近日，新加坡金融科技節X 新加坡科技創新周（SFF x SWITCH）盛大開幕。中國人民銀行行長易綱、中國銀保監會主席郭樹清、蓋茨基金會創始人Bill Gates、谷歌總裁Sundar Pichai、微軟CEO Satya Nadella、納斯達克CEO Ms.Friedman、花旗集團CEO Ms.Fraser等來自130個國家及地區的政策制定者、科技領袖及學界權威匯聚一堂，共探金融科技發展趨勢。
 
第四范式創始人、首席執行官戴文淵受新加坡金融管理局邀請，于“技術基礎設施”峰會（INFRASTRUCTURE SUMMIT）分享企業AI智能化轉型的落地實踐與思考。


在分享中，戴文淵談到：AI的本質是在海量數據中發現規則，規則數越多，對問題刻畫的越細致，預測的結果也越準。AI時代，機器通過對不同領域尋找海量規律，能夠助力各行各業全面進入數據科學時代。以第四范式在金融、零售行業的場景為例：當規則從數千條提升至數億條后，某大型股份制銀行的信用卡交易欺詐識別準確率提升7倍以上；千元下的分期交易響應率提升6倍以上；個性化理財產品推薦成功率提升5倍以上；規則數從數千條提升至數百萬條后，某大型餐飲連鎖集團的銷量預測準確率提升50%，線上點餐的平均客單價提升2%。

今天，企業已經普遍認識到AI技術的價值，紛紛借助AI對業務進行改造升級。AI在單點業務獲得成功后，常困擾企業的問題是，如何將AI規模化地為各個業務賦能，實現全面的智能化轉型？

戴文淵提到，企業在制定AI轉型路線時可考慮“1+N”的應用模式，“1”指核心業務，意味著在核心業務場景中追求極致效果，可借助AI實現業務收益；“N”意味著在業務場景相對分散的情況下，將AI快速、規模化落地，實現由“點”到“線”再到“面”的全面業務賦能。

互聯網行業的“1”可以理解為千人千面的個性化推薦，把這一點做到極致，其產品及業務可以不斷的獲得成功。而對于更多行業，如金融、零售行業，企業往往是海量業務的組合，更適合通過“N”的方式規模化落地AI應用，實現全面的轉型升級。

“N”的實現需要解決兩個問題：人才及效率。首先，門檻足夠低，讓AI應用開發不限于極度稀缺的AI科學家。第四范式的做法是通過AutoML（自動機器學習），讓業務人員也能開發AI應用。以范式服務的某銀行客戶流失率預測為例，該行借助第四范式AutoML，構建人工智能模型的時間從400小時下降至10小時，且預測準確率相較于人類科學家手動建模更高。

其次，“N”的實現還需要統一的方法論，從而規模化生產AI，以標準化流程提升效率。第四范式建立了一個以“庫伯學習圈”理論為基礎的AI方法論，將AI開發分成“行為數據采集、反饋數據采集、模型訓練、模型應用”四個標準步驟，幫助企業加速AI的落地效率。以第四范式服務的某大型央企為例，在統一的方法論和低門檻平臺的加持下，該企業一年內在100多個業務場景中實現了AI落地。

對于企業來說，AI不只是單點業務的智能化升級，更是整體業務創新、經營效率提升的利器。自2014成立以來，第四范式一直致力于幫助各行各業企業實現智能化轉型，目前已在金融、零售、制造、能源、醫療、互聯網等行業落地了AI應用案例，連續兩年蟬聯 IDC MarketScapeTM  中國機器學習平臺市場份額第一。依托于豐富的技術積累與行業經驗，第四范式將繼續完善全棧式的企業級AI產品體系，讓企業智能化轉型不再受到落地效率低下、業務價值不佳、投入成本激增等難題的制約。