曾幾何時，讓·鮑德里亞說“人工智能的可悲之處在于它不夠巧妙，因而不夠智能。”如今，用這句話描述人工智能已越來越不恰當。

蘋果、特斯拉、滴滴、百度等國內(nèi)外巨頭在無人駕駛上的頻頻加碼，讓無人駕駛技術(shù)進入了發(fā)展的快車道。但自動駕駛，只是人工智能的一個細分領(lǐng)域。

“人工智能是我們?nèi)祟愓趶氖碌淖顬樯羁痰难芯糠较蛑唬踔烈然鹋c電還更加深刻。” 桑德爾·皮猜曾指出。

近期，一項名為“遷移學習”的技術(shù)被谷歌、阿里云、薩摩耶數(shù)科等知名企業(yè)頻頻提及，這項技術(shù)雖然不如智能駕駛那么“接地氣”，但在商業(yè)應(yīng)用上的價值卻毫不遜色。

圖片來源于網(wǎng)絡(luò)

無處不在的遷移學習

究竟什么是遷移學習？“你永遠不能理解一種語言——除非你至少理解兩種語言。”英國作家杰弗里·威廉斯的這句話有助于我們理解什么是遷移學習。

不必討論它冗長的概念，只需要思考一些生活中的細節(jié)。在幼兒園學習拼音的時候，老師教我們“a、o、e、i、u、ü”，教我們聲母、韻母如何搭配組合；而在我們學習英語的時候，常常自然而然地將一些拼音中的規(guī)律帶到音標中，這就是遷移學習一個常見的應(yīng)用。

學習一類外語時，人們常常將在學習母語過程中的經(jīng)驗、技巧、習慣、方式不自覺的遷移運用于新語種的學習當中。如果是可借鑒的經(jīng)驗與方法，我們會獲取并且加深這種學習方式，如果是不適用的方法，我們則會放棄，換一種學習方式。

遷移學習的原理與人類學習語言的過程十分相似，在從源領(lǐng)域（比如漢語中拼音）學習的過程中，根據(jù)目標領(lǐng)域（比如英語中的音標）的數(shù)據(jù)特性，來決定是否需要將知識從源領(lǐng)域遷移到目標領(lǐng)域。

數(shù)據(jù)是人工智能的底層基礎(chǔ)，也是人工智能時代最核心的競爭力之一，必然“洛陽紙貴”。

如果源數(shù)據(jù)是“1”，那遷移學習的價值在于，它可以在源數(shù)據(jù)在源領(lǐng)域?qū)崿F(xiàn)自身“1”的價值的同時，在諸多目標領(lǐng)域?qū)崿F(xiàn)0.5、0.6乃至0.9的價值；使用遷移學習的新模型在開發(fā)過程中，也不用經(jīng)歷“從0到1”的過程，而是從0.5、0.6乃至0.9起步。

在薩摩耶數(shù)科看來，遷移學習就是“借力打力”，酷似諸葛孔明草船借箭，通過“借力”它將自己學習的框架放大，找到更多更有“能力”的樣本，并且充分利用他們的能力。

如今遷移學習已成為機器學習的基礎(chǔ)研究領(lǐng)域之一，在計算機視覺、文本分類、醫(yī)療健康領(lǐng)域有著廣闊的應(yīng)用場景，當然也包括金融領(lǐng)域。

“與廣告推薦等領(lǐng)域相比，金融領(lǐng)域獲取的無偏樣本不僅僅需要獲客成本、營銷推廣費用，更需要付出昂貴的客戶逾期成本。而使用遷移學習的時候，就可以直接采用大量的業(yè)務(wù)樣本，這種近乎于零成本的樣本獲取方式的優(yōu)勢正是建模樣本所或缺的，能夠解決有標注的樣本的昂貴的產(chǎn)生代價問題。” 薩摩耶數(shù)科人工智能部負責人指出。

薩摩耶數(shù)科是一家以AI為驅(qū)動的金融數(shù)字科技公司，現(xiàn)有團隊規(guī)模超450人，其中風控及研發(fā)技術(shù)人員占比80%以上，依托人工智能和云計算等技術(shù)，為金融機構(gòu)提供全方位、專業(yè)的數(shù)字金融科技服務(wù)。截至2021年一季度，薩摩耶數(shù)科已與包括商業(yè)銀行、消費金融公司在內(nèi)的超100家機構(gòu)達成合作，累計注冊用戶超7130萬。

而遷移學習就是薩摩耶數(shù)科在人工智能領(lǐng)域廣泛應(yīng)用的技術(shù)之一。

薩摩耶數(shù)科與遷移學習

薩摩耶數(shù)科是國內(nèi)較早將遷移學習應(yīng)用于金融科技領(lǐng)域的企業(yè)之一。通過結(jié)合薩摩耶數(shù)科內(nèi)部常用的自動建模平臺AUTOMAN，薩摩耶數(shù)科開發(fā)了一套合適自身特點和需求的遷移學習工具。

例如在通過AUTOMAN自動建模過程中，在存在兩份建模數(shù)據(jù)集（目標數(shù)據(jù)集、輔助數(shù)據(jù)集）的前提下，通過遷移學習的方式，來調(diào)整兩份樣本中每個樣本實例的權(quán)重，通過每一輪的迭代，使得目標數(shù)據(jù)集中的錯分樣本權(quán)重提高，同時使得輔助數(shù)據(jù)集中的錯分樣本權(quán)重降低；如此，使得輔助數(shù)據(jù)集中有用的樣本可以為建模集所用，而無用的樣本從建模集中剔除，來實現(xiàn)建模數(shù)據(jù)樣本的調(diào)整。

該工具是否真的能通過遷移學習的方法改善建模效果？薩摩耶數(shù)科舉了一個項目實例：

此項目模擬了兩個數(shù)據(jù)集用遷移學習方式改善建模效果的實例，實際的樣本構(gòu)成如下表所示：

最終建模效果如下圖所示，在相同的跨時間建模樣本上驗證模型效果，KS從0.328提升到0.406，效果有了非常顯著的提升。盡管兩份數(shù)據(jù)集的正樣本比例有著巨大的差距（圖1所示），但遷移學習可以在迭代的過程中消除這種差異，將可用數(shù)據(jù)為建模數(shù)據(jù)集所用。

從此項目實例可以看出，遷移學習在金融領(lǐng)域大有可為，而薩摩耶數(shù)科就是這項技術(shù)的先行者之一。

經(jīng)過了十余年的發(fā)展，金融科技已經(jīng)走過了一個完整的周期，大浪淘沙之下，穿越周期的企業(yè)很少，其中就有薩摩耶數(shù)科的身影。“穿越周期需要終局思維”薩摩耶數(shù)科董事長林建明曾如此說。

薩摩耶數(shù)科的終局思維體現(xiàn)在哪里？就在諸如遷移學習等人工智能技術(shù)上。截止2021年Q1季度，薩摩耶數(shù)科知識產(chǎn)權(quán)申請（專利、商標、著作權(quán)）418個，行業(yè)獲獎超50項。

6月初，智源研究院理事長張宏江一次活動上指出：在智能化時代，AI已經(jīng)像電力一樣變成無所不在的能力，數(shù)據(jù)已經(jīng)像燃料一樣變得隨處都需要。

誠然，人工智能早已不再是局限于圍棋上的阿爾法狗，它與我們的生活聯(lián)系越來越緊密，若說AI是“電力”，數(shù)據(jù)是“燃料”，那遷移學習這類技術(shù)是什么呢？在薩摩耶數(shù)科看來，它是人類在提升“燃料”使用效率的探索，就像人類對內(nèi)燃機的改進和研究。