目前人脸识别技术的挑战是什么?

T朱娇娇C 2021-11-29
最佳回答
人脸识别经过近几年的发展,取得了长足的进步,也支撑起了大大小小不少人脸识别应用的公司。在很多行业中,比如刷脸访客,人脸闸机,人脸登录,酒店入住等诸多应用场景,都...
类似问答
  • 目前人脸识别技术的挑战是什么?
    • 2021-11-28
    • 提问者: 月半伦的小迷弟?
    人脸识别经过近几年的发展,取得了长足的进步,也支撑起了大大小小不少人脸识别应用的公司。在很多行业中,比如刷脸访客,人脸闸机,人脸登录,酒店入住等诸多应用场景,都...
  • 人工智能的应用领域有哪些?
    • 2021-11-28
    • 提问者: 爱宠情人
    人工智能(Artificial Intelligence) ,英文缩写为AI。它是研究、开发用于模拟、延扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。“人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的,现在计算机不但能完成这种计算, 而且能够比人脑做得更快、更准确,因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”, 可见复杂工作的定义是随着时代的发展和技术的进步而变化的, 人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展,一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括:知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。[编辑本段]【人工和智能】 人工智能的定义可以分为两部分,即“人工”和“智能”。“人工”比较好理解,争议性也不大。有时我们会要考虑什么是人力所能及制造的,或着人自身的智能程度有没有高到可以创造人工智能的地步,等等。但总的来说,“人工系统”就是通常意义下的人工系统。 关于什么是“智能”,就问题多多了。这涉及到其它诸如意识(consciousness)、自我(self)、思维(mind)(包括无意识的思维(unconscious_mind)等等问题。人唯一了解的智能是人本身的智能,这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限,对构成人的智能的必要元素也了解有限,所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。 人工智能目前在计算机领域内,得到了愈加广泛的重视。并在机器人,经济政治决策,控制系统,仿真系统中得到应用。[编辑本段]【人工智能的定义】 著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义:“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为:“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律,构造具有一定智能的人工系统,研究如何让计算机去完成以往需要人的智力才能胜任的工作,也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。 人工智能(Artificial Intelligence,简称AI)是计算机学科的一个分支,二十世纪七十年代以来被称为世界三大尖端技术之一(空间技术、能源技术、人工智能)。也被认为是二十一世纪(基因工程、纳米科学、人工智能)三大尖端技术之一。这是因为近三十年来它获得了迅速的发展,在很多学科领域都获得了广泛应用,并取得了丰硕的成果,人工智能已逐步成为一个独立的分支,无论在理论和实践上都已自成一个系统。 人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,主要包括计算机实现智能的原理、制造类似于人脑智能的计算机,使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科,其范围已远远超出了计算机科学的范畴,人工智能与思维科学的关系是实践和理论的关系,人工智能是处于思维科学的技术应用层次,是它的一个应用分支。从思维观点看,人工智能不仅限于逻辑思维,要考虑形象思维、灵感思维才能促进人工智能的突破性的发展,数学常被认为是多种学科的基础科学,数学也进入语言、思维领域,人工智能学科也必须借用数学工具,数学不仅在标准逻辑、模糊数学等范围发挥作用,数学进入人工智能学科,它们将互相促进而更快地发展。[编辑本段]【实际应用】 机器视觉:指纹识别,人脸识别,视网膜识别,虹膜识别,掌纹识别,专家系统,智能搜索,定理证明,博弈,自动程序设计,还有航天应用等。[编辑本段]【学科范畴】 人工智能是一门边沿学科,属于自然科学和社会科学的交叉。[编辑本段]【涉及学科】 哲学和认知科学,数学,神经生理学,心理学,计算机科学,信息论,控制论,不定性论,仿生学,[编辑本段]【研究范畴】 自然语言处理,知识表现,智能搜索,推理,规划,机器学习,知识获取,组合调度问题,感知问题,模式识别,逻辑程序设计,软计算,不精确和不确定的管理,人工生命,神经网络,复杂系统,遗传算法[编辑本段]【应用领域】 智能控制,机器人学,语言和图像理解,遗传编程[编辑本段]【意识和人工智能的区别】 人工智能就其本质而言,是对人的思维的信息过程的模拟。 对于人的思维模拟可以从两条道路进行,一是结构模拟,仿照人脑的结构机制,制造出“类人脑”的机器;二是功能模拟,暂时撇开人脑的内部结构,而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟,是对人脑思维的信息过程的模拟。 人工智能不是人的智能,更不会超过人的智能。 “机器思维”同人类思维的本质区别: 1.人工智能纯系无意识的机械的物理的过程,人类智能主要是生理和心理的过程。 2.人工智能没有社会性。 3.人工智能没有人类的意识所特有的能动的创造能力。 4.两者总是人脑的思维在前,电脑的功能在后。[编辑本段]【强人工智能和弱人工智能】 人工智能的一个比较流行的定义,也是该领域较早的定义,是由约翰·麦卡锡(John McCarthy|)在1956年的达特矛斯会议(Dartmouth Conference)上提出的:人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性(见下)。另一个定义指人工智能是人造机器所表现出来的智能性。总体来讲,目前对人工智能的定义大多可划分为四类,即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动,或制定行动的决策,而不是肢体动作。 强人工智能 强人工智能观点认为有可能制造出真正能推理(Reasoning)和解决问题(Problem_solving)的智能机器,并且,这样的机器能将被认为是有知觉的,有自我意识的。强人工智能可以有两类: 类人的人工智能,即机器的思考和推理就像人的思维一样。 非类人的人工智能,即机器产生了和人完全不一样的知觉和意识,使用和人完全不一样的推理方式。 弱人工智能 弱人工智能观点认为不可能制造出能真正地推理(Reasoning)和解决问题(Problem_solving)的智能机器,这些机器只不过看起来像是智能的,但是并不真正拥有智能,也不会有自主意识。 主流科研集中在弱人工智能上,并且一般认为这一研究领域已经取得可观的成就。强人工智能的研究则出于停滞不前的状态下。 对强人工智能的哲学争论 “强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的,其定义为: “强人工智能观点认为计算机不仅是用来研究人的思维的一种工具;相反,只要运行适当的程序,计算机本身就是有思维的。”(J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980)这是指使计算机从事智能的活动。在这里智能的涵义是多义的、不确定的,象下面所提到的就是其中的例子。利用计算机解决问题时,必须知道明确的程序。可是,人即使在不清楚程序时,根据发现(heu- ristic)法而设法巧妙地解决了问题的情况是不少的。如识别书写的文字、图形、声音等,所谓认识模型就是一例。再有,能力因学习而得到的提高和归纳推理、依据类推而进行的推理等,也是其例。此外,解决的程序虽然是清楚的,但是实行起来需要很长时间,对于这样的问题,人能在很短的时间内找出相当好的解决方法,如竞技的比赛等就是其例。