收藏本页 打印 放大 缩小
0

亚马逊AWS金融行业资深解决方案架构师王仕:

做好数据资产激活

发布时间:2019-07-02 10:40:31    作者:    来源:中国保险报网

实习记者 李林鸾/整理报道

如何让人工智能发挥较大价值?数据是重要因素之一。AWS认为,为管好数据、做好数据资产激活,有两个架构是工程落地时要特别注意到的。

其一是数据湖架构。数据湖架构是“存储和计算分离”的架构风格。由于分离,无需考虑计算特征,存储组件可用更低的成本管理更多数据;同样的,由于分离,无需考虑存储特征,计算组件可以使用AI模型训练、AI推理、OLTP、OLAP、流、高性能计算等多种计算框架,计算组件比过去灵活得多。因此,更强的存储管理能力和更灵活的计算支撑能力,是数据湖这种架构的优点。

这种架构在工程落地时,具体会带来什么样的价值?我们来看看AWS帮助美国金融监管局FINRA的实际案例,短短几年内,帮FINRA做到了30P、每天处理1150亿笔业务、高峰5万台服务器的动态实时。

其二是云数据架构。目前AWS已经帮汇全球系统性重要银行——汇丰银行上线了一套云数据系统架构,可以把主机数据和移动端数据做融合。这样做的好处包括:第一,大幅度降低了主机环境成本投入,因为批处理业务的负载被分担了;第二,汇丰银行的用户能够得到的数据更完整;第三,汇丰银行能对客户建立起更完整的视图。

亚马逊AWS金融行业资深解决方案架构师 王仕

以下为文字实录:

尊敬的朱书记、尊敬的吴主任、尊敬的李总编,尊敬的各位来宾:

感谢保险报的邀请。我是王仕,来自亚马逊AWS金融行业解决方案的架构师,今天我汇报的是人工智能如何支持我们金融机构做云中创新。

人工智能,就像今天论坛的主题一样,一切皆有可能。2017年,国务院牵头颁布《新一代人工智能发展规划》。我自己也很有幸,2018年在全国政协提案里,在领导支持下提了促进人工智能安全发展的提案。提案之后,全国政协有关领导非常重视,将其列为2018年重点提案,并请来自科技部等部门的主管专门成立调研组进行访谈。因此,从政策层面,可以看到人工智能的发展有非常良好的政策优势。

在这个背景下,关键是在于人工智能如何落地。

我今天报告的内容包括八个方面:

第一个方面,把AWS金融行业在全球范围内和中国看到以及总结的48个典型的应用场景,包括智能投保等等,做个简单的梳理。

第二个,简单报告一下人工智能落地的时候,尤其站在工程落地的角度,AWS根据自身实践总结出五个落地的要素,包括数据、算法、算力、应用和生态。

这波人工智能的发展,很重要的是因为有来自互联网、移动互联网、物联网的大量数据。如何开发好这些数据资产,将是我在第三个部分,数据,所汇报的内容。

有数据之后,如何大力出奇迹,这就是算法的研究。这是我在第四部分,算法,汇报的内容。

不同的算法要运行在算力上。如何让算力更强大、调度更灵活,这就是我在第五部分,算力,汇报的内容。

好的算力运行了算力,形成能够支撑我们数字化转型的应用。那如何对应用作现代化改造,这就是第六部分,应用,的内容。

接着,我们知道,人工智能不能解决所有问题。比如,对AI应用的管理,需要有正常的配置变更管理等一整套技术生态。这些不是人工智能自身所解决的范畴。因此,我会介绍下AI的生态。

最后,人工智能的本质上还是靠人做的。我们金融机构如何拥抱试错文化,人的思维如何转型等等。这些我将在第八个部分,也就是AWS AI Lab实验室方案及AWS相关产品来进行汇报。

下面,我们一起看看48个人工智能应用的典型场景。在这个场景里,我们可以看到从产品营销到风控,从客服到研究,设置到支付环节。AI都有成规模的应用。比如,刚才有嘉宾提到的呼叫中心客服,AWS帮助MOO,奥马哈互惠保险,一家财富500强的大型保险集团,上线700个基于AI的在线保险代理,节约上千万美元。

