360金融首席科学家张家兴：只靠AI Lab做不好AI中台 | 独家专访

「AI 技术生态论」 人物访谈栏目是 CSDN 发起的百万人学 AI 倡议下的重要组成部分。通过对 AI 生态顶级大咖、创业者、行业 KOL 的访谈，反映其对于行业的思考、未来趋势判断、技术实践，以及成长经历。

本文为 「AI 技术生态论」系列访谈第21期，AI科技大本营独家专访了360金融新任首席科学家张家兴，他首度公开了360金融数据中台的全貌，并表达了他对中台和AI落地的具体观点。

百万人学 AI 你也有份！今日起点击阅读原文报名「2020 AI开发者万人大会」，使用优惠码“AIP211”，即可免费获得价值299元的大会在线直播门票一张。限量100张，先到先得。

作者 | Just

出品 | AI科技大本营（ID:rgznai100）

2019年12月31日，张家兴正式入职360金融，这家公司也迎来了第一位首席科学家。

 

如今，传统的互联网金融公司转型金融科技公司已成大势，纷纷为自己打下以技术为中心的标签。然而，以业务为主导，追求技术架构快速迭代的传统方式，不足以支撑金融科技公司继续壮大发展。

 

在属于大数据和AI的时代，技术应该拥有更重要的地位。

 

张家兴有时会用“技术独立性”来形容这种变化，“也就是，让技术不只依附于业务，而是有自己的独立性发展”。当然，“技术独立性”的形式可以有很多种，但他认为，最有效的是建立一个中台，“这是最好的”。

 

随着业内中台化趋势加剧，以契合单个业务为主导的技术解决方案加速升级。通过构建数据和AI中台，金融科技公司希望进一步释放技术能力，创造更大业务价值。

 

360金融也不例外，但要想通过打造中台强化技术属性，前提是找到合适的技术领导者。

 

张家兴到位后，中台化旋即升级为360金融的战略，他带领100多人的团队推进数据AI中台的构建。“统一”是他在2020年第一季度的关键词和重要指标：把贴近业务目标为主的数据和AI统一中台化，包括统一整个公司的数据仓库，统一投放系统，统一语音外呼平台和统一图数据等，张家兴称其为智能金融全链路上的统一。

 

进入360金融前，他在国内多家一线企业留下足迹，曾先后就职于百度、微软、阿里巴巴，曾任微软亚洲研究院研究员，在系统和算法两个方面积累了丰富的学术研究和工业落地经验。

 

8年前，在微软亚洲研究院做学术研究，他形容那时需要的是创新性思维，创造出新的方法，甚至提出新的问题，追求做与别人不一样的研究。任职微软期间，他还做过很长时间的分布式系统的研究和构建，这样的背景使得他非常强调架构性思维。

 

而在刚离开不久的蚂蚁金服，他的角色是对话机器人专家，带领算法团队开创性地将相应AI技术应用到智能客服、智能贷后、理财和保险顾问等金融场景。这一切，也是蚂蚁金服人工智能中台化建设的重要组成部分。

 

但对张家兴而言，这些更多只是将单一技术应用在金融领域，而他所希望的是，能有更大的整体架构性实践和思考AI落地。

 

此时，要进一步升级技术能力的360金融，亟需具有架构性思考能力的技术领导者，这正好符合他当下的希冀，“做中台能从架构设计对公司的中长期整体布局产生影响，相比之前做单一技术更需要架构性思维。”

 

所做的东西越来越大，肩上的担子也越来越重。张家兴说，现在更多考虑数据和AI会给公司创造的价值以及对整个领域带来的改变。现在，从统一数据AI中台到构建数据智能平台矩阵，他正在全方位推动数据和AI赋能360金融的业务。

从智能链路到平台矩阵

 

AI科技大本营：你认为，由AI驱动的任何业务都会是一个链条，360金融的整体链条是怎样的？

 

张家兴：360金融要做的是在海量互联网用户与金融产品之间建立一个桥梁。一方面，面向全网，找到有真实金融需求的用户，另一方面要把借贷、保险、理财等各种金融产品提供给他们。

 

