这么多人脸识别公司,该如何选择?

长腿·橙子 2021-11-25
最佳回答
例如云从科技、旷视科技、商汤科技等等
类似问答
  • 这么多人脸识别公司,该如何选择?
    • 2021-11-24
    • 提问者: 黃星瀚
    例如云从科技、旷视科技、商汤科技等等
  • 关于创新创业的主题你们关注过哪些方面的信息?
    • 2021-11-24
    • 提问者: zZ
    关于创新创业的主题你们关注过哪些方面的信息?如果你是一个创业者,是想做一番事业的人,你应该关注的是人工智能对我们整个社会的商业模式、社会经济模式的一个根本性的影响。人工智能确实会导致很多人的失业,但它同时也给我们创造了机会,它可以给我们带来非常多不同的体验。 比如在传统的银行,它所发放的贷款都是相对比较大的,所有的大额贷款它都会经过一个严格的审批流程。但银行通常没法发放大量的小额贷款,这是因为银行的工作人员没有办法也没有时间仔细评估每个人的信用等级,就像你没有办法想象传统银行今天在街上开一个门店,说给每个人贷款1000块钱一样。我们创新工场投资的一家叫智融集团的公司,它现在可以每月发放几百万笔小额贷款。由谁来审批呢?是机器来做的。机器根据算法自动地评估每个来贷款的人是不是有这样的能力来还款,是不是有一定的还款风险。这样一个名叫“用钱宝”的产品在短短的一年半时间内,从每月零笔贷款发展到每月百万笔贷款以上,你们可以算一算它每个月的营业额是什么样的,算一算它的增长是什么样的,它为什么能发展的这么快?这是因为机器算法可以在七秒钟判定一个人适不适合贷款。它可以在保持坏账率低于同业水平的情况下,通过率提高很多。增加收入就来自机器学习,来自人工智能。这是今天人工智能给我们所有的创业者、从业者提供的一个非常好的机会。比如在我们的金融行业里就还潜在着大量的机会可以用人工智能来提升效率和降低成本。此外,人脸识别这样的人工智能技术在金融领域、安保领域都创造了巨大的价值。其实人工智能有非常非常多的其他应用,就像开复讲过的,我们可以拿人工智能炒股,在纽约,我们会见到非常多的对冲基金公司、投资公司,他们都是用计算机来组建模型,并自动做投资决策。比如文艺复兴基金公司的一个大奖章基金,从1994到2014年,完全使用机器交易,年化收益率达到71%,而现在银行的定期利率才2.5%左右,你们可以算一算,连续20年,71%的收益会是多少倍。人工智能在智慧医疗、在娱乐方面都会有非常多的应用,今天人工智能的创业是一个风口。创新工场在人工智能投资的基本思路我已经给大家讲了很多非常好的例子,但其实也有很多失败的例子。今天有很多的人工智能公司都处在一个泡沫的状态,有非常多的公司因为现在有人工智能的概念,他就会觉得人工智能只是一个包装,我就为了资本运作,就为了这种包装,我才把我的公司叫做人工智能公司,这些公司现在数不胜数。实际上他们做的并没有太多人工智能的技术成分。我们会把它们叫做“人工智能的泡沫公司”。真正的人工智能的趋势是存在的,同时人工智能创业的泡沫也是存在的,这就给我们投资人提出了非常大的挑战,在这个泡沫里如何抓住最好的团队,如何识别出最好的公司,其实是一件非常难的事情。在这里面我们找到一个思路:创新工场如何看待现在人工智能的市场,今天该投什么样的公司、两年后该投什么样的公司、五年后该投什么样的公司。我们会把人工智能的早期成长到未来的成熟分成三个大的阶段:第一个阶段是我们的现状。人工智能已经在互联网、移动互联网领域里取得非常好的结果,为谷歌、百度、今日头条这些公司赚取了大量的现金流,今天的人工智能创业也是围绕互联网的。如果你现在做的是一个新的移动互联网的应用模型,如果你创建的是一个新的商务模式,那么你今天就必须去思考一下,你有没有和人工智能结合的机会?这是今天人工智能的创业和投资都需要非常关注的话题。现在第一阶段的人工智能应用还处在早期阶段,它主要是从虚拟的网络世界开始向各个行业渗透,但还远没有达到在各个行业蓬勃发展的地步。第二波人工智能的商业化大概需要3-5年的时间,在这一时间段,人工智能感知设备和传感器等硬件逐渐普及。无人驾驶领域中传感器是一个非常大的门槛,为什么现在很多无人驾驶公司都选择了纯视觉的解决方案,是因为无人驾驶中的激光雷达(LiDAR)设备实在是太贵了。在这样一个场景下,我们做一个符合无人驾驶视觉和LiDAR的混合解决方案,实际上它的价格可能比买一辆普通汽车还要贵。于是我们就产生了在无人驾驶技术上的各种分歧,有的人觉得纯视觉的方案可以解决问题,有的人觉得必须用LiDAR,有的人又觉得可以用深度传感器来补充,所有的这些方案都变成无人驾驶领域的一些技术流派。在第二阶段,随着软件硬件的结合,传感器不断地采集数据,人工智能会渗透到各个行业。在金融、智慧医疗、教育、娱乐这些领域,都会有好的商业应用机会,但会晚于移动互联网,大概需要3-5年的时间。
  • 京东金融为何要寻求重组?有哪些可能的原因?
