與“數據”的不解結緣立足“三個轉變”“縱深”扎根金融?
在方磊博士介紹公司歷程和產品平臺之前，首先提及“數據”和“金融”兩個關鍵詞，這也讓我們好奇為何公司在“金融行業(yè)”堅守至今。
后來得知，這離不開方磊之前的“數據”工作經歷。作為早期參與微軟云計算平臺研發(fā)的團隊成員，積累了對大數據不同的認知。而后來在微軟必應（Bing）搜索任資深開發(fā)工程師經歷讓他深入參與了開發(fā)、設計基于下一代大數據技術的索引處理架構的研發(fā)工作。與“大數據”的不解之緣不僅具備了對大數據未來發(fā)展趨勢和下一代處理架構的敏銳嗅覺，也讓他在創(chuàng)立公司初期迅速找到合適賽道，選擇為金融行業(yè)服務。他相信憑借金融行業(yè)目前的良好數據基礎，可借助智能平臺深挖“大數據”中蘊含的無限寶藏，這終將讓企業(yè)煥然一新、壯大發(fā)展，同時也讓九章云極擁有行業(yè)內的一席之地。
選定金融行業(yè)的海洋后，接下來就是對“智能分析”的漫漫攻關之路。雖然大數據分析平臺在人工智能、企業(yè)信息化、數字經濟的概念下被炒得火熱，但早已不是報表、統(tǒng)計表的時代，現(xiàn)如今的“智能”更應符合行業(yè)信息化和數字化轉型的剛需和痛點，這背后可用 “三個轉變”概括，這也是攻關克難之路上的指路燈。
方磊博士介紹到，現(xiàn)在大數據分析模型需要著重提供大量可視化服務、從離線服務變?yōu)閷崟r、在線服務為主，從單機管理到分布式管理，這三個轉變意味著傳統(tǒng)的人工“看報表”、“審核”的模式亟待轉型。簡單的人工如何高效準確處理“大數據”，特別是金融行業(yè)每秒產生成千上萬的交易數據，這無疑是巨大挑戰(zhàn)。
以銀行為例，原來是多個獨立數據庫存儲業(yè)務數據和運維數據，形成數據倉庫，一旦有調用需求則由人工選取數據生成報表，最終交給審核人和企業(yè)領導查看?？梢钥吹?，人工操作貫穿始終。
但現(xiàn)在，日常業(yè)務數據、報表數據和運維日志數據會采用SQL查詢，通過Hadoop新一代超融合架構，查詢性能單機數據掃描量可達到350MB/秒，這正是九章云極核心明星產品——DataCanvas智能數據平臺，讓金融行業(yè)面對業(yè)務高峰不再無所適從，而是集中整合數據資源從而改進營銷活動、激發(fā)客戶新需求。
DataCanvas
在數據預處理之后可大浪淘沙留下最有價值的元數據，接下來是金融業(yè)對大數據分析最為渴求的“可視化展現(xiàn)”。數據科學家借助平臺提供的超過140個的機器學習算法模塊和可視化圖標創(chuàng)建及數據預覽、數據準備、數據建模、算法運行等多種功能一體的管理界面。讓企業(yè)用戶拖拽算法模塊即可完成數據分析流，自動構建用戶畫像、精準營銷。
金融行業(yè)面對高峰業(yè)務量的另一剛需則是“實時處理”，以往批量化輸出分析結果的做法早已過時，DataCanvas[zI5]? RT實時處理平臺則借助機器學習、深度學習構成的數據模型實現(xiàn)流數據實時處理，離線系統(tǒng)對接功能還可全面貼合生產化業(yè)務場景，讓企業(yè)隨時隨地享受便捷。
這一切塑造了全能型的DataCanvas 智能數據平臺，這背后同樣代表了“縱深戰(zhàn)略”的另一層深意。方磊博士說道，很多公司都是橫向戰(zhàn)略，就像沖咖啡，不斷加入各種配料，最終讓用戶可以一飲而盡。但九章云極的思路不同，縱深了解用戶后，提供用戶所需多個模塊，之后不再需要“加料”，而是直接飲用，像 “喝咖啡”一樣，便捷享受。
