建议，这些建议里有一个“置信度”，即这个计算机系统、认知系统认为他的置信度有多少，即判断它再多大程度上是靠谱的。并且“可追溯”，意思是，每个决策建议后面会给出证据，人可以据此作出判断，觉得合理就采纳，如果不合理，就做出自己的判断。

在这方面，IBM的落地项目是，帮日本的一家保险公司做智能理赔。寿险公司的理赔非常复杂，因为病种很多，每个病都很复杂，要分清什么情况赔、什么情况不赔，是很专业的事情。同时，在判断是否应该理赔时，要核查非常多的文档、检查的资料、医生的处方等等。一般复杂大病需要10年以上的员工才能做。这样人力成本的投入是非常高的。IBM通过沃森系统帮寿险做智能的理赔，做两件事情：

第一，从非结构化的数据（从医院拿过来的医生开的处方单、诊疗报告）当中，把关键特征信息抽取出来，包括了疾病名称、手术名称、诊疗结论，不需要通过人去录入。这是通过自然语言的理解、机器学习实现的。

第二，把抽取出来的特征与历史数据进行对比，从而做出理赔决策。

赖开文透露，IBM给这家公司做完之后，该公司理赔的平均时间减少了40%，人员的投入减少了30%，原来有30%的人员转岗去做别的事情了。每年减少支出1.5亿日元。

他透露，IBM正在谈中国的保险公司，TOP6的保险公司要把这样的一个认知理赔的方案从日本移植到中国本地。（温泉）

以下为演讲实录：

闫瑾：谢谢纪总的分享。因为保险现在是被大众越来越需要，我们也期待人工智能在保险领域更多地落地，让保险更加人工化、智能化和个性化。

下面同样邀请到一位重量级的嘉宾，他是*第一个沃森落地项目和银行业第一个认知客服项目的实施者，今天他首次就AI+金融发表演讲。让我们有请IBM全球企业咨询服务部认知与分析服务总监赖开文先生，有请。

赖开文：大家上午好，今天很高兴有这样的机会来分享IBM在人工智能（IBM叫认知计算）的观点，以及我说一下，IBM很重要的是在2B的市场，就是帮传统的企业做人工智能的应用和创新。今天从两个方向，第一个是认知计算的发展趋势以及IBM如何本身传统企业在金融行业做一些认知的应用。

我们知道其实AI不是一个新的课题，AI其实从50年代就开始了，到目前60来年的历程。但是这么多年，经过了两个波谷，都是因为AI未能达到人们的预期。第一个是70年代，第二个是80年代。现在其实从机器学习、大数据，甚至到深度学习这样一个大的技术的突破，使得AI来到了一个新的春天，甚至我认为现在是夏天，大家都在非常火热地拥抱这个话题，无论是从新兴的IT企业，还有传统的行业，都在积极地拥抱AI（人工智能）。IBM从2006年推出沃尔的计算系统，2014年推出商用，目前在全球17个行业，已经在人工智能和认知计算领域有了应用。IBM也在2016年的时候宣布，全世界已经达到了，或者计算机行业已经来到了认知的时代。

认知时代其实跟AI是一脉相承的，IBM在谈认知计算或者认知系统的时候，我们主要强调认知系统应该有四大核心的能力：

第一，它能够理解人类的语言，能够理解很多非结构化的数据，包括文本、包括语音、包括图像、包括视频。这些内容能够像人一样去理解里头的真实的含义和分类，等等。这是第一个理解的能力。

第二，认知系统能够推理。传统的计算机你给它输入A，它一定给你一个确定的答案B。但是认知系统不再是这样的，它会根据它所学习到的背景的知识，包括时间、包括地点、包括对象、包括产品、包括很多方面内容，它会给出它认为最合适的一个答案。我举一个例子，其实IBM有一个小机器人，把这个小机器人放到阿姆斯特丹，有人就问他：“你觉得世界上最伟大的足球运动员是谁？”他说：“因为我在阿姆斯特丹，所以我想说是科鲁伊夫。”因为这个机器人有推理的能力，把地点这个环节放到了这个内容当中，所以他会说是科鲁伊夫。所以认知系统很重要的特点就是有推理能力，他根据背景的知识能够选择他的输出或者选择他的答案。