还有,计算机在没有给予充分的合乎逻辑的正确信息时,就不能理解它的意义,而人在仅是被给予不充分、不正确的信息的情况下,根据适当的补充信息,也能抓住它的意义。自然语言就是例子。用计算机处理自然语言,称为自然语言处理。 关于强人工智能的争论不同于更广义的一元论和二元论(dualism)的争论。其争论要点是:如果一台机器的唯一工作原理就是对编码数据进行转换,那么这台机器是不是有思维的?希尔勒认为这是不可能的。他举了个中文房间的例子来说明,如果机器仅仅是对数据进行转换,而数据本身是对某些事情的一种编码表现,那么在不理解这一编码和这实际事情之间的对应关系的前提下,机器不可能对其处理的数据有任何理解。基于这一论点,希尔勒认为即使有机器通过了图灵测试,也不一定说明机器就真的像人一样有思维和意识。 也有哲学家持不同的观点。Daniel C. Dennett 在其著作 Consciousness Explained 里认为,人也不过是一台有灵魂的机器而已,为什么我们认为人可以有智能而普通机器就不能呢?他认为像上述的数据转换机器是有可能有思维和意识的。 有的哲学家认为如果弱人工智能是可实现的,那么强人工智能也是可实现的。比如Simon Blackburn在其哲学入门教材 Think 里说道,一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的,还是说她/他仅仅是看起来是智能的。基于这个论点,既然弱人工智能认为可以令机器看起来像是智能的,那就不能完全否定这机器是真的有智能的。Blackburn 认为这是一个主观认定的问题。 需要要指出的是,弱人工智能并非和强人工智能完全对立,也就是说,即使强人工智能是可能的,弱人工智能仍然是有意义的。至少,今日的计算机能做的事,像算术运算等,在百多年前是被认为很需要智能的。[编辑本段]【人工智能简史】 人工智能的传说可以追溯到古埃及,但随着1941年以来电子计算机的发展,技术已最终可以创造出机器智能,“人工智能”(Artificial Intelligence)一词最初是在1956年Dartmouth学会上提出的,从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展,在它还不长的历史中,人工智能的发展比预想的要慢,但一直在前进,从40年前出现到现在,已经出现了许多AI程序,并且它们也影响到了其它 技术的发展。 计算机时代 1941年的一项发明使信息存储和处理的各个方面都发生了革命.这项同时在美国和德国出现的 发明就是电子计算机.第一台计算机要占用几间装空调的大房间,对程序员来说是场恶梦:仅仅为运行一 个程序就要设置成千的线路.1949年改进后的能存储程序的计算机使得输入程序变得简单些,而且计算机 理论的发展产生了计算机科学,并最终促使了人工智能的出现.计算机这个用电子方式处理数据的发明, 为人工智能的可能实现提供了一种媒介. AI的开端 虽然计算机为AI提供了必要的技术基础,但直到50年代早期人们才注意到人类智能与机器之间 的联系. Norbert Wiener是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它 将收集到的房间温度与希望的温度比较,并做出反应将加热器开大或关小,从而控制环境温度.这项对反馈 回路的研究重要性在于: Wiener从理论上指出,所有的智能活动都是反馈机制的结果.而反馈机制是有可 能用机器模拟的.这项发现对早期AI的发展影响很大. 1955年末,Newell和Simon做了一个名为"逻辑专家"(Logic Theorist)的程序.这个程序被许多人 认为是第一个AI程序.它将每个问题都表示成一个树形模型,然后选择最可能得到正确结论的那一枝来求解 问题."逻辑专家"对公众和AI研究领域产生的影响使它成为AI发展中一个重要的里程碑.1956年,被认为是 人工智能之父的John McCarthy组织了一次学会,将许多对机器智能感兴趣的专家学者聚集在一起进行了一 个月的讨论.他请他们到 Vermont参加 " Dartmouth人工智能夏季研究会".从那时起,这个领域被命名为 "人工智能".虽然 Dartmouth学会不是非常成功,但它确实集中了AI的创立者们,并为以后的AI研究奠定了基础. Dartmouth会议后的7年中,AI研究开始快速发展.虽然这个领域还没明确定义,会议中的一些思想 已被重新考虑和使用了. Carnegie Mellon大学和MIT开始组建AI研究中心.研究面临新的挑战: 下一步需 要建立能够更有效解决问题的系统,例如在"逻辑专家"中减少搜索;还有就是建立可以自我学习的系统. 1957年一个新程序,"通用解题机"(GPS)的第一个版本进行了测试.这个程序是由制作"逻辑专家" 的同一个组开发的.GPS扩展了Wiener的反馈原理,可以解决很多常识问题.两年以后,IBM成立了一个AI研 究组.Herbert Gelerneter花3年时间制作了一个解几何定理的程序. 当越来越多的程序涌现时,McCarthy正忙于一个AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP语言. LISP到今天还在用."LISP"的意思是"表处理"(LISt Processing),它很快就为大多数AI开发者采纳. 1963年MIT从美国政府得到一笔220万美元的资助,用于研究机器辅助识别.这笔资助来自国防部 高级研究计划署(ARPA),已保证美国在技术进步上领先于苏联.这个计划吸引了来自全世界的计算机科学家, 加快了AI研究的发展步伐. 大量的程序 以后几年出现了大量程序.其中一个著名的叫"SHRDLU"."SHRDLU"是"微型世界"项目的一部分,包括 在微型世界(例如只有有限数量的几何形体)中的研究与编程.在MIT由Marvin Minsky领导的研究人员发现, 面对小规模的对象,计算机程序可以解决空间和逻辑问题.其它如在60年代末出现的"STUDENT"可以解决代数 问题,"SIR"可以理解简单的英语句子.这些程序的结果对处理语言理解和逻辑有所帮助. 70年代另一个进展是专家系统.专家系统可以预测在一定条件下某种解的概率.由于当时计算机已 有巨大容量,专家系统有可能从数据中得出规律.专家系统的市场应用很广.十年间,专家系统被用于股市预 测,帮助医生诊断疾病,以及指示矿工确定矿藏位置等.这一切都因为专家系统存储规律和信息的能力而成为可能. 70年代许多新方法被用于AI开发,著名的如Minsky的构造理论.另外David Marr提出了机器视觉方 面的新理论,例如,如何通过一副图像的阴影,形状,颜色,边界和纹理等基本信息辨别图像.通过分析这些信 息,可以推断出图像可能是什么.同时期另一项成果是PROLOGE语言,于1972年提出. 80年代期间,AI前进更为迅速,并更多地进入商业领域.1986年,美国AI相关软硬件销售高达4.25亿 美元.专家系统因其效用尤受需求.象数字电气公司这样的公司用XCON专家系统为VAX大型机编程.杜邦,通用 汽车公司和波音公司也大量依赖专家系统.为满足计算机专家的需要,一些生产专家系统辅助制作软件的公 司,如Teknowledge和Intellicorp成立了。为了查找和改正现有专家系统中的错误,又有另外一些专家系统被设计出来. 从实验室到日常生活 人们开始感受到计算机和人工智能技术的影响.计算机技术不再只属于实验室中的一小群研究人员. 个人电脑和众多技术杂志使计算机技术展现在人们面前.有了象美国人工智能协会这样的基金会.因为AI开发 的需要,还出现了一阵研究人员进入私人公司的热潮。150多所像DEC(它雇了700多员工从事AI研究)这样的公司共花了10亿美元在内部的AI开发组上. 其它一些AI领域也在80年代进入市场.其中一项就是机器视觉. Minsky和Marr的成果现在用到了生产线上的相机和计算机中,进行质量控制.尽管还很简陋,这些系统已能够通过黑白区别分辨出物件形状的不同.到1985年美国有一百多个公司生产机器视觉系统,销售额共达8千万美元. 但80年代对AI工业来说也不全是好年景.86-87年对AI系统的需求下降,业界损失了近5亿美元.象 Teknowledge和Intellicorp两家共损失超过6百万美元,大约占利润的三分之一巨大的损失迫使许多研究领 导者削减经费.另一个另人失望的是国防部高级研究计划署支持的所谓"智能卡车".这个项目目的是研制一种能完成许多战地任务的机器人。由于项目缺陷和成功无望,Pentagon停止了项目的经费. 尽管经历了这些受挫的事件,AI仍在慢慢恢复发展.新的技术在日本被开发出来,如在美国首创的模糊逻辑,它可以从不确定的条件作出决策;还有神经网络,被视为实现人工智能的可能途径.总之,80年代AI被引入了市场,并显示出实用价值.可以确信,它将是通向21世纪之匙. 人工智能技术接受检验 在"沙漠风暴"行动中军方的智能设备经受了战争的检验.