所以，方磊博士帶領公司團隊深入分析銀行客戶提供的交易數據、外匯儲備數據、儲戶脫敏的可公開的個人數據、風險控制數據、信用評價數據等細分數據，看似領域“小”，但扎根進去會獲得不一樣的“大數據”。
直擊“智能”核心完善“二次開發(fā)”
所謂人無我有、人有我優(yōu)，數據服務平臺琳瑯滿目，在“縱深”戰(zhàn)略引導下，公司仍舊從“數據”本質研發(fā)核心優(yōu)勢，因此方磊博士提出，現(xiàn)在和未來的產品迭代還需緊貼金融行業(yè)面臨每秒海量交易數據的實時處理之需，通過海量大數據不斷訓練計算機，數據科學家優(yōu)化數據分析模型，讓機器學會“智能、自主”。
自然語言處理、機器學習、神經網絡、遺傳算法等眾多人工智能技術可用于金融新興業(yè)務中。在股票價格、交易量、宏觀數據、上市公司賬目等數據量化成各類指標后，改進金融行業(yè)的多因子模型和理解文本的能力。大數據不斷訓練之后，數據分析模型可靈活處理更多維度數據和多樣化場景，像人類大腦一樣自主決策、自動觸發(fā)相應指令。人力在此基礎上可尋找深層規(guī)律，完成創(chuàng)造性工作，解放人工。未來還可開發(fā)出風險量化模型體系、精準營銷模型體系、智能投顧模型體系以及用戶洞察模型體系等，擁有更強智能。
憑借穩(wěn)定性和標準化的服務流程，計算機在每個特定場景下準時觸發(fā)指令，例如向高精準客戶推送消息等，計算機可100%執(zhí)行，這比人力貫穿的模式著實提效不少。
當然，“分析模型”需要不斷迭代、優(yōu)化升級，同時用戶的需求也是紛繁復雜，這就引出公司研發(fā)的另一重點——二次開發(fā)功能。
眾多銀行客戶都會出于安全考慮將數據布置在私有云之上，甚至每個分公司的數據并不連通。方磊博士談到，這意味著此前簡單的一個借口、一個指令、一行代碼可以迭代的應用和服務，現(xiàn)在需要一個團隊、多次完善、不斷磨合和溝通才能完成，但其實是提高產品性能的絕佳機會。與不同金融企業(yè)的反復磨合、適應中痛并快樂著，方磊博士始終堅信，沒有真正的捷徑，捷徑都是時間和心血的沉淀。
人工智能并非絕對至上
正如同產品平臺和研發(fā)從數據出發(fā)一樣，方磊博士對當下新興技術的看法也從“數據”講起。
在人類對“智能”的理解尚未深刻和統(tǒng)一之時，不能簡單將人工智能擺在絕對至上位置，并非凌駕一切的神圣。目前，深度學習算法從2010年以來的確取得進展，但在可解釋性上還存在前進空間，不能因為機器學會交互就判定具有智能，智能和行為不能完全等同。
信息化為行業(yè)提供大數據基礎，智能分析平臺讓數據互聯(lián)、與業(yè)務形成閉環(huán)，閉環(huán)提高企業(yè)產品和服務的迭代效率。人工智能的意義則是通過大數據不斷訓練計算機快速掌握自主學習能力，像人類大腦般可基于歷史數據總結超乎想象的規(guī)律，達到資源的優(yōu)化配置。
堅守縱深戰(zhàn)略從一而終，以更優(yōu)化的算法模型和更高性能的計算存儲能力從容應對多樣化、個性化金融行業(yè)用戶需求，這是九章云極簡單而獨特的心路歷程。大數據與金融的深度結合，勢必會造就未來更大的產業(yè)變革，這也推動著“縱深”戰(zhàn)略的繼續(xù)加深，吸引行業(yè)內外隨之深入了解更多細節(jié)。