这个链路有很多关键环节。第一个环节是获客，就是从海量互联网用户中发现和触达有价值的需求。通过媒体渠道进行流量广告投放是最有效的方式，但是为了降低获客成本，就必须高度的精准化。这当中有两个难点，一是如何通过各种数据对用户的诉求形成精准理解；二是如何在用户刚刚出现需求的时间点做及时触达。

 

第二个环节是客户经营。针对我们的注册用户，不断发现他们的新需求。从人群圈定，到各种手段触达用户，到数据分析，整个客户经营的链路都要足够精准且高效。

 

第三个环节是风险控制，通过大数据尤其是图数据，对用户的风险进行评估。

 

最后一个环节是各种服务，包括智能客服、贷后沟通、保险顾问等各种与用户的沟通服务。

 

AI科技大本营：怎么从技术上去打通这条链路？

 

张家兴：现在，我所做的数据AI中台就是对各个环节进行智能化。在获客环节，我们希望从传统的依赖人去优化决策的广告投放方式，转变为通过算法去投放的全自动投放方式；在客户经营环节，我们希望让数据更加实时，并且能够构建一些用户标签，让运营更有效率；在风控上，我们用大量机器学习模型来判定整个风险，引入更多数据；最后的服务环节，我们通过智能调度，使用对话机器人，让服务变得更高效。

 

在此基础上，我们准备打造一整套数据智能平台矩阵，包括实时数据计算平台、图数据计算平台、机器学习平台、数据分析平台、智能运营平台等等，去支持整个智能金融链路。

 

AI科技大本营：相对360金融原有的数据平台，整合后的数据智能平台矩阵有什么特点？

 

张家兴：一个特点是，其中每个平台都是数据+计算+模型这样三位一体的融合。这可能跟以前单纯强调数据的数据平台差别比较大，因为光有数据是不够的，还要在数据上进行高效计算和开发模型。

 

以图数据平台为例，我们很早就构建了一个20亿个节点，百亿个边的大规模图数据。但之前在图上的计算，更多依赖的是像Spark这样的计算框架，图计算中大量的近乎随机的近邻节点访问，导致很重的数据shuffling操作，效率很低，无法发挥出数据真正的价值。现在我们构建最先进的图计算引擎，连同数据一起整合在一个平台中。最后，数据真正发挥价值是要有AI加持的，在这个平台的基础上，我们针对不同的场景来开发和沉淀模型，跟平台做深度绑定。

 

另一个特点是，它是一个很多平台的架构体系，包括图数据平台，实时数据平台，机器学习平台，数据分析平台等等。每个平台都承载不同的数据、计算和模型，支撑不同的场景，而平台之间又有各种数据的交互。这些平台共同构成一个矩阵，实现对公司全业务全场景的支撑。

 

做中台，不只是技术问题

 

AI科技大本营：很多公司要不建的是数据中台，要不就是AI中台，怎么理解360金融这种二合一的“数据AI中台”？

 

张家兴：在大多数公司的中台化实践中，往往是分开在做数据中台和AI中台。然而事实上这两类中台无法简单的一刀切开，将两者融合在一起有很大好处。

 

一方面，数据要想真正发挥价值，都要靠算法和模型来发挥作用；另一方面，AI要发挥价值，就要有数据支撑，数据与AI要相辅相成才能发挥作用，共同体现价值。再说，数据与AI的界线含糊不清，有时候很难说清，同一个功能，例如数据挖掘和图计算，是数据还是AI，因此统一到数据AI中台，就可以避免这些困难的划分。

 

归根结底，我们应该从怎么能够产生价值的角度出发去做架构设计，而不是刻板地去思考到底是数据还是AI。

 

AI科技大本营：每家企业构建技术中台都有自身的考量，你觉得要不要做技术中台的标准是什么？怎么体现它的价值？

 

张家兴：中台不是万能的，做中台的最大必要性前提，一是公司要有很多业务，并且还会不断产生出新的业务；二是各业务之间有一定相似性，可以有很多共用的基础。

 

如果有统一的技术中台来做支撑，首先就是效率的提升。比如，原来三个业务需要建三个完整的技术团队做支撑，但现在主要由一个中台技术团队就可以。360金融的主要业务有借贷、理财和保险还有其他业务，从成本和效率的角度出发，我们不能去重复做技术布局。未来我们也会有很多创新型小业务需要快速集成和迭代，这时也会显示出中台的价值。