如何让人工智能发挥这么大的价值有用?首先数据,AWS认为,为管好数据、做好数据资产激活,有两个架构是工程落地时要特别注意到的。

首先是数据湖架构。差不多我们在十五年前甚至更早的时候,是小数据时代。小数据的架构是典型的“存储靠近计算”的架构风格,一般而言,这种架构风格管理T这个数量级之下的数据,在实现“强一致性”时效果很好。到2010年左右,谷歌很重要三篇论文流行后,出现了“计算靠近存储”的;这种架构在P之下的数据、在分析型的场景中表现良好。但面对数字化转型需要的几十P、上百P、甚至E这种数量级的存储,大数据架构的缺点就逐渐凸显。于是,从前几年开始,慢慢开始流行数据湖架构。数据湖架构是“存储和计算分离”的架构风格。由于分离,无需考虑计算特征,存储组件可专注用更低的成本管理更多数据;同样的,由于分离,无需考虑存储特征,计算组件可以使用AI模型训练、AI推理、OLTP、OLAP、流、高性能计算等多种计算框架,计算组件比过去灵活得多。因此,更强的存储管理能力和更灵活的计算支撑能力,是数据湖这种架构的优点。

这种架构在工程落地时,具体会带来什么样的价值的?我们来看看AWS帮助美国金融监管局FINRA的实际案例。FINRA虽然是局,但是不是严格意义上的政府机构,是介于政府机构和行业协会的一个组织。我们在短短几年内,帮FINRA可以做到30P、每天1150亿笔、高峰5万台服务器的动态实时。

各位领导、各位厂商同仁们,大家都对金融机构的IT系统都很了解,我们可以回忆一下一家保险公司或者一家银行、基金公司,为了做到每天可以处理一个10亿笔交易的IT系统,我们花了多少资金、投了多长时间。而反观FINRA,又花了多少资金、多长时间,来实现创新。这就是数据湖架构的价值。

接下来,是云数据架构,这是AWS在汇丰银行已经上线的一套系统架构。HSBC是全球系统性重要银行,也就是全球各国家都觉得那些重要到不可以倒闭的银行。汇丰的核心是跑在主机上。主机是好东西,但汇丰银行发现主机的MIPS,也就是CPU, 80%是在跑批处理任务,比如说日结、账单等。同时,汇丰又发现,数字化之后,用户的移动App需要大量来自主机的数据。因此,我们和汇丰银行一起做了云数据架构的内容,可以把主机数据和移动端数据做融合。融合的好处是什么呢?第一个是大幅度降低了主机环境成本投入,因为批处理业务的负载被分担了;第二个就是汇丰用户能够得到的数据更完整;第三,汇丰能对客户建立起更完整的视图。

我们在座每一个人都是金融机构的用户,今天时间点,我们自己和这些金融机构和银行、保险打交道的时候,我们在哪个地方打交道?当然是在互联网上。客户在互联网上,尤其是在移动互联网上,就意味着能够打穿来自主机环境和移动端的数据的瓶颈有非常大的意义。

接下来,我们看看算法部分。做好算法,我们首先希望算法是能针对场景进行优化。这里举的例子是MOO,它是美国最大的保险公司之一。它做的事情什么?是做在线保险代理,这不仅仅是客服机器人,还包括售前理财产品以及保险产品的推荐,以及事中如何更好引导客户做保险投资的组合等等,它包括了事前、事中、事后完整的保险代理业务。MOO在2018年的时候已经借助AWS一整套技术服务,当然他自己也叠加了自己很独特的场景优化算法,已经上线了超过七百个的在线保险代理。

美国人工比较贵,一个保险代理的成本假设是十万美元的话,七百个保险代理意味着是七千万美元,显然,为这个系统, MOO在AWS平台上花的钱不会是七千万美元。因此,我们可以看到“在线保险代理”对成本的节约,有巨大优化。同时,客户对机器人怎么打、怎么骂,机器人也不会发火,所以客户体验会更加有趣一些。