    • 2021-11-24
    • 提问者: Wedding Bus 官方
    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。
  • 李开复:中国创业者最缺什么
    • 2021-11-24
    • 提问者: 白厅长的叨叨
    15天,100人,2016年新年伊始,李开复亲自带队奔赴硅谷。  26位鼎鼎大佬,DST米尔纳、Google皮猜、雅虎杨致远、YC孵化器SAM、安卓之父Andy Rubin……  18家时下最富盛名企业,苹果、谷歌、Facebook、Airbnb、特斯拉、推特、YC孵化器……  科技创新圣地硅谷有哪些趋势正在发生?什么样的科技会在下一阶段席卷全球、改变世界?通过投资奠定了当下互联网格局的DST创始合伙人米尔纳如何找“百亿美元公司”创始人?Airbnb是如何用企业文化影响每一个员工和用户的?中国的创业在日益国际化的当下又最缺什么呢?  近日,在中国“硅谷”中关村,李开复分享了他的新年“硅谷见闻”。这些见闻包括他对当前中国创业者的思考和建议、顶级投资人对于顶级创业者的判断标准,公司文化方面的感悟,以及对中国经济形势的看法。李开复和DST创始人尤里-米尔纳在交流  以下为李开复口述实录的整理:  1、创业者缺什么  我们这次硅谷之行,属于创新工场投后服务。我们带着兄弟会成员和工场近100人的团队,几乎把硅谷的老朋友们又访问了一遍。除了正好有事不在的马斯克,还有刚当父亲的扎克伯格,其他的都带着创业者访了个遍。  讲一下背景,从创新工场的发展来说,我们从一开始就不断基于自己对于行业和市场的判断进行布局投资,然后通过各方面的投后服务来帮创业者提供价值。再后来,我们发现随着行业各方面的发展,看到了做一个创业者互助社区的重要性,而且如果能够得到一些资深导师的帮助会是非常重要的,所以我们做了兄弟会和群英会。  在兄弟会和群英会里面,我们也时常在讨论,而最近讨论最多的是:我们这些创业者到底身上最缺什么?  最后得出的结论是,我们的创业者在有些方面能力很强:知识面、产品能力、管理能力、战略和竞争战术等,也经过兄弟会拓展了人际关系,有彼此之间上下游的合作等。但目前好像在格局观、世界观等方面有欠缺,这种欠缺其实就是十亿美金公司和百亿美金公司的差别所在。  具体来说,一个创业者可以整体琢磨怎么把产品功能多做一点、用户多弄一点,但是如果格局不够大,眼光不够长远,比如怎么用一句话描述“我的公司在如何改变世界”,那我觉得应该去最好的学习圣地硅谷增长见识。  坦率来说,在国内大家也能通过看马云、马化腾的演讲,请王峰、王兴做分享等实现提高。但在国际视野和思考问题的方式方面,以及美国人在突破创新的胆识方面,还是很值得学习的,这是一个理由。  其次还有一个理由就是,我觉得中美的产品跟技术的关系会越来越密切,越有商机。  以前你说一个美国公司到中国来,其实挺难的,中国公司到美国去也挺难的。但是现在我们越来越发现,中国的创业水平在提升,其实能做中国创业者的老师,也只有在硅谷才有了,世界的其他地区可能都打不过中国了。  第二,更多产品的国际化可能会基于技术。比如说你做了人脸识别——Face++,你要把它推到美国去,或者是美国做一个Siri想推到中国来——这个是完全有可能的。所以随着创业从产品驱动、市场驱动走入技术驱动,我认为现在就产生了很多机会:更多中美合作,把中国公司带入美国,或者倒过来给彼此的机会会越来越多。而且很多中国创业者是有优势的,他们在创业打法方面,跟美国是有差异化的。  反过来也一样。所以我们就觉得对这些创业者来说可以学习,去向硅谷创业者学点什么,然后有什么技术可以引入,哪些产品和技术可以打到美国去,未来还有什么机会等。  此外,在这个过程中,这些创业者也能建立彼此间的兄弟情谊。因为在一起旅游、参观那么长时间,回来就变成好哥们儿。  还有一个相伴随的,就是去硅谷挖人。因为技术人才方面,美国还是有很独特的地方,谷歌这些公司训练出来的工程师,在大数据、大计算、团队合作、协作、管理、作战等方面还是有一些优势的。所以我们也找了一些很棒的技术人才,也帮我们的公司挖人。  