正文
今天讲几个例子，从例子出发讲讲背后的技术。在这之前，我先讲讲蚂蚁金服现在的两个关键词。蚂蚁金服我们定位为Techfin，而科技公司的一个核心的是什么？是AI。所以今年蚂蚁金服两个关键词，一个是“开放”，一个是“AI”，我们希望通过AI驱动所有的业务，同时作为科技公司，我们技术成熟一个开放一个，所以下面探讨的技术也是探讨如何开放给伙伴。
安全风控
首先是在安全风控中，里面有用户、设备、商家，他们之间通过资金流动形成互联。传统的风控技术中我们建立了很多的规则和模型。蚂蚁金服过去十年通过使用大量的机器学习建立强大的风控系统。但是今天我们希望进一步地升级风控系统。比如说可信模型，我们想判断有一笔交易是否存在账号被盗。而这里面我们使用了一个跨界的技术，其实就广告CTR预估的技术。 在2014年Facebook广告算法的文章中， 讲的是GBDT+逻辑回归。使用我们开发的参数服务器技术，我们把逻辑回归换成了大规模深度学习，使用到风控里面： 通过GBDT产生特征，然后DNN继续学习。 因为在风控里面很多特征我们无法判断哪些有用哪些没有用，我们用GBDT产生海量特征然后把这些特征feed给深度学习模型。
前面是说我们把GBDT和DNN结合起来考虑风控。深度学习往下走，我们也考虑关系，用户、商家、卖家等的关系，下面我举一个例子，我们通过embedding技术，把整个关系结合起来，形成图形网络，然后进行监督学习、加强学习。
给大家看看例子，比如说支付宝账号的账户（行为），我们一个网络有好人、坏人，有设备比如说手机、计算机，iPad等，我判断今天这个人是否注册一个垃圾账号特别简单。我们可以把整个的图关系通过一个embedding的技术产生一个深度学习的网络，通过机器学习产生一个隐层表达，这个表达不光涵盖了每个节点自身复杂的特征，同时还对网络结构做了一个encoding。在垃圾账号的识别上，在经典的Recall-Precision曲线中，Precision越高越好，接近1就是完美。原来的规则是不具可采信的，现在我们对图使用embedding技术后有一个质的飞跃，Recall在70%、80%的时候，Precision达到90%，而原来的算法Precision在40%几，这基本相当于瞎猜。这个和以前的系统相比，Node2Vec也是非常先进了，我们在此基础上又做出了明显的提升。
将图的关系和Feature结合起来，可以产生非常Power的模型，用在我们的模型里面。通过广告的算法提升了系统，我们进一步学习，将深度学习和图模型结合起来，可以融合网络关系与复杂特征。
智能助理
下面讲讲另外一个方向，在过去的很多年，不管是中国还是美国，讲起智能助理和机器人都是非常热的话题。这里对话很关键，在蚂蚁金服初始的对话从客服机器人开始，如果你使用支付宝，打开客服小蚂答可以问各种各样的问题，例如你问余额宝收益怎么算，他就给你一个这样一个答复，提供工具输入金额并计算。然后还有财富的理财渠道，你问某个企业业绩怎样就会开始进行舆情分析，舆情分析在金融里面非常多的应用，我们可以自动分析，海量的舆情在中国国内，为月新闻、周新闻相应地打出舆情分。
下面讲两个技术，在对话机器人里面，在客服里面，假如问了这句话我怎样申请退钱回来，它是没有场景的。在问答系统中要理解它，就要真正知道在问什么，我们可以根据用户的近期操作，这些操作本身就提供了一个背景和场景。我们通过LSTM对用户行为轨迹做一个编码，然后整个模型是一个深度排序模型，比较哪个更相似，通过LSTM建立模型，把怎样申请退钱回来的用户问题，和转账转错怎么办和为什么银行卡转账被退回来，这两个进行答案匹配。我们给出正确的选择转账到账户错了怎么办。这里有一系列的创新。这些创新今天不一一讲。最后的结果，去年双十一智能客服自助率做到97%。同时今年我们问题解决率超过了人工客服，机器人回答问题比人回答更为满意。