第三，交互。我们的计算机系统原来跟人的交互通常是通过键盘、鼠标来技术交互，非常僵硬。认知系统一大特点，它能够使机器和人的交流像人与人的交流那么顺畅，它能够听说读写，能知道你的意图，当他觉得你的意图不清晰的时候，他会跟你反问、对话、交流。

第四，它可以学习。计算机系统你给他一个A，他一定给你一个B，如果过两天不给你B的时候，你会说他有Bug，但是认知系统最重要的就是学习。学习就是你给他一个A，他会有备选的答案，B1、B2、B3……每一个答案后面对应着很多的证据，因为这些证据会有置信度的排名，他会把置信度最高的给到你。如果你调整这些答案背后的证据，你会补充它、优化它、更新它之后，这些答案所对应的置信度就会有所变化。当某个答案的置信度突破了排名变化的时候，这个时候，认知计算机系统给出的答案最终给你的答案就发生变化，也就意味着认知计算机系统，当你把它所对应的背景知识进行更新训练的时候，它会不断地学习，优化它的答案输出。

刚才谈到四个观点。其实在目前，AI已经发展到一定的阶段，在很多单一的任务上，包括了图像的识别、包括了语音的识别、包括了人脸的识别，其实他们已经接近，甚至超过人类的水平。比方说图像的识别，现在已经不仅仅是速度，在精准度上已经超过人类。在语音识别上头，在某些特定的场景，它其实超过人类了。但是在一些录音比较嘈杂的环境下，它可能没有人类那么灵敏，它抗干扰的能力稍微差一点。但是人脸的识别到现在已经基本没有问题了，我们知道的技术是达到了百分之九十九点几以上的准确度。

我们其实认为，IBM认为，人工智能有三大领域，第一个是交互的提升，第二个是辅助进行更广泛的探索，最后做出更准确的决策的辅助。

我一个一个来看，对交互而言，认知计算机系统能理解人类的对话，能够理解人类的语言，所以通过认知计算机系统，它可以很好地来提升你跟客户之间的交互，最终用户之间的交互，提升用户的体验。以前其实有一个伪机器人，其实就是关键字的搜索和替代。刚才纪总也谈到，他们在众安科技做机器人。其实现在很多的对话系统或者说是FAQ的系统，问答系统，大家都在用机器人做。以前有一些传统的机器人，我们叫智能客服1.0，是通过规则的匹配，配关键字、配规则来做。现在我们来做，通过机器学习、深度学习理解，我们叫自然语言的语义理解，去理解客户的意图，然后进行多轮的对话。因为我们跟人之间的对话不是一问一答就好了，需要多轮的对话，现在我们已经做到深度对话的能力。未来能做什么？未来其实我们还可以在跟人类对话的过程当中，我们了解人类的个性，了解他当时的情绪。当客户已经愤怒的时候，客户投诉的时候就不要做推销了，你就赶紧安慰他就好了。所以在这一块，人和人之间，人要看脸说话，当人脸已经发怒了，你就赶紧停止。未来在人的个性的识别以及情绪的识别上可以做更多的提升。

IBM在认知交互其实做了很多的工作，我们已经给某些客户做过问答机器人，很简单，其实就是在我们的银行网点上弄一个实体机器人，过来迎宾，他等候的时候你可以问他问题，包括理财的推荐，包括银行的简单信用卡开卡等等问题都可以问，这是很简单的。第二个是服务机器人。我们都知道，其实现在在手机银行、在网上银行都可以办业务，但是这种办业务更多的是你给他一些下拉框，让他选一些产品、期限，等等很多下拉选项，给他一些金额，要办多少钱的保险，多少金额等等，但是这种交流没有温度，而且很多时候客户办理业务的过程当中会有问题要问你，比如办一个理财产品的时候，他会问你什么叫保本？保本就不会亏钱吗？人家的理财产品收益会比体高，为什么出现这种情况呢？这个问答需要得到及时的回答。这个时候我们叫服务机器人，办理的业务过程中不再是下拉框，就像人一样对话，你获取他的需求，当他有疑问的时候，你会很温暖地回答他的问题，消除他的疑惑，最终临门一脚的时候帮你做好最后临门一脚的破门的动作，使得他购买你的产品，选择你的服务，这是服务机器人。