人工智能技术被用于导弹系统和预警显示以 及其它先进武器.AI技术也进入了家庭.智能电脑的增加吸引了公众兴趣;一些面向苹果机和IBM兼容机的应用 软件例如语音和文字识别已可买到;使用模糊逻辑,AI技术简化了摄像设备.对人工智能相关技术更大的需求促 使新的进步不断出现.人工智能已经并且将继续不可避免地改变我们的生活. 人工智能专业机构 美国 1. Massachusetts Institute of Technology 麻省理工学院 2. Stanford University 斯坦福大学 (CA) 3. Carnegie Mellon University 卡内基美隆大学 (PA) 4. University of California-Berkeley 加州大学伯克利分校 5. University of Washington 华盛顿大学 6. University of Texas-Austin 德克萨斯大学奥斯汀分校 7. University of Pennsylvania 宾夕法尼亚大学 8. University of Illinois-Urbana-Champaign 伊利诺伊大学厄本那—香槟分校 9. University of Maryland-College Park 马里兰大学帕克分校 10. Cornell University 康乃尔大学 (NY) 11. University of Massachusetts-Amherst 马萨诸塞大学Amherst校区 12. Georgia Institute of Technology 佐治亚理工学院 University of Michigan-Ann Arbor 密西根大学-安娜堡分校 14. University of Southern California 南加州大学 15. Columbia University 哥伦比亚大学 (NY) University of California-Los Angeles 加州大学-洛杉矶分校 17. Brown University 布朗大学 (RI) 18. Yale University 耶鲁大学 (CT) 19. University of California-San Diego 加利福尼亚大学圣地亚哥分校 20. University of Wisconsin-Madison 威斯康星大学麦迪逊分校 中国 1、北京大学 2、清华大学 3、哈尔滨工业大学 4、厦门大学人工智能研究所 5、中国AI创业研发俱乐部
  • 智能金融的内容是什么
    • 2021-11-28
    • 提问者: 我是天天你呢。
    1、什么是智融?智能金融尚无统一定义。《》提出,智能金融人工智能技术与金融业融合的新业态,是用机器替代和超越人类部分经营管理经验与能力的金融模式变革。2、智能金融和金融科技有什么区别?《报告》提出,智能金融与数字化转型、金融科技既有密切联系又有重要区别。智能金融的发展基础是金融机构数字化转型,数字化转型为智能金融的发展提供了基础设施的保障。智能金融是金融科技发展的高级形态,是在数字化基础上的升级与转型,代表着未来发展趋势,已成为金融业的核心竞争力。相比互联网金融、金融科技,智能金融更具革命性的优势在于对金融生产效率的根本颠覆。智能金融替代甚至超越人类行为和智力,更精准高效地满足各类金融需求,推动我国金融行业变革与跨越式发展。3、为什么要专门研究智能金融?把智能金融从金融科技中单列出来编制专门的发展报告,主要是基于以下考虑:一方面,发展人工智能技术已成为我国的一项重要战略,当前各国在新一代人工智能技术已展开激烈竞争。而金融与人工智能具有天然的耦合性,是人工智能技术应用最重要的领域之一,发展智能金融有利于我国抢抓人工智能发展机遇,占领技术制高点,特别是金融业的特殊性,势必对人工智能技术提出新的要求和挑战,可以推动我国人工智能技术的突破与升级,提高技术转化效率。另一方面,人工智能技术为未来金融业发展提供无限可能,是对现有金融科技应用的进化与升级,对金融业发展将会产生颠覆性变革。专门研究智能金融有利于跟踪世界人工智能技术与金融业融合的应用开发,有利于加强金融行业的适应性、竞争力和普惠性,极大地提高金融机构识别和防控风险的能力和效率,推动我国金融供给侧结构性改革,增强金融服务实体经济和人民生活的能力,守住不发生系统性风险的底线,加快建设我国现代化金融体系,增强金融国际竞争力,助力由金融大国到金融强国的转变。4、智能金融现在有哪些应用场景?《报告》提到,目前智能金融的应用主要包括前中后台三大方面。第一,智能身份识别已广泛用于个人身份验证。以指纹识别和人脸识别为代表的主流智能身份识别技术已进入大规模应用阶段,在远程核验、人脸支付、智慧网点和运营安全方面应用广泛。第二,智能营销降低营销成本、改善服务效能。智能营销正在经历从人机分工向人机协同方式的转变,未来的智能营销将变成跨领域、融合的人机合作工作方式,进一步改善金融服务的效能。第三,智能客服能节省客服资源和提升服务效率。智能客服不仅提供自动化问题应答,而且对接前端各个渠道,提供统一的智能化客服能力,并持续改进和沉淀,提供全天候精准的服务,提升服务效率。第四,智能投顾已有试点,全面推广有待继续探索。智能投顾在国内外已有诸多应用案例,但我国因为缺乏明确的业务模式、服务定位仍不明确,全面推广仍有待继续探索发展。第五,智能投资初具盈利能力,发展潜力巨大。一些公司运用人工智能技术不断优化算法、增强算力、实现更加精准的投资预测,提高收益、降低尾部风险。通过组合优化,在实盘中取得了显著的超额收益,未来智能投资的发展潜力巨大。第六,智能信用评估提升小微信贷服务能力。智能信用评估具有线上实时运行、系统自动判断、审核周期短的优势,为小微信贷提供了更高效的服务模式。在一些互联网银行中应用广泛。第七,智能风控实现金融机构风控业务转型。智能风控为金融行业提供了一种基于线上业务的新型风控模式,但目前只有少部分有能力的金融机构运用,有待继续试点和推广。第八,智能运营管理提升运营效率,降低运营成本。智能运营管理将业务运营逐渐从分散走向集中、从自动化走向智能化。从而提升业务运营效率,减少业务办理差错,降低管理成本。智能运营成为各家金融机构开展智能金融的优先考虑和使用的场景。第九,智能平台赋能金融机构提升服务、改造流程、转型升级。智能平台建设是金融机构智能化转型的核心,持续为上层应用提供丰富、多维度的智能服务,构建完整的服务生态圈。综上所述,智能金融目前整体仍处于“浅应用”的初级发展阶段,主要是对流程性、重复性的任务实施智能化改造。《报告》认为,人工智能技术应用正处在从金融业务外围向核心渗透的过渡阶段,发展潜力巨大。5、在智能金融应用场景中,“算法黑箱”问题可能会更加突出?如何避免?肖钢认为,人工智能有一个问题是算法的可解释性比较差,要解决这个问题可以从几个方面来着手:第一,要让算法可解释。现在人工智能科学家正在攻克模型算法的黑箱问题,期待着不久的将来在技术上有所攻破。第二,可以采取分层管理。例如,根据是否对金融消费者产生伤害的程度进行分类管理,有的可以不解释,有的只是解释模型怎样运行的,有的要解释结果及其原因,有的需要进一步解释模型背后的逻辑和运作原理。当然,如果最后还是无法解释,投资者和消费者也不相信,监管部门就不准在金融领域使用。因此,如果人工智能运用到金融行业,未必需要解释所有的模型,可以对模型进行分层管理,提出明确要求。第三,分清楚责任。无论是否使用人工智能,金融机构销售金融产品和服务的卖者尽责义务没有减弱。机构需要了解自己的客户,把恰当的产品卖给恰当的人。责任不会因为是否采用了人工智能技术而有所改变。6、个人隐私和数据保护问题已经成为社会普遍关切。智能金融时代,如何构建起相关法律法规体系?《报告》中提到,个人数据的问题目前缺乏法律规定,确实需要立法。肖钢认为,数据很重要,尤其在人工智能时代,其重要性日益凸显,这与原来的工业革命时期不同。工业革命建立在物理资本上,而人工智能则是建立在信息资本和数据资本上。因此,谁控制了数据,谁就垄断了权力。肖钢认为,个人隐私和数据保护领域有很多问题待明确,例如哪些数据能搜集、数据的权属是谁的、如何建立个人信息权的体系等,这些都是新的课题。保护个人数据隐私,肖钢从以下方面提出建议:第一,需要补短板,抓紧制定相关法律法规,并逐步加以完善。第二,要防止数据垄断。鉴于大型科技公司的技术优势与数据获取能力,存在赢者通吃的效应,要求大公司开放数据,让中小科技公司也要利用其数据开发业务,维护公平竞争环境。第三,要进行综合治理。数据隐私保护不仅是金融监管的事情,还涉及到政府部门、IT公司、金融机构、实体企业和个人,是全社会的事情,所以要形成各方参与,协同治理的体系。第四,需要发展新技术,以解决技术带来的问题。“联邦学习”的技术就是一个方法,既保护了数据安全,同时又可以共享数据建模。
  • 京东金融为何要寻求重组?有哪些可能的原因?
