第4章 人工智能

第4章

人工智能目錄CONTENTS智能金融人工智能技術(shù)4.14.2人工智能技術(shù)4.1概念也稱為連接網(wǎng)絡(luò)、并行分布式處理系統(tǒng)或神經(jīng)計算機，是模仿生物神經(jīng)系統(tǒng)進行簡化與抽象的一種算法，也是實現(xiàn)機器學(xué)習(xí)的一種重要方式。工作原理人工神經(jīng)網(wǎng)絡(luò)是類似于人類神經(jīng)系統(tǒng)的數(shù)據(jù)處理模型，它的基礎(chǔ)是神經(jīng)元節(jié)點和權(quán)值。特點具有自學(xué)習(xí)和自適應(yīng)能力具有高階非線性函數(shù)的擬合能力容錯性能高采用信息并行處理方式，計算效率高人工神經(jīng)網(wǎng)絡(luò)

輸出閾值w1w2wpx1x2xpΣ求和單元buy激活函數(shù)f(·)輸入信號人工神經(jīng)網(wǎng)絡(luò)概念機器學(xué)習(xí)是從有限的觀測數(shù)據(jù)中發(fā)現(xiàn)一般性的規(guī)律，并將規(guī)律推廣應(yīng)用到未觀測樣本上。工作原理本質(zhì)同人類學(xué)習(xí)一樣，通過不斷地學(xué)習(xí)積累，獲取經(jīng)驗，找尋規(guī)律，進行預(yù)測。學(xué)習(xí)方式在機器學(xué)習(xí)中可以使用多種不同的模型，機器學(xué)習(xí)類型有三種：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。機器學(xué)習(xí)監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)是最簡單且最常見的自動學(xué)習(xí)任務(wù)，又稱為有教師學(xué)習(xí)。它從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出函數(shù)或模型參數(shù)，當(dāng)新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預(yù)測結(jié)果。典型工作流程機器學(xué)習(xí)技術(shù)人員數(shù)據(jù)獲取預(yù)處理特征提取模型訓(xùn)練構(gòu)建模型開發(fā)測試數(shù)據(jù)特征選擇模型反饋環(huán)模型測試訓(xùn)練測試環(huán)模型調(diào)節(jié)無監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)又稱為無教師學(xué)習(xí)，沒有預(yù)期輸出數(shù)據(jù)，只有外界的輸入數(shù)據(jù)，因此無法根據(jù)實際值與預(yù)期輸出值的偏差進行參數(shù)的優(yōu)化調(diào)整。典型工作流程機器學(xué)習(xí)數(shù)據(jù)樣本特征選擇、提取知識庫、模板等結(jié)果解釋聚類算法設(shè)計與選擇數(shù)據(jù)點簇聚類驗證數(shù)據(jù)清洗特征操作超參數(shù)調(diào)節(jié)強化學(xué)習(xí)強化學(xué)習(xí)主要是通過與環(huán)境的交互作用不斷優(yōu)化決策來實現(xiàn)的。監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)的區(qū)別機器學(xué)習(xí)

監(jiān)督學(xué)習(xí)非監(jiān)督學(xué)習(xí)強化學(xué)習(xí)輸入已標(biāo)記的數(shù)據(jù)集無標(biāo)記的數(shù)據(jù)決策過程反饋直接反饋無反饋獎勵用途分類、預(yù)測等問題發(fā)現(xiàn)隱藏結(jié)構(gòu)、例如聚類動作行為控制概念深度學(xué)習(xí)為機器學(xué)習(xí)技術(shù)的一個分支，更多地體現(xiàn)為特征學(xué)習(xí)或表示學(xué)習(xí)，目的是創(chuàng)建模擬人腦的神經(jīng)網(wǎng)絡(luò)，模仿人腦對數(shù)據(jù)闡釋的機制，從數(shù)據(jù)中學(xué)習(xí)構(gòu)建一個“深度學(xué)習(xí)”模型，從而更好的實現(xiàn)人工智能。深度學(xué)習(xí)

+1+1x3x2x1LayerL1LayerL2LayerL3輸出層隱藏層輸入層含多個隱藏層的深度學(xué)習(xí)模型

模型

兩種方式深度學(xué)習(xí)同樣存在兩種學(xué)習(xí)方式，即監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)通常是指采取帶標(biāo)簽的數(shù)據(jù)從上向下進行訓(xùn)練，并對網(wǎng)絡(luò)實施微調(diào)。監(jiān)督學(xué)習(xí)應(yīng)用模型有卷積神經(jīng)網(wǎng)絡(luò)。無監(jiān)督學(xué)習(xí)一般采取不帶標(biāo)簽的數(shù)據(jù)進行訓(xùn)練，需要從底層起，逐層向上進行訓(xùn)練，相對于監(jiān)督學(xué)習(xí)在穩(wěn)定性上更難實現(xiàn)。無監(jiān)督學(xué)習(xí)模型有深度置信網(wǎng)絡(luò)等。深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)最初用于處理圖像問題，基于卷積神經(jīng)網(wǎng)絡(luò)的自然語言處理模型，主要應(yīng)用在文本分類的任務(wù)中。結(jié)構(gòu)圖深度學(xué)習(xí)W1W2......Wn