 

技术中台还可以实现经验在公司不同业务间互相传递。比如在智能运营上，我们的目的是通过数据和模型对运营进行提效，可以和成熟业务一起合作构建智能运营平台，把先进的运营经验和技术沉淀在这个平台中。而在一些没那么精细化的新业务上，在使用这个平台的时候，就相当于获得了成熟业务经验。可以说，技术中台可以起到的经验传递作用，让与它连接的各个业务都能受益。

 

做AI，最关键的因素是人才，中台的另一个隐性价值是吸引人才。但是，AI人才有一定聚集效应，希望加入一个优秀团队，与技术牛人一起工作。没有中台，业务自己做AI，就会导致过于分散，对人才吸引力降低。而在中台中做AI，可以形成一个规模更大、技术更聚焦AI团队，容易吸引更多这个领域的优秀人才。

 

AI科技大本营：360金融的中台搭建进入了哪个阶段？你对数据AI中台的整体构想是怎样的？

 

张家兴：目前我们主要处于做“统一”这件事的阶段，基本完成的有统一的数据仓库、统一的图数据，还有统一的智能投放平台和智能运营平台。

 

接下来就是加强平台建设，我们正在搭建的是人工客服加上机器人的统一智能语音平台，希望在这个平台里，可以实现统一调度人工客服与机器人，更好地实现与用户之间的沟通。

我们也正在构建统一的实时数据平台，希望让每个业务都具备实时数据的能力。未来一系列的平台都在构建中。再下一步，在平台上构建更多的模型，让数据AI产生应有的价值。

AI科技大本营：在“统一”这个阶段，中台对业务的价值有没有显性数据可以提供？

 

张家兴：只举一个简单的例子，在我们的对话机器人中，通过对话机器人技术本身的提升，78%的催回金额都由机器人自动完成，这是一个非常高的水平。

AI科技大本营：在AI技术上，还会在哪些领域做重点布局？

 

张家兴：首先是机器学习，为了更好的保障中台支持，我们要进一步夯实这个基础，从图学习、强化学习、对抗学习等方面加强基础性建设。

其次是语音技术，金融科技公司服务海量的互联网用户，对于比较聚焦或重复性的工作，比如电话沟通，应该用技术手段去节约成本和提升效率，也更方便公司加强业务规范建设。计算机视觉方面也要加强，这方面会涉及票证、人脸识别等应用。

 

最后，可能会逐渐考虑存储与计算架构上进行自研，因为好的算法、模型能力需要从底层系统开始有针对性地构建，也希望对整个开源领域的技术架构方面做一些贡献。

 

AI科技大本营：除了360金融自身的技术升级，疫情期间你们还实现了技术解决方案的输出，这是一项短期计划，还是长期布局？

 

张家兴：这是长期计划。一个公司做技术做得好的标志是，不只能解决自己公司的问题，也能够用技术帮别的公司去解决问题，帮助整个领域做提升。这一点其实也是技术中台的一个价值体现，如果是在各个业务单独构建技术的话，谁都没有能力和意愿去做输出，而中台就可以承担这样的技术能力输出的任务。

 

AI科技大本营：与阿里等其他公司打造的中台相比，360金融的数据AI中台整体有什么不同？

 

张家兴：我们真正实现了在技术上“大中台，小前台”的概念，数据实现了真正意义的统一和打通，例如智能投放、智能外呼等业务也完全由中台来做技术支撑。

而在很多规模比较大的公司，它们的中台和业务部门结合的没那么紧密，导致中台主要做的是更底层的技术，而业务线往往也在垂直的构建自己的技术，这就造成了“中台不大，前台不小”。

这些区别也反映了360金融在组织架构上的灵动，一切以价值为导向，中台模式也更容易推进。

 

AI科技大本营：上述哪一种模式会是其他公司做中台时更好的参考样板？

 

