专访普林科技COO宋进亮：教育、金融、医疗会成为人工智能场景应用的突破口

近年来，随着互联网的发展，中国科技企业在人工智能领域的研发、人才等方面的投入不断加大，人工智能迎来发展的春天。对此，数据观记者专访了普林科技COO宋进亮，他认为，目前人工智能应用最有可能取得突破的是金融、医疗和教育领域。

普林科技COO宋进亮

　 数据观记者：想了解一下普林科技在人工智能方面有哪些举措？

　　 宋进亮： 在回答这个问题之前，先来看看人工智能是什么？有两个角度：首先可以把人工智能看作一种衡量标准——在特定的应用场景下，看某一个电子系统的判断处理能力在多大程度上接近甚至超越了人类的水平，如果有了这样的能力，我们就可以认为这个电子系统具备了人工智能，这也就是人工智能领域中“图灵测试”的基本原理。另一方面，我们也可以把人工智能看作是一个技术类别，也就是使电子系统具备人工智能能力的技术方法论，称为人工智能。

如果从传统的角度看，市场可能认为普林提供的业务主要是大数据建模分析。但如果从刚才我们对人工智能的定义来看，会发现普林的一些业务已经具有了一些人工智能的性质。例如，在金融风控领域中，基于大数据的风控模型系统实际上已经相当于团队中的一个非人类的专家成员，“他”会提供一些参考意见共同参与风险评估、授信额度评估的判断。当然，这里面与非人类专家的沟通配合方式还是需要充分磨合，会有一些传统风控领域的从业者担心被人工智能系统替代，或认为自己的经验积累已经比较丰富，并不需要人工智能系统的帮助。随着时间的积累，数据源的逐渐丰富，人工智能系统的好处会逐渐显现出来，这时候业务专家和人工智能系统都会逐渐适应相互之间的合作。

　　 数据观记者：能不能具体讲一下，普林在深度学习或者人工智能方面开展哪些业务？

　 宋进亮： 在普林内部，一直有一个技术委员会的建制，持续关注建模、分析技术的最新发展。近期技术委员会关注的一个重点就是人工智能相关的最新方法，包括深度学习、迁移学习等等。具体操作时会选择领域内的典型问题，尝试使用这些人工智能的方法做实验，并且跟公司内已经成熟应用的大数据建模方法做效果、调优上的比较，从而能够在比较领先的时间点对业界的最新方法形成感性认识和判断。

当然，在不同业务线的应用上，最新方法所侧重的方面也会有所不同。例如在金融领域，我们会比较多地关注应用中的可解释性。深度学习、迁移学习这些方法可以帮助我们利用好以前不太容易用起来的数据集。但金融领域多年来积累的专家知识也是比较丰富的，有时候评分结果一旦出现问题，所造成的损失风险也会比较大。这样就要求智能方法不但结果好，还需要能让人看懂是怎么回事，或者它的“为什么好”可以通过具体场景上的业务知识进行验证。这样，人工智能所带来的新结果、新模型才让行业专家敢于使用。在有比较好的可解释性的前提下，才有可能与历史积累的专家知识进行结合，比较快地融合到实际业务中去。

普林会帮助合作伙伴分析他们具体的业务特征和数据特征，如果遇到的场景和数据比较适合使用最新的人工智能方法去处理，就会推荐合作伙伴进行尝试，并且结合技术委员会所积累的研究成果、设计思路及比较新的解决方案。这样，新兴的人工智能思路的方法也就可以通过普林的帮助比较快地在业务中发挥作用了。

　 数据观记者：刚才谈到应用场景，您觉得人工智能在哪些应用场景会有大的发展？

　 宋进亮： 我个人最看好、最有可能取得突破的应该还是金融、医疗和教育。金融领域通过这么多年的发展，已经积累了不少业务专家与信息化系统协同工作的经验，电子系统已经成为金融业务流程的组成部分。例如对业务风险，行业中已经有比较成熟的、量化的评价指标，这样业务专家和电子系统之间就有了一个对话的工具，怎么算好怎么算不好，他们可以沟通。而且在金融领域，数据积累的量和类别都比较丰富，具备支持人工智能方法使用的条件。金融领域当前的基础条件比较好，是我看好人工智能在金融领域能比较快地发挥价值的原因。