第三个是咨询机器人，每个人希望个性化的服务，通过身份验证我知道你是谁。他的头衔是什么，如果某些人学历非常高，他希望被称之为博士，或者你给他推荐产品的时候，做服务的时候不是统一的我现在整个企业希望推什么产品，而是这个客户本身希望推什么产品。在服务过程当中你又给他一些引导，引导他得到千人千面的个性化的服务。所以第三方面就是咨询的机器人。在这块我们其实已经在*的某家银行做了信用卡的推荐，做了房贷的申请，这两个业务以及外汇兑换的几个业务，在推出的一个月当中，他们的业务量增加了4倍。我们还在国内的某家股份制有限银行给他们做了这样一个网点机器人，我们还很可能马上就会跟某一家国内非常有名的排前几位的股份制银行，给他们的智能投顾的这样一个产品，由原来的几个下拉选项的选择变成一个智能的交互，使得他们叫有温度的对话和产品的客户的交互。这个是我们现在在做的一些事情。

接下来说探索。以前的计算机系统做的探索，关系型数据库，我们做什么事情？关键词的匹配和搜索。这个其实在结构化数据当中可以做，但是现在我们都知道，80%的数据都是非结构化的数据，现在认知系统能够做什么？现在认知系统可以做到模式匹配和关系的发现。所以我们通过语义理解和模式匹配可以在海量的非结构化数据当中做搜索，去搜索出你想要的那些东西，包括现在你问一个问题，我从海量的知识库当中可以定位到你所需要的答案，而不是一个关键词，你相似的答案可能是这些，你再去搜索一下。我们可以根据你问的问题精准地定位到你所需要的答案是什么。第二，在海量数据当中，我们可能发现出很多相关的知识，知识之间的关系是什么？这个是第二点。我们现在能做到这个。未来我们能做什么？未来我们希望能做到无监督的知识的构建，我们现在做的知识图谱的构建大多还是有监督的，希望为能够做到无监督的知识构建，整个给你一个海量的知识库，我能够抽取当中的关系以及关系存在的类型是什么，它能够自动地去学习、自动地去更新、自动地去维护，这是第一点。第二点，现在很多人工智能在做什么？在写诗、在写歌、在写文章。我们希望未来的探索使得我们认知系统能够做一些艺术家所做的工作，我们叫创新。这是未来能做的事情。

IBM在四大行的某一家银行里头我们做了一个基于图计算的品牌。通过图计算帮他们来进行风险的识别和传导的预测，大家都知道，刚才刘总也谈到了风险的识别，还有蒋总也谈到了风险，银行风险很大。我们做了什么事情，我们做了八种关系，包括股权的关系，包括担保的关系，包括投资人之间的关系，包括资金圈的关系等等这八种关系当中，我们去检索相应的关系圈。IBM的System G非常强大，我们原来做这样的一个关系识别，他们要一个月的时间做这样的关系识别，我们现在做到了只要分钟级就可以做关系圈的识别，而且我们这个关系圈原来做到6个就做不下去了，现在我们能够做到无限的，20个、30个，甚至上百个关系圈搭建。我们做的是风险传导的预测。在这个关系圈里头当有一个点出现违约的时候，它剩下的关系圈的其他的点什么时候会违约？它违约的概率有多大？就像一个苹果筐里头有一个苹果烂了，其他的苹果什么时候会烂掉？我们做了这样一个风险传导的预测。我们做的准确率在40的预测做到58.2%，基于这样的验证，我们马上会给他们进行这样一个产品推广，而且现在很多银行都关注这样的，对他们的传导预测能够非常地减少他们的损失。