算法第二个层面是覆盖完整并且经过平台预优化的算法。现在TENSORFLOW框架非常流行。我们可以看到,云环境下的TENSORFLOW,其实85%都是跑在AWS平台上。这么多用户选择AWS为什么?重点在AWS平台是经AI预优化过了。比如,老版本的TENSORFLOW框架在超过128个GPU集群的情况下,GPU最大利用率只能到50%。但AWS能够支持改进后的Horovod,将传统50%的利用率提高到90%。AI比较费钱的方面就是算力,提高算力利用率,对尽可能减少试错成本具有非常强的意义。

第五个方面就是算力。算力需要被灵活调度以满足AI在打标签、数据特征、小规模试验训练、算法选择、正式训练、推理验证、应用开发、写API接口等等各种环节的需要。

二十多年前我刚入行的时候,算力的调度形式是什么?主要是物理机,物理机很好,但是上线太慢。差不多十五年前算力供给形式主要是虚拟机,因为更加灵活。差不多在五到十年前的时候,算力主要的供给形式就是容器,因为容器天生支持多版本,容器可以在开发过程中有更多的版本管理,有更好的敏捷能力。

今天时间点,算力调度和供给的方式更多是在无服务器架构上。无服务器架构帮助SDE,也就是码农们写代码时不用考虑CPU配置、内存配置、存储管理、代码版本管理等等问题,帮助码农们实现更好的敏捷。

我们看看加拿大最大银行之一的SCOTIABANK。美加地区,他们信用卡拖欠的情况比较严重。对于他们而言,能尽早发现谁不还钱并尽快催交,对风控,对盈利,对经营指标,有直接的意义。借助AWS基于容器的算力调度框架,我们在SCOTIABANK实现了对尾部10%的最不可能还钱的人,提前识别的比例提升了20%。

接下来,我们看看应用。数字化转型背景下我们谈的应用是现代化的应用架构,现代化的应用架构应该具备什么特征?第一是云原生,第二是敏捷的,第三是自动化的。Liberty Mutual是全球最大的保险公司之一,它借助AWS基础平台基于现代化架构,做了面对内部员工的员工机器人。这个员工机器人能否回答大家明天都最关心的问题---- 中午吃什么?让一个机器人回答你吃什么是一个巨复杂的问题,比如,我今天在天津出差,机器人需要知道我的出差计划,知道会议组是有提供自助餐的。机器人需要知道我是否有不吃猪肉的宗教信仰。机器人需要知道我昨天吃什么、前天吃什么,省得推荐一个我已经吃腻的地方。更重要的是,机器在分析我各种特征后,推荐我中午吃川菜,还得知道那个餐馆今天有没有营业,有没有空座等等。因此,为了作出这个机器人,应用架构需要云原生,云原生才能天生具备各种基础组件,才能快速选择不同PAAS和IAAS服务以敏捷开发。

接下来,讨论AI应用时候,应该考虑跟传统硬编码应用整合推进的战略。所谓硬编码是基于规则的系统。从工程角度,不是所有的应用都应该AI化。比如说,最简单我们判断用户到底能不能发信用卡,我们基于银保监会下发的信用卡审核办法,其实就可以很快地基于规则系统作判断,不一定要搞巨复杂无比的模型来做。这里我举个例子,是NAB。它是澳大利亚和新西兰最大的银行之一。NAB在做数字化渠道转型的时候借助的是Alexa的自然语言处理引擎。而在其它方面,还是基于硬编码的应用。如何整合推进?重要的是有清晰的路线图。在互联网创新的文化下,在数字化转型的年代,我个人理解是我们会有试错,我们会有敏捷,我们会有迭代,我们会有很多快速的方式,这并不表示我们要放弃整体的演进路线图,我们会目光远大,重要的还是脚踏实地,如何做到这一点?还是要回到传统的路线图上。因此,NAB制定的爬、走、跑的三步战略,对我们中国的金融机构有很强的参考价值。