    • 2021-11-28
    • 提问者: 你是猴子请来的逗比吗
    以「金融科技」定位的京东金融集团成立于2013年10月,逐步构建了供应链金融、消费金融、财富管理、众筹、证券、保险、支付、金融科技以及农村金融九大业务板块。京东金融CEO陈生强表示,京东金融以数据为基础,以技术为手段,借力京东的场景和用户资源来做金融业务,这是自营金融业务。现在乃至未来,京东金融要做的是:遵从金融本质,以数据为基础,以技术为手段,为金融行业服务,从而帮助金融行业提升效率、降低成本、增加收入。这个定位就是金融科技。京东金融这三年多,从无到有,从有到精,一路走来,背后定有许多精彩故事。本着学习的态度,有幸和京东金融部分技术人进行面对面的交流,过程中涉及到京东金融技术的发展历程和挑战、技术负责人的管理理念、风控、人脸识别、资产负债、白条、支付等,干货满满。我将通过本文,带大家一起走进京东金融,一瞥金融科技公司的幕后战场。京东金融技术的发展历程&挑战京东金融技术体系根源于京东商城技术沉淀,人员由外部引进和京东商城各体系(网站、订单交易、支付、财务、数据等)研发团队的技术精英组成。京东金融技术架构起始就有一定前瞻性,主要因素是这些研发团队和京东商城一起快速成长,且多次经历过像618和双11等各种技术大考。基于这些使得支付、白条、风控等大流量业务能够平稳安全度过,访问量呈现几百上千倍增长的挑战,避免了业务高速发展中一些高昂的试错成本。当然,金融业务和商城业务有很大区别,整个金融业务可以看成是一种“虚拟经济”,对数字理解、技术领先性有特殊的要求。京东金融这三年的技术成长过程中面临种种挑战,这里主要讲述四方面:流量、一致性、大数据和科技:流量:流量是所有中大型互联网公司都会面临的问题,解决方案相对较成熟,如分库分表、动静分离、冷热分离、(多级)缓存等。这些解决方案基本存在共同特征,那就是后台计算逻辑并不复杂,系统运算时间在整个周期中几乎可忽略不计。但京东金融某些业务并不是这样,以风控为例,一笔订单支付,用户感受到的是瞬间(一秒以内)就完成支付过程,但这短短一秒内风控系统要做很多事,如判断用户的设备信息、登录行为、访问特征、信用状况、商品信息、商家特征、配送区域、银行卡状态等。如建立信用、反欺诈、伪冒交易等一系列模型,其中多达近百项的模型需实时计算。这样庞大的运算量在一秒内,甚至几十毫秒内完成,不是易事。况且在618和双11等大促中,为了用户的账户和资金安全,不能轻易去降级,这本身就是一个巨大的挑战。一致性:金融业务特征决定数据一致性差异的容忍度很低。以白条业务为例,角色有消费者、商户、小贷公司、京东商城、第三方支付、银行等,角色之间会有费用往来,如账务出现细微差异就会导致工作阻塞。系统是分模块设计的,看似打了个简单白条,却要经过交易、计息、分期、账务、资金、资管(ABS)等一系列模块,为兼顾性能,架构设计时对轻事务模型方案做了一定的妥协,这样也是为扩大前端收单能力。这样一来,如何让数据在多个模块中保持一致性就成了挑战。所以当数据快速进来,后端要有精密的核验机制来协调数据的一致性。大数据:对大数据的理解各有不同,以点带面,京东金融是从数据服务于应用的角度来考虑他的挑战性。以白条授信为例,白条是国内第一家无纸化授信的互联网消费金融产品,那么用户授信、授信额度是首要面临的问题。白条初期,大家一起商讨如何搭建授信模型,业务说条件,技术做翻译,通过数据集市筛选出来合格的用户,额度也是人为定的简单规则,这导致白条上线初期,仅有特邀用户才能开通白条。随着业务发展,市场表现超出预期,逼迫技术必须革新。京东金融不断研究新技术解决方案的同时还引进更多更专业型的技术人才(模型、算法、分析以及大数据开发等)。目前,整个授信过程实现全自动,人的经验明显落后于海量维度精细化测算的评分结果。分析人员也在不断训练和调校模型的准确性,进行系统快速迭代。评分模型已覆盖全部京东用户,大半活跃用户均在授信范围。科技:这是京东金融一直在探索创新的领域,如人脸识别、语音识别、区块链等。人脸识别在各大金融场景较常见,但各个产品的体验也不尽相同,考虑到人脸特征背后需要精细数据支撑,出于对数据安全的考虑,技术在市场上并没有公共的服务,一些实力公司投入重金进行自研。人脸识别最大的挑战是准确性,实验室环境简单,数据样本较少,真实的环境中人物有表情、年龄、背景、角度甚至是伪造视频等不同因素的挑战,会让整体准确性大打折扣。准确性没有达到市场要求时却推广,对用户来说是一种负体验。在金融行业,有这样需求的产品越来越多,实名、开户、安全交易甚至登陆等都是非常不错的应用场景。市场是技术成长最大的推动力,摆在京东金融面前的压力是如何让自研技术能够赶上和超越市场上人脸识别的准确度。京东金融技术体系负责人曹鹏谈管理曹鹏·京东集团副总裁、京东金融技术体系负责人曹鹏,现任京东集团副总裁、京东金融技术体系负责人。毕业于北京交通大学,取得人民大学EMBA,目前在读清华五道口EMBA;历任京东商城研发总监、产品总监、职能研发副总裁,现任京东金融副总裁。很荣幸成为第一个给曹鹏做专访的媒体人,他02年认识刘强东,07年受邀加入京东,13年请缨来到京东金融。京东金融是京东内部孵化的公司,在最初期紧贴业务、快速响应,很好的活下来才是技术首要。随着业务的爆棚,作为技术负责人,只埋头做技术是远远不够的,而是要清楚「公司目标是什么?从众多业务中做出抉择,哪些做哪些不做?」。同时在思考,不能把精力四处散落,什么都想干,要集中技术力量始终保持和业务的步调相契合,把产品、研发、运维、测试等技术和业务绑在一起,打造业务上的闭环,业务发展才会更茂盛。技术人做管理,最重要的是思考方式的转换。对于技术人来说,一方面是很难量化考核,另一方面业务技术互驱动,如业务很牛,说明技术很到位;业务发展好,快速扩张,技术人就会有上升的空间。所以与其制定条条框框,方方面面都管,不如「将心比心 以身作则」提升、激发技术人员的主观能动性。同时曹鹏表示,读EMBA也是为了从创业公司老板身上,看到老板和自己思维模式上的差异。最初在京东做管理主要是接需求、做任务,在原有架构上做大大小小的调整,一个个攻坚开发新系统。现在更多的是站在老板的角度看问题,将技术目标与公司目标统一,通过技术的突破发展为公司的发展做出更大的贡献。京东的下一个12年战略规划是全面走向技术化,京东金融技术体系目前也在不断吸纳更多优秀的人才加入,提升金融科技实力,进行技术输出。最理想的状态是团队三分之一的人完成业务的支撑,其他人利用京东集团自身和外部的大数据资源、用户和流量等优势,结合当下人工智能、人脸识别、深度学习等最新技术,研发创新产品,一方面运用到适合的场景中,步步迭代,力争把用户体验做到最极致;一方面为金融行业提供一流的技术输出服务。京东金融风控研发部架构师王美青谈风控王美青·京东金融风控研发部架构师风控的灵魂是数据,所有决策都以数据为驱动。策略和模型是风控做出决策的两大依据,策略偏向有效性、模型偏向预测和度量,两者有非常多的联系和结合,根据业务和场景来选择合适的方案,并且需要人工与自动化结合来调整。两者都离不开基于大数据的挖掘能力,都需要做特征工程,只有把挖掘的成果再次加工和抽象,做成最原子的规则,才能形成复杂的策略。京东金融,有数百个需要风险控制的场景,交易类占比最大,非交易类有促销优惠、白条激活、信用评估等,这么多业务都需要风控做出实时决策。同时保证执行最复杂的策略与模型时,在性能上做到毫秒级(几十毫秒)。实时和准实时决策引擎,所用到的所有输入数据还必须做预计算。当事件发生时,与之关联的计算项会有几千甚至上万项,从storm迁移到自主研发实时计算平台,通过简单配置即可完成支持时间滑动窗口的计算,满足指标与变量多样化复杂化计算并且不需要单独发布,在这一点上要优于storm,在性能上,同样基于akka,丝毫不逊于storm。另外一部分计算当然就是通过跑批完成,开始在使用MapReduce,热数据全部内存化(redis),之后使用kylin与flink相结合的方式,根据计算项的数据来源和窗口规格来确定使用哪种计算方式。这些计算结果会被引擎直接使用,所以决策引擎被内部定义为一个轻量级的策略与模型的计算框架,背后由数个系统组成。和传统风控相比,互联网+金融是数据风控最大的优势。从维度方面来说,数据风控会涉及到社交领域、画像等互联网因素,所以数据风控更关注的是互联网社会行为数据。