第三个是决策，我们做了这么多，人工智能最重要的能力或者最关键的能力就是帮助人们做决策。

IBM认为现阶段人工智能或者认知计算更多强调的是辅助决策的阶段，我们会给你决策的建议，这些建议里有一个置信度，这个计算机系统、认知系统认为他的置信度有多少，我判断他多少是靠谱的。第二个是可追溯，就是我给你一个决策，相应的后面给你一个证据，为什么给你这样的决策？理由是什么？我会给你证据。人可以去看，我做这样一个决策证据背后的内容一二三四是什么，你觉得合理就采纳我的建议，如果不合理，请你做出自己的判断。所以这是一个现在叫辅助决策。未来当我们的认知系统更加智能，当我们的数据更加丰富，当我们的历史数据周期更长，当我们在监管方面不再那么严格要求的时候，或者我们更有信心的时候，我们希望未来计算机系统就可以帮你做决策。其实现在这样的一个自动驾驶就是计算机在帮你做决策，左拐、右拐、刹车不刹车都是计算机帮你做决策。未来面对商用的时候一定会有监管的要求或者法律的风险要去解决。

在认知决策里头，IBM做过什么？我谈一个案例，我们帮一家保险公司做智能理赔。大家多知道，尤其是寿险公司，一旦投完保之后出险，要理赔的时候其实非常复杂，大家都知道病种那么多，每个病都那么复杂，保险的条款，我也买过这样的寿险，看到后来我根本看不下去了，就因为朋友的关系我就买吧，我信任你。理赔专员其实也很难受，这么多病种都是很罕见的病，而且都是很专业，保险的条款什么情况赔、什么情况不赔非常复杂。所以这样的一个事情，第一，非常多的出险理赔的文档、检查的资料、医生的处方等等，一般复杂大病需要十年以上的员工才能做。这样人力成本的投入是非常高的。IBM通过沃森系统帮他们做智能的理赔，做两件事情：1，从非结构化的，从医院拿过来的医生开的处方单，开的诊疗的报告，我们把一些关键的特征信息抽取出来，包括了疾病的名称，包括的手术的名称，包括诊疗的结论，不需要通过人去录入，直接计算机系统就抽取出来，通过自然语言的理解，通过机器学习抽取出来。2，当抽取出来的这些特征放到规则的引擎里去做，做过保险系统的人知道，规则引擎只能解决一些问题，还有一些问题不能解决，需要人工去处理。IBM的沃森系统就把这些拿过来，他去读理赔的专案，拿过来申请材料，跟保险的条款进行比对，跟历史的案件进行比对，历史的案件里头哪些跟它相似，相似的案件赔了还是没有赔？没有赔的原因是什么？是否跟你这个相符合，这个拿过来了。IBM给这家公司做完之后，他们原来理赔的平均时间减少了40%，人员的投入减少了30%，原来有30%的人员，我们不能说下岗了，这家公司把这些人员拿去做别的事情了。刚才刘总说的，把北大、清华的人员拿去干别的是一个意思，他们把这些人拿去做别的。每年给他减少了1.5亿日元的指出。日本的保险公司没有那么大，对于中国的保险公司，现在我们已经在谈，TOP6的保险公司要把这样的一个认知理赔的方案从日本移植到中国本地，我想中国的量级，未来可以给这些保险公司人力的成本节省是有多大可以想见。这是第三个认知理赔所辅助决策的这样一个内容。

以上就是我今天所分享的内容，希望未来有机会跟大家再有时间作更多的分享，我也希望我们今天的内容，我们知道AI未来非常有广阔前景，但是它怎么能帮助到各自的企业？怎么能帮助到传统的企业？我想AI正在脚踏实地一步步往前走，走得非常踏实、非常坚实。谢谢大家。