接下来,我们看看生态。为什么完整IAAS平台服务对AI,对数字化转型这么重要?我们看Capital One,美国第一资本银行。Capital One在作AI时,发现了六大问题。其中,有一点就是持续监控。我们发现很多AI模型不是设计出来的,是试出来的,一会儿我们跑跑Xgboost,一会儿我们跑跑DNN,一会儿试一下CNN,一会儿试下RL。所以说,通过试的方式找到我们想解决的问题最优解,或者是次优解,很重要我们监控它的实际效果。AI自身不能解决监控的问题,做监控还是和传统的监控工具对应在一起,这时候Capital One采用Build ON AWS的方式,基于AWS Cloudwatch、Performance Insight、Glue等等,实现了AI的快速投产。第二点,得有更多PAAS方面的工具供开发人员选择。为什么Capital One对亚马逊的语音音箱Echo、语音引擎Alexa这么感兴趣?因为Capital One发现数字化转型的入口应该在数字化渠道上。数字化渠道应该是基于语音的。Alexa强大的语音处理能力帮助Capital One快速提升用户的体验。生态的第三点就是与社区良好的合作。这里举的例子是Vanguard。Vanguard是全球最大的基金公司之一。Vanguard发现提升创新能力得一起来,而不仅仅是总部机构在当发动机。如何做到这一点呢?Vanguard搭建了包含CTO办公室、BU IT和BU业务员工在内的三级管控模式。这种模式,能够充分调动每个成员的积极性。同时,也带来安全问题的加大。比如,需要Presto具备匿名绑定功能。当时开源社区没有这个功能,Vanguard和AWS一起实现了这个功能。就像中国很多金融机构用开源时,缺乏跟社区良好的互动,跑着跑着就从开源变成闭源了。而AWS跟开源社区良好的合作,帮助将这个匿名绑定的功能并入了主干。既帮助Vanguard提高了安全的能力,又保障了可持续发展能力。

最后给AWS打一个广告,AWS有各种各样AI产品,刚才有领导提到试错,AWS提供了一个联合创新实验室的方式帮助我们客户降低试错成本,这是各种案例,我们有各种各样的合作伙伴,时间有限,简单介绍到这儿,谢谢各位。


pc版

亚马逊AWS金融行业资深解决方案架构师王仕:

做好数据资产激活

来源:中国保险报网  时间:2019-07-02

实习记者 李林鸾/整理报道

如何让人工智能发挥较大价值?数据是重要因素之一。AWS认为,为管好数据、做好数据资产激活,有两个架构是工程落地时要特别注意到的。

其一是数据湖架构。数据湖架构是“存储和计算分离”的架构风格。由于分离,无需考虑计算特征,存储组件可用更低的成本管理更多数据;同样的,由于分离,无需考虑存储特征,计算组件可以使用AI模型训练、AI推理、OLTP、OLAP、流、高性能计算等多种计算框架,计算组件比过去灵活得多。因此,更强的存储管理能力和更灵活的计算支撑能力,是数据湖这种架构的优点。

这种架构在工程落地时,具体会带来什么样的价值?我们来看看AWS帮助美国金融监管局FINRA的实际案例,短短几年内,帮FINRA做到了30P、每天处理1150亿笔业务、高峰5万台服务器的动态实时。

其二是云数据架构。目前AWS已经帮汇全球系统性重要银行——汇丰银行上线了一套云数据系统架构,可以把主机数据和移动端数据做融合。这样做的好处包括:第一,大幅度降低了主机环境成本投入,因为批处理业务的负载被分担了;第二,汇丰银行的用户能够得到的数据更完整;第三,汇丰银行能对客户建立起更完整的视图。

亚马逊AWS金融行业资深解决方案架构师 王仕

以下为文字实录:

尊敬的朱书记、尊敬的吴主任、尊敬的李总编,尊敬的各位来宾:

感谢保险报的邀请。我是王仕,来自亚马逊AWS金融行业解决方案的架构师,今天我汇报的是人工智能如何支持我们金融机构做云中创新。

人工智能,就像今天论坛的主题一样,一切皆有可能。2017年,国务院牵头颁布《新一代人工智能发展规划》。我自己也很有幸,2018年在全国政协提案里,在领导支持下提了促进人工智能安全发展的提案。提案之后,全国政协有关领导非常重视,将其列为2018年重点提案,并请来自科技部等部门的主管专门成立调研组进行访谈。因此,从政策层面,可以看到人工智能的发展有非常良好的政策优势。

