微软亚洲研究院「创新汇」:为数字化转型注入 AI 动能

雷锋网  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

雷锋网 AI 科技评论按: 2019 年 6 月 5 日,微软亚洲研究院「创新汇」第二期在北京举行。伴随着云计算、大数据、物联网、人工智能、混合现实等新兴技术的发展与突破,第四次工业革命已然到来。而正是在这样的大环境下,微软亚洲研究院「创新汇」应运而生,并且将其技术很好的与金融、物流、制造等不同行业产品相结合,成功帮助众多企业实现了数字化转型。

微软亚洲研究院「创新汇」:为数字化转型注入 AI 动能

微软亚洲研究院「创新汇」成员企业合影

关于「创新汇」

谈到 AI,企业常常问得最多的问题是:「人工智能能帮我们做什么?可以怎么做?」尽管大家都知道 AI 的重要性,但做好与行业的完美融合却并不容易。其最根本的原因在于:行业专家对技术的掌握有限,而 AI 科学家很难深入行业一线。所以,如何使双方专家的深度融合,实现企业数字化转型的落地与创新,这正是微软亚洲研究院「创新汇」成立的意义。

微软亚洲研究院「创新汇」自 2017 年 11 月成立以来,一直致力于为企业提供一个让行业专家和人工智能科学家可以无缝协作的平台及创新合作的机制。在整个合作过程中,充分实现了「开放、平等、信任」的研究合作模式:行业专家放心传授行业洞察、分享真实业务数据,研究员则毫无保留地贡献模型、算法以及调参技巧等。这使得人工智能的科研工作不只存在于理论和学术论文方面,更能真正解决各类实际问题,为人类创造更美好的生活。   微软亚洲研究院「创新汇」:为数字化转型注入 AI 动能

微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文

实例一:AI+量化投资

随着 IT 技术的快速发展,利用计算机技术从庞大的数据中计算出能带来超额收益的多种「大概率」事件,以先进的数学模型替代人为的主观判断,并基于这些事件制定组合策略自动完成交易,便是如今量化交易的主流形式。量化交易在一定程度上提升了投资效率,减少了投资者情绪波动的影响,不少金融企业都有所涉足。

在本次大会上,华夏基金和微软亚洲研究院共同向我们展示了 AI 技术在资产管理业务领域的深入应用以及取得的优良成果。双方通过大量的研究与测试,最终选择了在量化投资——多因子选股这个领域展开合作。多因子选股是最经典的选股方法,由金融企业核心数据所驱动,包括市盈率、市净率、市销率等作为选股标准。

  微软亚洲研究院「创新汇」:为数字化转型注入 AI 动能

中证 500 指数增强策略回测阶段年化收益和年化风险的对比

传统的量化投资会从这些数据中挖掘α(Alpha)因子,然后对这些因子进行线性等方式加权,通过组合优化,最后形成一个多因子的优化组合;而「AI+指数增强」的方法则有机会挖掘出与传统投资方法低相关性的投资组合,从而实现金融企业的差异化竞争。该策略主要涉及两项核心 AI 技术:时空卷积神经网络和时变注意力模型。

首先,利用时空卷积神经网络挖掘原始的量价数据在时间序列维度和空间截面维度的模式,并利用这些模式组成有意义的因子;然后基于这些因子,同时将其放到神经网络和梯度决策树(GBDT)等若干个模型上运行,进而得到相应的复合因子;接着,利用时变注意力模型将所得到的多个复合因子进行动态聚合,最终生成一个更加适应市场变化的α信号,以找到总体性能最好的策略。

「AI+指数增强」方法一方面可以充分利用大规模的原始数据,从中自动构建对学习目标最有价值的因子;另一方面能够实现因子的非线性复合,挖掘出更丰富的信息,而且可以动态调整变换因子聚合形式以适应市场的动态性。

微软亚洲研究院副院长刘铁岩表示,「金融市场中的数据是一直变化的,数据与模型就如同鸡生蛋和蛋生鸡的问题,无法确定谁先存在。而机器学习利用实时变化的最原始数据,可以实时发现变化的因子,及时抽取α信号更改组合模型,时刻确保投资公式是当前最佳,避免了人工计算公式的滞后性,以及不断失效的问题。   微软亚洲研究院「创新汇」:为数字化转型注入 AI 动能

微软亚洲研究院副院长 刘铁岩

华夏基金董事总经理、数量投资部行政负责人张弘弢表示,「用『AI+指数增强』的机器学习模型去替代传统的量化交易方法,让华夏基金的量化交易系统实现了核心引擎的更新换代,正迈进了智能投资时代。」这也意味着 AI+金融投资有了深度融合的新起点。

目前,微软亚洲研究院所与华夏基金合作研发的 AI 模型与华夏基金的投资策略十分契合,与其各「部件」也配合良好,无需改变现有业务和操作模式,就能利用 AI 在智投领域实现变革与企业转型。

实例二:AI 抽象物流本质

物流行业要解决的最根本问题是供给与需求的匹配,即把东西送达需要的人手里。结合 AI 将整个大物流行业的业务场景高度抽象,可以得到以下几个最基本的应用场景:

  • 供需预估。物流企业通常会在客户下单前对站点订单数进行预估,并对运输工具、空箱数等做事先规划。这些预估需结合时序数据、过往经验完成;同时,当有意外情况发生,如道路拥堵、船只遭遇风暴等,还需要根据具体状况进行动态调整。

  • 供需评价。小部分物流需求存在遭受恶意需求的风险,如蓄意骗保。所以,异常检测、事先预警,也是物流企业亟待解决的问题之一。

  • 路径优化。这作为物流行业的核心应用场景,对已知供给和需求,决定交通工具、路线,从而达到效率最高、成本最低等等,这些都是路径规划需要考虑的问题;同时,对于突发状况、恶意风险,做出相应的解决方案等;都是非常实际且必要的应用需求。

而在过去的几十年里,航运企业通常采用基于运筹学的组合优化方法来实现路径规划。这种方法不仅操作繁琐;而且在实际应用中覆盖面小,无法满足大规模运输需求。为了突破方法的局限性,微软亚洲研究院在与东方海外航运的合作中探索出了一套全新的解决方法——竞合多智能体强化学习技术(Coopetitive Multi-Agent Reinforcement Learning)。

将传统的运筹学全局求解优化问题思想转化为竞合多智能体强化学习技术中的分而治之,即将每个港口和船只建模成智能体,对原来的复杂问题以去中心化的方式进行求解。而这些智能体的训练既可以利用实际运营数据,也可通过自我博弈的方式来获得提升。这样的解决方案除了可以提高效率,其中每个智能体模型还可以针对港口的调度员进行模仿学习,生成更易于被调度员所接纳的方案,进一步提升东方海外航运的运输调度效率。

而对于智能理赔预警方面,则采用了「深度因子分解+基于精度的级联」方案,即利用多次选择交叉验证集减少由于分布变化造成的影响。在固定召回率的前提下,新方案相较于传统做法,能有效提升 60% 的准确率。

更多关于微软亚洲研究院「创新汇」,详见微软官网。

雷锋网 (公众号:雷锋网) AI科技评论    雷锋网

随意打赏

全球人工智能发展报告微软azure ai微软亚洲研究院院长大数据下的人工智能机器学习十大算法智能制造解决方案ai人工智能项目机器学习是什么嵌入式人工智能微软亚洲研究院
提交建议
微信扫一扫,分享给好友吧。