　　 数据观记者：我觉得金融领域有很多的内容和程序都是固定的，比如人工客服的很多回答是固定的，您的看法呢？

　　 宋进亮： 金融业务面相对来说比较成熟，但是它的问题也同样在这里。成熟的业务通常也就会比较复杂。大家讲人工智能在金融中的应用，如果细分下去，有差异的问题点会非常多，数据特征也是不太一样。比如同样是贷款评估，车贷、房贷、小额贷的考虑因素肯定会不太一样。在底层支撑的方法上有共性，但是很多应用端的事情要重新做，包括从数据中找出来的模型关键维度，对关键参数的细化调优，还是要结合具体的业务场景去优化才会取得比较好的效果。

　 数据观记者：接下来谈谈您为何看好人工只能在医疗领域的应用和发展？

　　 宋进亮： 我看好的第二个领域是医疗。医疗领域的人工智能应用和大数据应用目前都还处于早期。在这种情况下，这几乎是一个半空白的领域机会，这里面出现的任何突破都可能是革命性的。从普林进行尝试的角度来看，已经取得了一些比较有意思的成果。比如今年和合作伙伴一起做了一个急性心肌梗死的鉴别诊断模型。我们先用人工智能和自然语言处理的方法进行病历结构化，从传统的病历文本中区分出来症状、疾病、检查以及各种描述性词语，这样机器就可以“读懂”病历。之后，智能诊断模型就可以对结构化了的病历中的几千个特征维度进行分析，综合使用多种人工智能算法，形成患者是否是心肌梗死的一个判断。普林的这个模型做到的结果，其漏诊率比三级医院的平均漏诊率还要低差不多一半。急性心肌梗死是高危致死性疾病，最佳救治时间大约只有3个小时，一旦出现漏诊、误诊，就有可能对患者的生命造成危险。从这个意义上讲，我对这个项目里取得的结果是感到十分激动的。

数据观记者：数据从哪里来的？帮医疗机构做这样一个系统，会得到一个心肌梗死的判断预测？

　　 宋进亮： 目前数据主要是从合作伙伴那里得到的一些病人的历史诊疗记录。可以这样理解，系统本身会根据数据对患者是否是急性心肌梗死的情况做一个预测，这种预测的结果会支撑辅助医生的诊断，然后医生可以在这个预测的帮助下对诊疗处理做一些调整，例如紧急救治，或者增加一些针对性的检查，这样形成一个更准确的判断来挽救患者的生命。换句话说，最终诊疗方法的确定和处方都还是以医生为主，但是会有一个机器人来帮医生提出一些建议。

　 数据观记者：医生会看这样的预测吗？

　　 宋进亮： 不同级别医院的诊疗水平并不一样，对基层医院和低年资医生来说，他们通过系统获取到了顶级医学专家诊疗经验的帮助，对提升医生的诊疗水平还是很有帮助的。当然，因为现在还在行业应用的早期，医生比较多会在“感兴趣”的状态，如果说经过一段时间的验证之后，证明这些智能系统的效果比较好，能产生具体的帮助，那么医生肯定会选择看这些预测了。所以，它有一个逐步推广的过程。从这个角度看，我会特别看好医疗这块领域能出现智能应用的颠覆性结果。

　　 数据观记者：您可以更深入的解释一下吗？

　　 宋进亮： 深入来讲，不同行业中智能化所对应的表征会不大一样。例如在金融应用中，是有可能存在海量数据的场景的，智能化所需要解决的问题是在大海中捞金子，比如从海量的交易行为中识别恶意行为。而在医疗这一块，数据量会小很多，而且数据与数据之间的相关性有可能不是特别明显，这就要求我们使用人工智能发展出来的最新技术对弱关系进行提炼和表达。同样是人工智能的应用，关注点还是会有所区别。