在这个背景下,关键是在于人工智能如何落地。

我今天报告的内容包括八个方面:

第一个方面,把AWS金融行业在全球范围内和中国看到以及总结的48个典型的应用场景,包括智能投保等等,做个简单的梳理。

第二个,简单报告一下人工智能落地的时候,尤其站在工程落地的角度,AWS根据自身实践总结出五个落地的要素,包括数据、算法、算力、应用和生态。

这波人工智能的发展,很重要的是因为有来自互联网、移动互联网、物联网的大量数据。如何开发好这些数据资产,将是我在第三个部分,数据,所汇报的内容。

有数据之后,如何大力出奇迹,这就是算法的研究。这是我在第四部分,算法,汇报的内容。

不同的算法要运行在算力上。如何让算力更强大、调度更灵活,这就是我在第五部分,算力,汇报的内容。

好的算力运行了算力,形成能够支撑我们数字化转型的应用。那如何对应用作现代化改造,这就是第六部分,应用,的内容。

接着,我们知道,人工智能不能解决所有问题。比如,对AI应用的管理,需要有正常的配置变更管理等一整套技术生态。这些不是人工智能自身所解决的范畴。因此,我会介绍下AI的生态。

最后,人工智能的本质上还是靠人做的。我们金融机构如何拥抱试错文化,人的思维如何转型等等。这些我将在第八个部分,也就是AWS AI Lab实验室方案及AWS相关产品来进行汇报。

下面,我们一起看看48个人工智能应用的典型场景。在这个场景里,我们可以看到从产品营销到风控,从客服到研究,设置到支付环节。AI都有成规模的应用。比如,刚才有嘉宾提到的呼叫中心客服,AWS帮助MOO,奥马哈互惠保险,一家财富500强的大型保险集团,上线700个基于AI的在线保险代理,节约上千万美元。

如何让人工智能发挥这么大的价值有用?首先数据,AWS认为,为管好数据、做好数据资产激活,有两个架构是工程落地时要特别注意到的。

首先是数据湖架构。差不多我们在十五年前甚至更早的时候,是小数据时代。小数据的架构是典型的“存储靠近计算”的架构风格,一般而言,这种架构风格管理T这个数量级之下的数据,在实现“强一致性”时效果很好。到2010年左右,谷歌很重要三篇论文流行后,出现了“计算靠近存储”的;这种架构在P之下的数据、在分析型的场景中表现良好。但面对数字化转型需要的几十P、上百P、甚至E这种数量级的存储,大数据架构的缺点就逐渐凸显。于是,从前几年开始,慢慢开始流行数据湖架构。数据湖架构是“存储和计算分离”的架构风格。由于分离,无需考虑计算特征,存储组件可专注用更低的成本管理更多数据;同样的,由于分离,无需考虑存储特征,计算组件可以使用AI模型训练、AI推理、OLTP、OLAP、流、高性能计算等多种计算框架,计算组件比过去灵活得多。因此,更强的存储管理能力和更灵活的计算支撑能力,是数据湖这种架构的优点。

这种架构在工程落地时,具体会带来什么样的价值的?我们来看看AWS帮助美国金融监管局FINRA的实际案例。FINRA虽然是局,但是不是严格意义上的政府机构,是介于政府机构和行业协会的一个组织。我们在短短几年内,帮FINRA可以做到30P、每天1150亿笔、高峰5万台服务器的动态实时。

各位领导、各位厂商同仁们,大家都对金融机构的IT系统都很了解,我们可以回忆一下一家保险公司或者一家银行、基金公司,为了做到每天可以处理一个10亿笔交易的IT系统,我们花了多少资金、投了多长时间。而反观FINRA,又花了多少资金、多长时间,来实现创新。这就是数据湖架构的价值。