全連接層和輸出層池化層詞向量表示卷積層深度置信網(wǎng)絡(luò)深度置信網(wǎng)絡(luò)是由多個堆棧單元疊加而成的深度生成式網(wǎng)絡(luò)。將無監(jiān)督學(xué)習(xí)（RBMs）和有監(jiān)督學(xué)習(xí)（BP）相結(jié)合?？蚣軋D深度學(xué)習(xí)…BPRBMRBM輸出數(shù)據(jù)數(shù)據(jù)標(biāo)簽…輸入數(shù)據(jù)

輸出層隱藏層隱藏層輸入層預(yù)訓(xùn)練W2

反向傳播微調(diào)微調(diào)……人工智能在金融中的應(yīng)用應(yīng)用智能支付智能保險智能營銷智能客服智能風(fēng)控010203040506智能投顧智慧金融4.2內(nèi)涵智能金融是金融的智能化發(fā)展，它打破了時間、空間的限制，是智能與金融的動態(tài)融合，能夠有效地提高服務(wù)效率。發(fā)展歷程起步探索階段（1998年~2002年）發(fā)展應(yīng)用階段（2003年~2013年）融合升級階段（2014年至今）智慧金融傳統(tǒng)金融的局限1.風(fēng)險控制要求高，存在漏洞2.客戶量、服務(wù)量龐大，個性化服務(wù)成本高3.金融產(chǎn)品種類多，數(shù)據(jù)管理復(fù)雜4.客戶的金融知識匱乏傳統(tǒng)金融與智能金融智能金融的優(yōu)勢1.自我學(xué)習(xí)，數(shù)據(jù)有效利用2.精準(zhǔn)分析，挖掘潛在規(guī)律及風(fēng)險3.快速響應(yīng)，高效處理4.個性化定制，服務(wù)升級5.成本低，可擴張性強技術(shù)體系智能金融技術(shù)體系可以分為物理層、數(shù)據(jù)層、服務(wù)層、應(yīng)用層四個部分。智能金融體系應(yīng)用體系人工智能對智能金融體系的支持。財富管理資源調(diào)度服務(wù)定制社交金融產(chǎn)品渠道客戶家庭數(shù)字網(wǎng)絡(luò)物理層服務(wù)層應(yīng)用層數(shù)據(jù)層應(yīng)用層服務(wù)層數(shù)據(jù)層物理層資產(chǎn)組合最優(yōu)化預(yù)測分析個體推薦群體推薦產(chǎn)品

數(shù)字網(wǎng)絡(luò)渠道

客戶家庭

客戶技術(shù)風(fēng)險在算法上，人工智能算法的過程和原理往往存在不透明的問題，導(dǎo)致智能金融的算法風(fēng)險。在技術(shù)上，一旦技術(shù)安全性差，將導(dǎo)致智能金融產(chǎn)品營銷、定價、風(fēng)控出現(xiàn)系統(tǒng)性偏誤。數(shù)據(jù)質(zhì)量和隱私保護的風(fēng)險一方面，數(shù)據(jù)質(zhì)量和安全，會直接影響人工智能系統(tǒng)算法模型的準(zhǔn)確性，進而威脅信貸與保險業(yè)務(wù)智能獲客的可得性以及智能定價、智能風(fēng)控的穩(wěn)定性。另一方面，智能金融導(dǎo)致個人數(shù)據(jù)的過度采集，加劇隱私泄露的風(fēng)險。

新型系統(tǒng)性風(fēng)險由于智能金融建立在人工智能、大數(shù)據(jù)分析等新興信息技術(shù)之上，信息科技風(fēng)險更加突出。智能金融的風(fēng)險本章小結(jié)人工智能通常定義為利用計算機硬件和軟件模擬人類的思維與智能活動，可以完成人用思維和智力才能夠勝任的工作。人工智能技術(shù)：人工神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)、深度學(xué)習(xí)。人工神經(jīng)網(wǎng)絡(luò)是模仿生物神經(jīng)是模仿生物神經(jīng)系統(tǒng)進行簡化與抽象的一種算法。機器學(xué)習(xí)是從有限的觀測數(shù)據(jù)中發(fā)現(xiàn)一般性的規(guī)律，并將規(guī)律推廣應(yīng)用到未觀測樣本上。監(jiān)督學(xué)習(xí)是從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)提取出函數(shù)或模型參數(shù)，當(dāng)新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預(yù)測結(jié)果。無監(jiān)督學(xué)習(xí)沒有預(yù)期輸出數(shù)據(jù)，只有外界的輸入數(shù)據(jù)，因此無法根據(jù)實際值與預(yù)期輸出值的偏差進行參數(shù)的優(yōu)化調(diào)整。強化學(xué)習(xí)是模擬人適應(yīng)環(huán)境的過程。本章小結(jié)深度學(xué)習(xí)更多地體現(xiàn)為特征學(xué)習(xí)或表示學(xué)習(xí)，目的是創(chuàng)建模擬人腦神經(jīng)網(wǎng)絡(luò)，模仿人腦對數(shù)據(jù)闡釋的機制。卷積神經(jīng)網(wǎng)絡(luò)最初用于處理圖像問題，基于卷積神經(jīng)網(wǎng)絡(luò)的自然語言處理模型，主要應(yīng)用在文本分類的任務(wù)中。卷積神經(jīng)網(wǎng)絡(luò)最大的優(yōu)勢在于可以捕捉信息的局部相關(guān)性和空間特征。深度置信網(wǎng)絡(luò)是由多個堆棧單元疊加而成的深度生成式網(wǎng)絡(luò)。智能金融的發(fā)展歷程：起步探索階段（1998~2002年）、發(fā)展應(yīng)用階段（2003~2013年）、融合升級階段（2014