开始以业务系统产生的数据和点击流作为主要挖掘的素材来源,这部分和用户的行为关系最大,也可以非常有效的识别风险,但随时间推移,恶意用户的知识是在积累的,他们的反侦察能力在不断提升,可以去模拟正常的用户。这时,就要渗入到用户所在的环境里,把打造设备指纹、生物探针等分别应用于Web和移动设备上,作为移动安全的一部分。这为分析恶意用户提供非常有效的一个途径,用户长时间积累的数据会形成一个稳定的习惯模型,发现异常及时通知。行为可以模拟但习惯被模拟的代价就非常高。针对数据的治理,京东金融目前用机器学习建设了很多的模型,如下图。最下层的是各种数据进入大数据环境后,由于原始数据存在杂乱无章的现象,此处使用各种颜色来示意。数据原子化是经过整理后,把数据按业务归属分类,形成最原子的类别,比如账户,资金,投资,消费等等。数据抽象层是按风控关注的业务做数据整合,这层是最贴近业务的。每一块代表一类业务,一个原子数据类是可以被放入多个抽象数据块里的。数据模型层主要是对分析场景使用的,基本就是一个数据模型块对应一个分析场景。机器学习在京东金融的天盾风控系统应用流程如下:根据经验,在算法的选择上尽可能的多做选择,对比模型的性能择优选取。另外,对样本库做好治理工作,可使用随机抽样和使用聚类把样本数据分层抽取。这些工作是建模人员在大数据环境中也就是离线做的,那么,怎么把训练的模型应用到线上做实时呢,下图是架构:京东金融目前正在开发机器学习平台,让懂机器学习的人就可以使用机器学习做想的事情,当前懂机器学习的人不在少数,但真正使用机器学习做具体事情不多,故此平台不但满足内部建模训练、发布等,还可对外输出。数据风控还有很长的路要走,如量化投资风险评估与运营也属风控范畴,风控也可和推荐领域相结合。如数据会有阶段性差异,质量会随时间推移,慢慢发生变化,可能花费很大精力产出的预测产品会失效,调整代价难易不可估。如不同场景准确度和覆盖度都是不同的,尺度如何把握。如怎样能降低统计分析学和分布式计算相结合的成本等等。总之,互联网金融风控核心还是服务客户,提升产品价值,最大程度的做到差异化的防范,智能化是风控的发展方向,京东金融从开始就致力于打造智能化的风险管控解决方案。京东金融支付核心研发部负责人安培谈支付安培·京东金融支付核心研发部负责人安培表示,很幸运加入京东金融,伴随着京东金融一起飞速成长。京东金融支付系统支撑着整个集团业务线上、线下的收款,不仅要支持业务海量的需求,又要抗得住每年翻番增长的流量,对技术架构和项目管理是一个很大的挑战!京东每年流量的增长都远远超出预期,经过几年的迭代和数次架构升级,支付系统从一个小小的收银台,逐渐演化成了几十个系统、上千台集群服务器构成的复杂应用。支付系统作为京东集团重要的业务支撑系统有很多自己的特点:高并发:支付系统支撑着整个京东集团线上、线下的收款,每年流量翻番增长,对系统架构是一个很大的挑战!就在16年的双11凌晨,系统非常稳定的承受了京东历史上最大的流量洪峰。安全、数据强一致性:支付系统存储着大量用户银行卡、支付密码等重要且敏感信息。因此防XSS、防sql注入就成了重中之重,安全工程师则每天都要对系统进行漏洞测试,渗透性测试等。因为涉及用户真实的资金,支付系统对于数据一致性和安全的强要求是毋庸置疑的。是的,一条数据都不能错,一条数据都不能丢!调用链路长:支付系统既要符合业内安全规范,又涉及商户、机构、银行间的网络交互,以至于网络环境非常复杂,一个用户的支付请求需要穿越多个机房,数个防火墙,几次从公网到内网,从内网到公网的转化!而且,支付系统背后的渠道是上百家技术能力参差不齐的银行,就导致不仅调用链路长,而且延迟性非常高。从用户体验和系统并发的角度,在两年前对系统做了全流程请求异步化改造。实时性:试想一个场景,用户在线支付了一个彩票订单并付款成功,但是由于支付系统的延时,导致没能及时通知彩票系统出单。期间彩票开奖,用户投注的号码中得头奖,但因出单失败,500万大奖不翼而飞!可见支付系统的实时性是多么必要。京东很多业务流程的状态都依靠支付成功的消息去推动,比如实物订单要在支付成功后才能推送到库房生产,手机充值订单需要支付成功后才能给用户充值。一个大数据的分析系统,报表的数据可以离线计算,而对于支付系统而言所有请求必须实时处理,刻不容缓!依赖系统众多:支付系统依赖数十个左右的核心服务,上百家合作银行。要保证一旦依赖的服务出问题,对支付系统的影响是最低,小伙伴经常需要凌晨登录VPN对依赖的服务降级,对故障的通道进行切换。并且支付有很多琐碎的运营工作,如各种维度的成功率、转化率监控,银行的限额变更,错误码变更等。这时一个强大、多功能灵活的运营后台应运而生!基于以上的特性,要求系统必须是High Availability(高可用)!然而真正 High Availability的系统不单单只是能应对大流量。常见的分库分表的系统架构,存在两个重要不足:对数据库强依赖,当数据库宕机的时候,整个应用是无法对外提供服务的。在真实的运维场景,服务器的内存条坏了、硬盘烧了、交换机故障等是家常便饭,这些故障需要值班运维介入处理,最快也要五分钟时间。五分钟对于集团的支付系统而言,可能是千万资金的收款,这种事故无法面对。扩容,以MySQL为例,DBA推荐的连接数配置是不超过两千,随着系统的运行及流量的增长,存储和并发一定会达到瓶颈,而数据库扩容是一项耗时耗力且风险极大工程,需要长时间的灰度发布及精细监控,需要投入很多人力,一旦出了问题就可能造成大量用户投诉以及半夜都处理不完的工单。高可用系统的一个重要指标是应对黑天鹅事件,对于服务器硬件概率性故障,值班运维可以介入处理快速恢复,但是有些不可控的因素,比如机房运营商网络故障,一旦遇到这类突发故障,系统要如何快速应对?很多人都知道,最主流的灾备技术是两地三中心,数据中心A和数据中心B在同城作为生产级的机房,当用户访问的时候随机访问到数据中心A或B。之所以可以随机访问,因为A和B会同步做数据复制,所以两边的数据是完全一样的。但是因为是同步复制的,所以只能在同城去做两个数据中心,否则太远的话同步复制的延时会太长。在两地三中心的概念里,一定会要求这两个生产级的数据中心是必须在同一个城市,或者在距离很近的另外一个城市也可以,但是对于距离是有要求的。异地备份数据中心通过异步复制去同步数据。两地三中心对于京东来讲有三个重要问题:当一地的数据中心出问题的时候,是不敢流量切往异地的备份数据中心,原因是异地的备份数据中心是冷的,平时是没有用户流量进去的。如果要把流量切到那边起来之后,其实没有人有很强的信心能够保证起用以后是可以正常服务的,毕竟平时都是冷的。异地备份中心的机房和服务器基本是完全闲置的,成本非常高。在两地三中心中,为保证支付数据的强一致性,数据一定是单点去写!如果遇到“618店庆”并发压力非常高的情况下,业务系统和数据库是无法水平伸缩扩容,整体系统的可用性就会受到影响!所以近一年团队对系统的维护及应对类似黑天鹅事件做了很多工作:从系统维护角度,新的系统架构上,实现了数据库扩容配置化,当系统需要扩容时,把新的集群部署好,只需要简单的配置即可分担原有集群的流量,极大的降低了风险及维护成本。从依赖单点角度,通过缓存和消息的互备,实现了即使数据库宕机,应用照常提供服务。核心支付的主流程依赖的服务都不能有单点,也就是说不能因为一个服务挂了就导致整个支付不可用,必须预案或者备份!从机房容灾角度,实现了异地多中心,如果光纤被挖断,或者运营商网络故障,其他中心都可以分钟级去接管用户的读写流量。注意,这里说的是异地多中心,读写流量,包括写的流量,也就是每个集群的应用加数据库完全独立的存在,并且部署也不受两地三中心的距离限制。在这里数据一致性中很大的挑战会出现在流量切换的动作中,比如说A、B两个数据中心,A开始是承担20%的流量,B承担80%的流量。当把流量从一个地方切到另外一个地方的时间,有可能出现切换过程中你还在A数据中心写,但其实写完之后到B了,有可能看到出现的数据是不一致的,怎么保证在整个流量切换过程中数据是绝对一致的?这就要在很多细节处做大量的工作。从监控的角度,加强业务监控和性能监控两个方向的监控深度,方法的何种性能指标,何种维度的支付成功率、转化率等等,一旦系统出现任何风吹草动,工程师和运营同学全部了然于心。