接下来,是云数据架构,这是AWS在汇丰银行已经上线的一套系统架构。HSBC是全球系统性重要银行,也就是全球各国家都觉得那些重要到不可以倒闭的银行。汇丰的核心是跑在主机上。主机是好东西,但汇丰银行发现主机的MIPS,也就是CPU, 80%是在跑批处理任务,比如说日结、账单等。同时,汇丰又发现,数字化之后,用户的移动App需要大量来自主机的数据。因此,我们和汇丰银行一起做了云数据架构的内容,可以把主机数据和移动端数据做融合。融合的好处是什么呢?第一个是大幅度降低了主机环境成本投入,因为批处理业务的负载被分担了;第二个就是汇丰用户能够得到的数据更完整;第三,汇丰能对客户建立起更完整的视图。

我们在座每一个人都是金融机构的用户,今天时间点,我们自己和这些金融机构和银行、保险打交道的时候,我们在哪个地方打交道?当然是在互联网上。客户在互联网上,尤其是在移动互联网上,就意味着能够打穿来自主机环境和移动端的数据的瓶颈有非常大的意义。

接下来,我们看看算法部分。做好算法,我们首先希望算法是能针对场景进行优化。这里举的例子是MOO,它是美国最大的保险公司之一。它做的事情什么?是做在线保险代理,这不仅仅是客服机器人,还包括售前理财产品以及保险产品的推荐,以及事中如何更好引导客户做保险投资的组合等等,它包括了事前、事中、事后完整的保险代理业务。MOO在2018年的时候已经借助AWS一整套技术服务,当然他自己也叠加了自己很独特的场景优化算法,已经上线了超过七百个的在线保险代理。

美国人工比较贵,一个保险代理的成本假设是十万美元的话,七百个保险代理意味着是七千万美元,显然,为这个系统, MOO在AWS平台上花的钱不会是七千万美元。因此,我们可以看到“在线保险代理”对成本的节约,有巨大优化。同时,客户对机器人怎么打、怎么骂,机器人也不会发火,所以客户体验会更加有趣一些。

算法第二个层面是覆盖完整并且经过平台预优化的算法。现在TENSORFLOW框架非常流行。我们可以看到,云环境下的TENSORFLOW,其实85%都是跑在AWS平台上。这么多用户选择AWS为什么?重点在AWS平台是经AI预优化过了。比如,老版本的TENSORFLOW框架在超过128个GPU集群的情况下,GPU最大利用率只能到50%。但AWS能够支持改进后的Horovod,将传统50%的利用率提高到90%。AI比较费钱的方面就是算力,提高算力利用率,对尽可能减少试错成本具有非常强的意义。

第五个方面就是算力。算力需要被灵活调度以满足AI在打标签、数据特征、小规模试验训练、算法选择、正式训练、推理验证、应用开发、写API接口等等各种环节的需要。

二十多年前我刚入行的时候,算力的调度形式是什么?主要是物理机,物理机很好,但是上线太慢。差不多十五年前算力供给形式主要是虚拟机,因为更加灵活。差不多在五到十年前的时候,算力主要的供给形式就是容器,因为容器天生支持多版本,容器可以在开发过程中有更多的版本管理,有更好的敏捷能力。

今天时间点,算力调度和供给的方式更多是在无服务器架构上。无服务器架构帮助SDE,也就是码农们写代码时不用考虑CPU配置、内存配置、存储管理、代码版本管理等等问题,帮助码农们实现更好的敏捷。

我们看看加拿大最大银行之一的SCOTIABANK。美加地区,他们信用卡拖欠的情况比较严重。对于他们而言,能尽早发现谁不还钱并尽快催交,对风控,对盈利,对经营指标,有直接的意义。借助AWS基于容器的算力调度框架,我们在SCOTIABANK实现了对尾部10%的最不可能还钱的人,提前识别的比例提升了20%。