　　 数据观记者：说说第三个领域——教育，您为什么看好？

　　 宋进亮： 在教育领域，各种人工智能技术在各个行业中逐步铺开的过程，我们也可以把它看成是一种能力或者工具方式的升级。其最基本的能力和工具水平就是现在已经比较常见的统计分析方法；如果加上海量数据的处理能力，那么就会进化为大数据的技术和思想；再往下就可能是智能化的学习技术，用来解决更复杂的领域问题。这种具体行业对于人工智能的需求是逐级上升的，于是也就会反向要求市场来提供足够多的相关人才，也就对教育行业提出了更高要求——如何把有能力创造人工智能系统的人才成批量地生产出来。这里既有对具体行业知识的把握，也有对深度学习等算法能力的掌握。这可能会导致教育行业需要做出一些改变。传统的教育过程中，通常会把行业的特殊性和人工智能技术割裂开来进行培养，这就容易产生所谓学院派的状态——实验室研究还不错，但是实际不太容易信服在实际场景下的效果如何。

总而言之，从市场的角度看，行业中的使用方是会需要看应用效果的。用了之后到底能带来什么样的作用，而不是单纯地看某个算法多么优秀，比之前的系统要好多少。这样实效化的市场趋势都会对人工智能的人才培养路径提出要求。

　　 数据观记者：把教育这一块再分解。第一类是教学，第二类是自学习，第三类用数据做教育管理。教育方面用到人工智能，我们拆开单看教学，怎么利用人工智能大数据去给学生授课？现在有网课效果并不好，大家更喜欢面对面学习，这样教学更生动。对于人工智能或者大数据教学来说，我能想象到的是一个智能机器人，它什么都能告诉你，是这样吗？

　　 宋进亮： 之所以现在很多时候说网课效果不够好，是因为简单地把传统线下教育的方式搬上来了，变成了线下教育效果的一个弱化。基于人工智能的教育方式改变的确很像智能机器人的方式。在人工智能的帮助下，电子系统必然会越来越好地理解学员、感知学员目前的精神状态和学习习惯，并且做出反馈性的改变，告诉学员下一步该怎么学。这里的关键点就在于理解。

　　 数据观记者：在预测方面，它还可以根据历年真题进行预测？

　 宋进亮： 对，题目预测现在已经有了一些比较成熟的方法，未来除了考试之外，应该可以做到在更多环节里充分理解学员。

　　 数据观记者：自学习与教学领域差不多，最终呈现在场景。比如我自己在家里通过网上来学习，类似于Mooc，效果都不是很好，利用人工智能机器人会有哪些改变？

　 宋进亮： 这个问题现在的难点还是在交互上。现在流行的一些网络教育方式，更多还是在把线下教育搬上网，而很少在探索人机双方交互的场景下，有没有办法加入其他的信息通道。例如现在智能手环已经比较普及了，是不是可以通过这些穿戴设备去了解学习过程中的精神状态和身体状态呢。

　　 记者：您觉得人工智能在教学管理方面有什么应用场景？

　　 宋进亮 ：我觉得在教学管理方面，未来也许有办法把学生未来工作中的结果和之前的教学过程更好地结合起来。也就是说，现在学生还在学校里学习，通过研究他在学习过程中表现出来的一些行为特点，去看他未来适合在什么样的行业中工作，适合在什么样氛围下工作，提供一些智能分析和推荐，这样来给每个人的职业选择提供更好的参照。

　 数据观记者：人工智能未来的发展趋势会怎样？

　 宋进亮： 谈到趋势，我会强调一个“规划”的概念。未来人工智能在什么样的地方优先取得突破、快速发展，并且能起到什么样的作用都是可以在一定程度上做规划的，也就是所谓的主动准备。当然，主动准备并不太容易做。从我的经验来讲，这需要对具体行业中的应用点做充分了解，另一方面还要深入了解人工智能技术的最新发展，两者结合起来才能有比较好的把握。在这个领域，普林在未来规划和技术服务方面都愿意提供帮助和支持，包括配合企业以及行业专家梳理现状，弄清楚目前这个行业里的工作方式是怎样的；然后从典型案例分析，看在大数据、人工智能这个角度上企业能力已经发展到哪个阶段，取得的成果如何；再下一步，从数据应用情况和业务特征这两块进行梳理，寻找具体的办法帮助企业改善业务、提升收益。在这个过程中，不仅仅是帮助分析，也有具体能力支撑的工作。

从普林的角度看，市场还是空白地带的机会的，并且在应对一波趋势到来的时候，主动应对通常要比被动承受更有优势一些。所以，如果各行业的合作伙伴们期望能在人工智能发展趋势中由被动变主动，普林愿意和他们一起尝试开拓。（数据观记者 翟文静

责任编辑：陈近梅