从系统降级的维度,深度定制配置管理系统,以及拥有自主知识产权的通道路由管理系统,研发和运营可以快速对非核心依赖的服务进行降级。等等,做支付业务虽然有时很辛苦,但是它让参与他的小伙伴快速成长!京东金融风控研发部算法工程师裴积全谈人脸识别裴积全·京东金融风控研发部算法工程师裴积全表示,人脸识别过程中,照片、偷录视频、人皮面具等手段不能替代真人,因有活体检测。活体检测技术,就是通过分析用户动作,人脸特征,甚至用户表情变化来确保验证用户确实是一个“活”人,而不是图片、视频或者人脸模型。”人脸识别技术应用于金融领域的优势(1)方便、体验好。如很多人经常会出现忘记密码的现象,但生物识别技术就会很好避免这样情况,且操作起来更便捷,只需对着手机做一些小动作。(2)安全。如身份验证过程中,传统的密码验证不能保证操作者是其本人,人脸识别就不会出现这种问题。如手机中病毒,密码泄露等就会出现很大风险,特别是最近出现的专门套现的“羊毛党”,使得传统的验证方式面临很大的挑战,而生物识别技术则可很好的解决这些问题。当然人脸识别技术还有一定局限性,如人脸识别技术对于双胞胎不能很准的进行验证,需要结合其他生物特征,像指纹,来甄别。如目前人脸识别技术的“迁移性”不是很理想,对于不同的应用场景需要分别进行训练优化。人脸识别技术应用于金融领域的特殊性相比于其它行业,金融领域的人脸识别技术在数据、算法和安全方面面临很多新的挑战。首先,金融领域人脸识别技术的应用场景和一般的应用场景有很大差别,很多时候需要识别的照片是有网纹的,而这种类型的数据搜集和标注相对困难。其次,是算法方面,金融领域的人脸训练数据非常特殊,每个人只有2、3张照片,常规人脸识别系统的训练算法不适用于这种类型的数据,必须根据数据的特点发展新的训练算法,这对人脸识别算法提出新的挑战。最后,在金融领域人脸识别技术不仅仅要做人脸验证,还需要防范各种攻击,包括图片攻击(盗用别人图片做人脸验证),视频攻击(偷录别人的视频做人脸验证),人皮面具攻击等等,为了防范这些攻击,必须加入活体检测技术,通过分析用户的动作,人脸的特征,甚至用户的表情变化来确保验证的用户确实是一个“活”的人,而不是图片,视频或者人脸模型。人脸识别技术在金融领域的场景人脸识别的应用场景需要同时考虑技术可行性和用户的体验,目前在金融领域最佳的应用场景包括需要人工审核的实人认证业务,例如借贷业务,信息修改,以及大额交易,这些场景不仅可以为公司节约成本,还可以提高用户体验,降低交易风险。但是对于一些小额度的高频交易会对用户产生很大的打扰,可能不太适用。京东金融消费金融研发部白条业务研发组,高级软件开发工程师冯成谈白条冯成·京东金融消费金融研发部白条业务研发组,高级软件开发工程师冯成表示,白条贷后阶段,如何将部分还款表现差的用户转化为优质用户,是努力的一个方向…白条,不仅仅简单地作为一种支付工具,而是一个消费生态体系,从而构建了白条的三大业务板块:贷前、贷中、贷后。针对不同消费者人群或业务场景,并根据用户特征、风险识别和差异化定价进行精准授信。随着业务场景和用户数据特征的不断丰富,路由系统也由最初的串行优化成了并行,提高了系统响应速度,同时增加了回捞功能,对未能满足当前通道激活风险策略的用户,还进行二次的路由。作为一个生态,当然不能缺少营销,从最初的有券到后来的无券,还款券,激活券等各种形式的优惠方式,引导用户更多的参与到白条的生态体系中。其中系统复杂度最高的也是无券营销,限制规则从最初的几个到目前的几十个,活动从最初的几个,到目前并存几百个,每一个订单的优惠券匹配,都要进行规则和活动的双重叠加匹配,从而对系统的响应速度有了更高的要求。不仅从系统结构、逻辑处理上做了优化,而且开发了数据预热中心,作为整个系统的加速器,极大的缩短了系统的响应速度,降低了数据库的负载。白条同样也要解决数据问题,当前白条用户规模和每日产生的数据非常庞大。白条数据都是围绕用户为中心,目前通过用户Id作为切分键进行了分库分表数据存储,当需要数据库扩容时,必须进行数据迁移重新路由落库,带来很大的开发成本,所以也在通过其他的切分键进行数据存储的开发,达到可配置化的横向扩展,不需要迁移数据等额外的开发工作。由于分散的数据存储,在运营、财务、客服等方面无法满足多维度的数据查询应用,从而打造了Solr+Hbase、Mongo和ES三个数据平台。白条经历了多个618和双十一,应对大促的挑战,很多公司的方式大多雷同,主要在于精细化。就白条而言,首先预估大促期间的流量,进行一个整体的系统压测,压测分为单场景、混合场景、读和写的压测。同时压测的数据进行隔离以及安全方便的保证,其次是做一些监控限流的措施,按系统级别、流量分布、业务血缘关系结合压测指标进行快速限流降级,某一点有问题能第一时间定位。最后就是所有依赖服务的灾备,进行全链路的梳理。大促备战检验的是系统各方面的配合,融合在一起才能达到最终的效果。京东金融固收理财研发部架构师邹保威谈资产负债邹保威·京东金融固收理财研发部架构师邹保威表示,资产负债和生活息息相关,看起来高大上,但每天都会在我们生活中反复实践…最初接触资产负债管理的时候,我就在想,这有什么好管理的呢,不就是把资产信息和负债信息一个一个记录下来吗?做着做着才发现其实远不是这么简单,因为个人在生活中的资产和负债的管理虽然和机构的资产负债管理是相通的,但是它们之间的差别又是巨大的。第一个迎面而来的棘手问题就是资产的合理分配问题,往简单说就是,如何在考虑不同金融资产期限的前提下合理分配金额,使得在流动性风险能够控制的前提下保持整体投资的最高收益,就有点像怎么用七个盖子把八个杯子尽可能的盖住的问题,而且这些盖子大小还不一样。好在数学上的线性规划给出了解决这个问题的一个思路,但是这个模型实在不好建立,因为约束条件来源于很多个已知和未知的方面,这些约束大部分都直接来源于金融的本质特性,这就迫使团队不仅要深入了解金融产品的本质,还要知道如何使用标准的会计方式来进行准确的度量。挑战远不止于此,随着项目的进行,决定需要对资金流动性进行合理的管理,从而防止出现流动性风险,而做到这一点其实是非常困难的,迄今为止还没有完美的模型,但是有相对次优的模型,该模型要求对负债端的情况作出相对准确的预测,这个可是一个大难题,好在后期又打通了负债端的相关系统并从中获取了很多关键数据,从而能够使用一定的模型较为准确的计算出流动性,并且使用十分直观的图表进行展现,并在后期使用中对模型进行不断的回归校正,这个特性可是帮了业务很大的忙。长远来看将要在这个系统中加入更加多的特性,例如需要考虑资产的信用风险,市场的利率风险等等,而每个特性的加入都将是对这个系统的一次提升和改造,使其成为一个较为完善的资产负债管理平台。金融资产管理系统向来是金融机构的核心平台,但是因为它往往并不直接面向最终用户,所以通常不为人知,但是它又非常重要,京东金融固定收益类理财业务也正在构造类似的系统,用来提升资产管理水平以及效率,并致力于将其打造成一个支持京东金融各种金融理财产品业务的特有行业系统,并使之符合行业监管要求。它的主要功能是管理负债端面向最终用户理财产品的发行以及其销售情况,在资产端管理资产的生命周期以及最优组合,能够在最大程度上优化投资负债行为,从而扩大业务盈利。并打通内部外部系统间交互,提升业务管理水平以及效率。这个系统定位为固收理财业务的投资管理分析决策系统,以该业务下的资产、负债、投资信息管理为出发点,通过对各类资金轨迹的记录,资产价值的估算,未来几日资产到期和用户赎回情况的实时监控和分析,及时反应出账户下的资金水位,计算账户当前价值,为决策者提供准确的投资数据和投资方案,在为用户提供平滑、简洁、直观的使用体验前提下,最终实现有效降低流动性兑付风险和运营成本的最小化以及投资利润最大化的目标。内容来自51CTO.com,关注财资一家(微信号:TreasuryChina),获取更多公司金融、资金管理、现金管理、支付结算、企业理财、风险管理、资产管理、企业财富管理等方面的原创干货。
  • 人脸识别目前面临的挑战是什么?
    • 2021-11-28
    • 提问者: 仙哒哒的仙姑
    再次,人脸识别技术滥用,隐私安全风险高筑,面相分析、换脸、换装、试妆、测肤质等娱乐小程序,以及刷脸支付售货机等随处可见,毫无边界的人脸识别技术应用,正肆无忌惮地...