张家兴：如果一家公司做的事情比较聚焦，业务比较同质化，像360金融这样比较聚焦金融业务的公司，就适合“大中台，小前台”模式。

但如果一家公司已经大到横跨很多领域，最初又没有很好的中台架构设计，这时就很难凭空构建一个平台去支持所有业务，很难实现真正的大中台。一家公司到最终能不能实现它想要的那个中台，也有一定的路径依赖，甚至跟公司文化有关。

 

我的建议是，任何一个公司如果想不断扩大发展，希望以后有各种不同业务出现，那么越早考虑做中台越好，甚至就在成立第一天就要考虑，让中台持续赋能。否则，当公司发展到很大规模，半路做中台就会遇到很大的阻力。

中台，不仅是一个技术问题，更是组织架构问题。

 

AI科技大本营：怎么看业内人士评价中台时说的，“大象吃这个药，强身健体，蚂蚁吃这个药，一击毙命。”

 

张家兴：会这么说，是因为还没想明白中台这个事情。很有意思的一点是，大家都知道中台很有价值，但不知道中台是什么样、具体该怎么做。

AI不等于算法，要有架构思维

AI科技大本营：在中台搭建的落地过程，你觉得业内最大的误解是什么？

 

张家兴：对于AI中台，有人简单的把它理解成一个AI Lab（AI实验室），招聘一些算法工程师和算法专家，指望公司从此智能化。如果认为这就是AI中台，靠这个实现智能化，我认为这是一种错误的实践。

 

AI能力不是由算法这一单一角色创造出来，应该是由数据、算法、工程、产品和运营至少这五个角色来完成，各个角色的定位是：产品做交互，工程搭架子，数据造原料，运营背指标，算法做模型。

其中，算法人数所占比例并不高。这些角色互相合作，才最终产构建出AI能力。如何让这些角色互相合作，才是考验AI架构设计的真正挑战。

 

AI科技大本营：回头来看，在数据AI中台的落地实践过程中，你们还得到了哪些启发？

 

张家兴：由于技术中台不属于任何一个业务团队，一般很多公司觉得做技术中台容易让技术跟业务出现割裂，会产生一些负面影响。

 

那360金融做中台时就强调所有做中台的人需要有业务思维，我们叫做“业务思维，技术创新”，怎么样让大家确实具备业务思维？我们采用的创新模式是，让中台和业务团队共同背负最终业绩指标，而不是负责自身技术指标。通过这种真枪实弹的压力，让中台团队努力去用技术创新达成业务指标。

 

公司里做技术的创新不是为了炫技，发几篇Paper，竞赛拿一些成绩，把技术用在很小的应用场景里，就觉得自己很牛。为了炫技，我们有太多事情可以做，但这不一定对公司有价值。为了公司的价值，我们会发现思考该做什么就是个很大的挑战，但这才是技术团队应该做的。技术应该把时间用在有价值的事情上。

 

综合来看，我们可以说，技术中台本质上是公司管理的问题。

 

AI科技大本营：你强调，要有架构性思维才能做好AI，为什么这么说？

 

张家兴：这个世界上不缺创新性思想的人，也不缺解决问题的人，但是缺有架构性思维的人。在架构性思维的人看来，AI本身是个架构，而且AI还是更庞大的业务和技术架构的一部分。

 

一个架构，决定了会有哪些模块，哪些技术，哪些人在里面如何合作、共赢甚至博弈，最终产生AI能力。只有把这些都想清楚了，AI才能创造出价值，这些也需要在实践中不断摸索。

我一直在思考学术界跟工业界之间的区别。学术界思考的是创造新方法，并且努力让这个方法被更多人广泛接受。而工业界思考的是架构，通过这个结构，将各种技术元素整合起来产生价值。

 

学术界是创新保障，工业界是价值保障。充分容纳学术界方法创新与业界架构设计两种思维方式，才能最终把AI做好。

推荐阅读

• 如何通过深度学习，完成计算机视觉中的所有工作？

• Go后台项目架构思考与重构 | 深度长文

• 黑客用上机器学习你慌不慌？这 7 种窃取数据的新手段快来认识一下

• 阿里“去 IOE”十二年，弹性计算如何二次去 I 和 E？

• 5分钟！就能学会以太坊 JSON API 基础知识

你点的每个“在看”，我都认真当成了AI