接下来,我们看看应用。数字化转型背景下我们谈的应用是现代化的应用架构,现代化的应用架构应该具备什么特征?第一是云原生,第二是敏捷的,第三是自动化的。Liberty Mutual是全球最大的保险公司之一,它借助AWS基础平台基于现代化架构,做了面对内部员工的员工机器人。这个员工机器人能否回答大家明天都最关心的问题---- 中午吃什么?让一个机器人回答你吃什么是一个巨复杂的问题,比如,我今天在天津出差,机器人需要知道我的出差计划,知道会议组是有提供自助餐的。机器人需要知道我是否有不吃猪肉的宗教信仰。机器人需要知道我昨天吃什么、前天吃什么,省得推荐一个我已经吃腻的地方。更重要的是,机器在分析我各种特征后,推荐我中午吃川菜,还得知道那个餐馆今天有没有营业,有没有空座等等。因此,为了作出这个机器人,应用架构需要云原生,云原生才能天生具备各种基础组件,才能快速选择不同PAAS和IAAS服务以敏捷开发。

接下来,讨论AI应用时候,应该考虑跟传统硬编码应用整合推进的战略。所谓硬编码是基于规则的系统。从工程角度,不是所有的应用都应该AI化。比如说,最简单我们判断用户到底能不能发信用卡,我们基于银保监会下发的信用卡审核办法,其实就可以很快地基于规则系统作判断,不一定要搞巨复杂无比的模型来做。这里我举个例子,是NAB。它是澳大利亚和新西兰最大的银行之一。NAB在做数字化渠道转型的时候借助的是Alexa的自然语言处理引擎。而在其它方面,还是基于硬编码的应用。如何整合推进?重要的是有清晰的路线图。在互联网创新的文化下,在数字化转型的年代,我个人理解是我们会有试错,我们会有敏捷,我们会有迭代,我们会有很多快速的方式,这并不表示我们要放弃整体的演进路线图,我们会目光远大,重要的还是脚踏实地,如何做到这一点?还是要回到传统的路线图上。因此,NAB制定的爬、走、跑的三步战略,对我们中国的金融机构有很强的参考价值。

接下来,我们看看生态。为什么完整IAAS平台服务对AI,对数字化转型这么重要?我们看Capital One,美国第一资本银行。Capital One在作AI时,发现了六大问题。其中,有一点就是持续监控。我们发现很多AI模型不是设计出来的,是试出来的,一会儿我们跑跑Xgboost,一会儿我们跑跑DNN,一会儿试一下CNN,一会儿试下RL。所以说,通过试的方式找到我们想解决的问题最优解,或者是次优解,很重要我们监控它的实际效果。AI自身不能解决监控的问题,做监控还是和传统的监控工具对应在一起,这时候Capital One采用Build ON AWS的方式,基于AWS Cloudwatch、Performance Insight、Glue等等,实现了AI的快速投产。第二点,得有更多PAAS方面的工具供开发人员选择。为什么Capital One对亚马逊的语音音箱Echo、语音引擎Alexa这么感兴趣?因为Capital One发现数字化转型的入口应该在数字化渠道上。数字化渠道应该是基于语音的。Alexa强大的语音处理能力帮助Capital One快速提升用户的体验。生态的第三点就是与社区良好的合作。这里举的例子是Vanguard。Vanguard是全球最大的基金公司之一。Vanguard发现提升创新能力得一起来,而不仅仅是总部机构在当发动机。如何做到这一点呢?Vanguard搭建了包含CTO办公室、BU IT和BU业务员工在内的三级管控模式。这种模式,能够充分调动每个成员的积极性。同时,也带来安全问题的加大。比如,需要Presto具备匿名绑定功能。当时开源社区没有这个功能,Vanguard和AWS一起实现了这个功能。就像中国很多金融机构用开源时,缺乏跟社区良好的互动,跑着跑着就从开源变成闭源了。而AWS跟开源社区良好的合作,帮助将这个匿名绑定的功能并入了主干。既帮助Vanguard提高了安全的能力,又保障了可持续发展能力。

最后给AWS打一个广告,AWS有各种各样AI产品,刚才有领导提到试错,AWS提供了一个联合创新实验室的方式帮助我们客户降低试错成本,这是各种案例,我们有各种各样的合作伙伴,时间有限,简单介绍到这儿,谢谢各位。

未经许可 不得转载 Copyright© 2000-2019
中国保险报 All Rights Reserved