  • 数字图像处理将来有什么用啊?(请该专业人事回答,谢谢)
    • 2021-11-28
    • 提问者: YTHEeeeee
    可以这样说,选择了数字图像处理这个研究方向作为终身的目标,天赋+兴趣+努力,你将拥有了开启未来最前沿,最富活力技术的钥匙。人类获取的信息80%以上来自于视觉,但目前让机器来处理这些信息才刚刚开始呀,同志们要努力! (1)数字图像处理是交叉学科。是未来技术向智能化发展的最富有前景,也最富有挑战的领域。 其研究的领域博大精深,应用领域十分广泛,每个领域都可以让你安身立命一辈子,呵呵,我给你举点你熟悉一点的通俗的例子。 在你目前就读的电信专业来说,考虑到发送端要传输的东西(视频流)容量实在是太大,而用于传输的通道(带宽)总是不够用,想要把要传输的东西在无损或不丢失太重要信息的情况下弄得更小一点(压缩编码),然后在接收端解码以恢复原来信号的原貌。那么就产生了数字图像处理的典型应用:【图像压缩和传输(或者叫着图像通信也可以)】(如:静态图像JPEG压缩标准;动态MPEG标准,电信上类似的标准是H.264,娱乐上的MP4也属于这方面),主要研究内容是研发更有效的图像的编解码算法(现在已经有很多硬件实现的编解码芯片了,具体性能指标和适用的标准不同); 而你所熟知的生物识别为数字图像处理在【信息安全】领域的应用(包含指纹识别、虹膜识别、人脸识别等),当然交通系统使用的车牌识别也是类似的技术。通用模式是:图像预处理(如去噪、增强等)+不变特征提取+与特征库中特征进行匹配=识别; 而真正集中了最先进软硬件数字图像处理的应用领域是(杀人的和救人的,呵呵): 【军事】:首先图像数据类型上包含所有的成像频段能获取的影像(如无线电(雷达成像)、红外、可见光、紫外、X线。。。你把电磁光谱拉开看就明白),用声音回波来成像也可以,如声纳。千万不要片面地理解图像就是可见光成像,那是人眼的局限,呵呵。 主要包含这些研究内容:目标捕获目标锁定目标跟踪 【医疗影像处理】:CT成像,核磁共振MRI,超声,X线成像。。。 主要研究内容:图像去噪,图像增强,图像识别,3维可视化等等【机器人视觉】:啊,现在的机器人还很笨呀,能自己绕开障碍物已经是了不起了,努力呀,同仁们。 (2)既然是交叉前沿学科,你需要掌握的基础知识还真不少。 【数理基础】非常重要:本科里面的高等数学、线性代数、概率统计当然是最基本的啦;研究生(硕博)数理课程:矩阵理论;随机过程;泛函要学好,特别是前两门; 【专业课程】:信号系统;数字信号处理(特别要弄清楚傅立叶理论);(研究生课程)现代数字信号处理(推荐:张贤达,清华出版);当然进阶的化,学好小波变换理论也是相当不错的(这个需要很好的泛函数理基础);人工智能与神经网络学学也不错。 【英语】:呵呵,我们不得不承认现在数字图像处理邻域,西方科技还是要先进一些,努力学好英语吧,调研资料的时候你会很轻松,另外做学术交流的时候你也会比较从容。。。【计算机应用】:光有想法,不能实现自己的想法会沦为纸上谈兵,好好提高自己的工程技术能力吧,要把数据结构,C/C++学好喔,编程方面建议多用STL。 我跟你写这么多不是为了你那点分数来的,是看你对这方面感兴趣,居然在百度来提问,嗯,不错,也许希望你继续在这个领域努力,不过要有心理准备喔,要特别能吃苦和持之以恒。祝你好运! PS:我以前是做杀人方面的数字图像处理,现在是做救人方面的医学影像技术。你才刚刚开始,未来的路还很长,要学的还很多,希望我说的对你有帮助,而又不至于让你知难而退(打击你)。也希望看到更多对这一领域感兴趣的人出现。当然,这几行文字难以对数字图像处理领域有更多的了解,我尽量让你看到一个大轮廓吧。
  • 目前人脸识别技术的挑战是什么?
    • 2021-11-28
    • 提问者: 一颗风中的杨树
    请问目前业内人脸识别技术的挑战和难点是什么。为什么没有成熟可靠的商业应用。但是论文中已经接近99.7%…
  • 民宿,日租房可以在居民楼里经营吗?
    • 2021-11-28
    • 提问者: 四川新东信凯迪拉克4S 店
    这个问题得看从什么层面来说了。理论上来说,是“可以”的。毕竟理论上来说,你可以自由的去选择你想做的任何事情。包括用自己的房子或者租下别人的房子然后再按天转租出去。事实上来说,已经有许多人是这么做的。但法律层面来说,各地情况有不同。有的被允许,有的不被允许。相对廉价一点简单一点的一般就是传统意义上的日租房,稍微装修过一些再拿来经营的一般被归为“城市民宿”的范畴中,其本质上其实也是以“日租”为单位,赚取一手长租房租与按天经营的差价,只是一般因为装修的好看,加上这几年所谓共享经济的流行,民宿概念的流行,而成为了许多人到外地出行时有别于酒店的住宿选择之一。而之所以说理论上和事实上是可行的,是因为监管部门目前并不能严苛的监管到每个私人住宅是否被拿来用做以日租的方式进行经营,目前的民宿或者日租房预定平台也提供了非常便捷的让客人通过网络搜索和预定的渠道。近几年有非常多的人陆陆续续“入坑”,在城市民宿的道路上赚到钱或者赔了钱。但这种经营严格地从法律责任层面来说,并不是完全符合现行的法律和制度的。具体还要看经营民宿当地对于这种方式的扶持力度以及所在的片区管理部门(譬如居委会和拍派出所等)对政策的解读和执行力度。在相应政策比较健全的地方,在居民楼里经营也是被允许的,只要达到了相应的政策所要求的条件就行,譬如对于消防条件,对于经营资质的审核和排查,对于接待客人入住的身份验证等等。目前国内大部分地区是属于大的政策上鼓励,但实际想要合法获得相应资质非常困难。民宿预订平台也对于普通民居进行日租的行为管理越来越严格。整体来说,和通过网络软件进行打车一样被定义为“网约车”类似,通过网络软件预订单日入住的房间被定义为“网约房”,各大网络预订平台也在积极推进与相应部门级的沟通,通过一些技术手段实现降低整体环节各方的风险(譬如通过智能门锁和预定软件内嵌的程序人脸识别完成入住人的鉴别),以便逐渐的将整个流程实现像客人入住酒店一样的信息透明化,安全化,合法化。但在这个进步和改变的过程中,选择去经营居民楼里的民宿或者日租房,仍旧有很大的风险和挑战。风险包括法律上的风险和赔钱的风险。希望有解答到你的问题。
  • 指纹锁是不是智能锁?
    • 2021-11-28
    • 提问者: 多宣
    一、其实指纹锁就是智能锁,只不过是之一而已,还有人脸识别锁、3D虹膜锁、静脉锁等等一连串的,但是2018年最新的Q1研究报告指出,目前最热的智能锁是指纹锁跟人脸识别锁,其中指纹锁还占的比重相当的。关于智能锁各种解锁新姿势,让亚太天能T博士为你权威科普!现在,你知道谁在智能锁行业最“得宠”了吧?没错,依然是指纹解锁!相比“炫酷解锁新姿势”,亚太天能更在意锁的安全。毕竟,守护好每个家,是锁的初心与本质。亚太天能智能锁,多年专注于指纹解锁,拥有无尘研发生产基地,采用射频半导体指纹传感器,保证每款都是“安全可靠的智能锁”!二、指纹锁与传统锁有什么区别?这个问题,我来帮您回答。智能指纹锁越来越火,圈了不少粉,大家都想体验下这种黑科技产品!但想归想,还是不敢换,心里有十万个问号:智能锁安不安全?指纹开锁灵不灵??如果没电咋办???……现在,就让亚太天能T博士解答吧!智能锁那么高大上,招贼咋办?别傻,关键是智能锁安不安全?看锁芯!传统机械锁的A、B级锁芯,技术开锁只要几分钟;智能锁一般是超B级、C级锁芯,技术开锁要270分钟以上,安全得多!智能锁到底怎么开锁?主流的开锁方式有指纹、密码,还有刷卡、APP、蓝牙、应急钥匙等。虽然人脸、虹膜开锁的噱头大,但目前技术还不够成熟。指纹开锁安全不?指纹识别有两种,光学VS半导体。相比光学指纹头,半导体指纹头识别真皮活体指纹,快速识别干湿指纹、浅指纹,杜绝假指纹入侵,建议选择!半导体指纹头易磨损吗?半导体指纹头会受污渍、汗渍、静电影响,但耐磨、耐刮伤,使用多年依然灵敏!有人偷看我输密码咋办?很多智能锁支持虚位密码,在正确密码前后随便输入都能识别,不怕被偷窥啦!能连手机APP?有什么功能?既然是智能锁,岂能不联网?很多智能锁能与手机APP相连,推送开门信息、撬锁报警等,让你掌握智能锁动态;还能发送一次性授权开锁码,方便亲友来访!智能锁还有啥智能功能?设定指定时间通行权限,保姆只在工作时间进出;全自动锁体,关门自动上锁,不担心忘上锁;全程语音提示,轻松设置,门没关好还有提醒!智能锁没电,岂不是进不了门?智能锁一般以5号电池供电,续航时间约1年,电量不足有提醒。就算没电,也能用应急钥匙开锁,或通过USB接口充电!智能锁为啥还有机械钥匙?从安全角度考虑,国家公安部规定智能锁必备机械钥匙,以防门锁没电、火灾等紧急情况!智能锁为什么加滑盖?智能锁是耐用品,一般能用十年以上,滑盖能更好地保护门锁,抵御风吹日晒、灰尘、小孩破坏等!面板为什么很少有真皮的?真皮外表通常是粘上去的,一两年后容易风化、老化、掉落。为了经得起时间考验,智能锁面板一般是一体化布局。游离把手是?防猫眼设计呢?游离把手,指把手进入空转状态,离合器不受力,防止把手受破坏、影响内部结构,防范小偷暴力开锁!室内的游离把手设计,可以防止小偷借猫眼开锁、室内的小孩、宠物开锁!换智能锁,用不用换门?放心,智能锁适配大多数的门,一般能直接换装!买智能锁后,能自己安装不?国内入户门门体、门锁规格众多,装智能锁有时要改动门体。如果拆装不专业,轻则无法装锁,重则换门,所以还是让师傅安装吧!智能锁从几百到几千块都有,多少钱合适?智能锁是融合物联网、生物识别、电子、机械技术的产品,如果要保证品质和稳定性,成本低不了。市面上品牌、设计、质量、服务过关的智能锁,至少两三千。智能锁品牌那么多,怎么选?近几年大家越来越追捧智能家居产品,也涌现很多智能锁企业,但是鱼龙混杂。其中,深耕多年的智能锁企业亚太天能,值得考虑!亚太天能,集智能指纹锁研、产、销为一体的专业企业,国内智能锁行业首家上市企业,拥有100+项技术专利与软件版权,自主探索硬件升级、自学习算法识别等,用前瞻眼光打造了一个个标杆产品!三、指纹锁是叫智能锁的,我在亚太天能这家公司,所有的对外宣传都是亚太天能智能锁,#安全可靠#就是企业的核心指标。这是我们的产品宣传,20万次无障碍测试,正常使用15年。关于楼主说市面上全部都是叫智能锁,是忽悠消费者,这个我持保留的意见,虽然每一家企业都会做广告向外推出他们生产研发(有的不需要生产研发,直接拿货销售也有的),但亚太天能绝对是自己生产研发,包装销售一条龙服务,所以因为市场上有这么多|“忽悠”消费者的事情,请各位消费者一定要擦亮眼睛,不要上当受骗,毕竟智能锁(指纹锁)是守护家中的第一道防线。并且智能家居也越来越热了,或者您家里有一个扫地机器人,也有一个蓝牙音箱,就是没换智能锁(指纹锁)?通过上述的介绍,大家也可以留意一下亚太天能智能锁,而且亚天天能是全国第一家上市公司。亚太天能,2015年登陆新三板,成为国内智能锁行业首家上市企业,在行业爆发前看到曙光,迈入行业第一梯队!它是如何做到的?1、行业崛起 实力企业获市场青睐随着新中产掀起消费升级大潮、人们安全意识提高,智能锁凭借安全、便捷、智能的优势,销量增长极快。2015年市面仅有几十家智能门锁企业,2017年已涌现上千家。行业繁荣,但企业实力参差不齐,获投融资的并不多。亚太天能凭什么破局行业?关键在于全方位打造技术、生产、销售、服务优势!2、技术为根基 打造有生命的智能锁技术是亚太天能立足的核心。当不少企业为技术纠结时,亚太天能已拥有100+项技术专利与软件版权,自主探索硬件升级、智能APP迭代、自学习算法识别等,打造“有生命的智能锁”,以前瞻眼光打造标杆产品!不同于贴牌、组装的“螺丝刀工厂”,亚太天能是集指纹锁研发、生产、销售、服务为一体的专业化企业,生产组装环节都在精工级无尘车间完成,从源头保证产品的完美品质。3、品牌作驱动 销售网络遍布全国目前,亚太天能在全国拥有数百家品牌专卖店、上万个服务网点,与苏宁、国美、京东等电器卖场,万科物业、雅生活、保利物业等物业渠道,红星美凯龙、居然之家等家居卖场建立全方位战略合作,销售网络遍布全国,销售量长期位居行业前列!4、顾客至上 全方位打造极致服务智能锁是重服务型产品,完善的服务体系也是亚太天能的金字招牌!依托多年销售经验,亚太天能建立起“快、准、稳”全线服务体系。线上客服团队、线下销售团队都经标准化培训,拥有系统的业务知识,高效解决顾客问题;安装团队中,每位安装师傅都经过模拟安装、实地安装、沟通训练,确保提供专业细致的安装服务;提供三年质保服务、投高额太平洋门锁保险,全面保障消费者利益!面对机遇与挑战,亚太天能始终关注智能锁的安全可靠,聚焦用户体验。行业风口已来临,亚太天能将永葆创新激情,以匠人精神打磨安全可靠的智能锁,领跑行业发展!
  • 泰康大健康云是什么?
    • 2021-11-28
    • 提问者: 杨程稀
    2019年10月15日,由Biz Brain主办“互联网保险大会2019”在北京成功举办,大会邀请到了保险行业的保险公司、保险经纪、再保险和相关人脸、语音识别机构、大数据、金融云服务技术的专家学者和企业代表约350+企业高管,共同探讨了区块链、金融云服务、大数据与AI在保险中的运用。作为“互联网保险大会2019”的核心活动,评选旨在表彰和鼓舞具有创新的企业和个人,驱动产业创新发展。通过组委会评审,由行业协会、产业联盟、行业媒体及咨询机构代表等组成的评审委员会探讨筛选,最终确认各奖项的入围名单,经评议和投最终产生年度获奖名单。泰康大健康云,凭借4款创新型通用智能云产品荣获“年度互联网保险创新产品奖”。泰康大健康云,是泰康保险集团旗下创新+科技驱动的大健康生态云平台,聚焦大健康机构、服务消费者、连接政务和生态伙伴,全链条、全周期赋能大健康企业销售、运营和服务,实现促增收、降成本和增效率的目标,助力大健康产业互联网化、数字化、智能化。泰康大健康云平台打造系列跨行业智能通用云产品,实现“ABC赋能战略”,推动保险行业的数字化转型和产业创新突破。“ABC赋能战略”通过赋能A端销售业务员(Agent)、B端企业运营(Business)和C端消费者(Consumer),联动泰汇智能名片、泰营销 Social CRM、泰健康+平台和泰运动开放平台,全方位推动保险产业创新转型。泰康大健康云云平台系列产品,深入洞悉保险、体检、养老行业,针对营销获客、会员体系、业绩增长、客户服务、品牌传播等行业挑战,提供一站式智慧行业方案。智能决策引擎通过AI服务、Blockchain服务、Data服务、IoT服务等最新技术,洞察保险商城、医养服务以及资管服务业务后台的海量数据,通过云平台的大数据智能分析,构建企业核心数据平台,提供底层支撑。截止到目前,泰康大健康云已经服务了包括泰康在线、泰康健康、泰康健投、泰康养老、泰康溢彩、泰康人寿在内的多家业务主体,覆盖保险、医疗、养老、体检等多个领域。泰康大健康云作为泰康保险集团的顶级品牌,承担着“创新孵化器、科技倍增器、生态连接器”的重要角色。
热门推荐
热门问答
最新问答
新手帮助
  • 关于我们
  • 用户须知
  • 贷款攻略
  • 礼品兑换
常见问题
  • 常见问题
  • 意见反馈
  • 申请收录
  • 内容申诉
房贷计算器 | 备案号: 蜀ICP备11019336号-3

友情链接: 深圳注册公司流程 注册深圳公司流程