这大概就此次硅谷之行的目的和理由。  2、百亿美金公司  这次硅谷之行中,也和DST创始合伙人米尔纳有了深入交流,他请我们到他家去参观,在他家用早餐,也跟我们分享了他对趋势的一些认知。  米尔纳主要分享了两点,第一是他坚信互联网的革命还远远没有结束,第二是分享了他认为一个“百亿美金公司”的创始人该有的特质。  互联网的革命还远未结束。米尔纳的主要依据是人均GDP和互联网的GDP的比例,还有很大的成长空间。另外他还认为互联网在一些国家的成长会有更好的发展,他坚信中国是这些国家之一,因为现在普及率之类的还有很大的空间。  另一个是米尔纳如何去识别值得投资的创业者。DST的风格,过去我在知乎上回答过,米尔纳本人只投10亿美金以上的公司。但是现在,他说自己要识别100亿美金甚至更大的公司。原因是他认为10亿美金的公司其实做起来挺容易的,而且他自己就创业做过,最后成了10亿美金的公司,他说:“我自己做过,我就看创始人有没有和我一样的基本素质和经验就行。”  但识别100亿美金公司的创始人却不容易。他跟我们分享了一些独特的看法。米尔纳说他投资了Facebook、京东和小米等公司,从扎克伯格、刘强东和雷军身上,他也能不断学习得出一些结论。“你要说这些人到底有什么共同的地方?其实每个人各有特色,但是有一点,这些人都有种怪怪的特点,都有种偏执狂的特点。如果你找一个创始人,四平八稳、什么都懂、有高深的技术、管理和市场经验,这个人是做不成100亿美金的公司的。”  所以尤里-米尔纳的结论就是说:100亿美金公司的创始人一定在某些方面相当偏执。  接下来,一旦你找到这样的人,投资模式也就很简单了。人识别对了,领域识别对了,投资人所要做的就是站在创业者背后把钱给他,他要什么你就帮他做什么。董事会席位不要了、控制权不要了,对赌也不要了,因为找了这么棒一个人,好不容易找一个快速成长的领域的老大,而且是有偏执特质的超级创业者。你接着要做的就是把钱给他,他他爱做什么就做什么,无条件支持他。这是尤里-米尔纳的一个理论,这些理论以前都说过,只是这个偏执的部分,我觉得由他亲口说出来还是蛮有意思的。  那天在米尔纳家里,大家问他说:你做过最艰难的决定是什么?  他说,我有一次融了2亿美金,然后我转手全部投进了Facebook。因为他觉得Facebook是一个改变世界的公司,自己投进去以后不但能赚钱,而且能够彼此学习,对公司有很多战略的意义。后来确实也一一验证了——他投进去虽然很贵,2亿美金只买了2%,因为Facebook当时估值是一百亿美金。  至今你还可能会搜到很多文章,在当时批评这个俄罗斯土豪,说这么贵的估值还投,但后来验证了米尔纳这个决策的正确性。他就是因为这一件事情做成了,使得他在Facebook大涨之后,被很多人奉为创投神话。  现在的话,米尔纳除了投资,还特别热衷于基础科学,也在做一些对整个人类认知有意义的事情。比如说他和扎克伯格,以及马云等发起成立了一个“突破奖”的新科学领域的诺贝尔奖,因为他们认为诺贝尔奖有些过时了,没有涵盖所有的重要的领域。  另外,尤里-米尔纳还发起了一个找外星人的项目,他觉得这个世界上我们不可能是孤单的。当然他不是支持找UFO那种想法,他觉得我们就应该对外太空发出信号,说人类的存在。另一方面也找各种外星人存在的信号。实际上这一类的现象,他觉得如果数据能够结合一下很值得一做,因为这是人类很自然的下一步。  所以我觉得看了这些以后,我们带去的创业者都觉得格局很大。在告别米尔纳的时候,很多创业者都意识到之前想的问题太小了,而且他们也开始希望有一天能够想到人类的未来,人工智能的责任问题解决没有,人类是否孤单,怎样有一个“大脑”去进入各个领域。  总之就是脑洞大开。这次硅谷之行,也希望他们能够看到:永远有更伟大的事情可以做,唯一限制你的只是你的雄心壮志和想象力。当然,这不会对你现在所处行业的竞争和业态有改变,不会对你怎么去迭代产品、获取用户有改变,也不会影响到你的融资上市的思考等等,但如前面所说,有大格局的创业者是会不一样的。  3、公司文化  还有一个让我们意想不到的是访问Airbnb,有种“大跌眼镜”的感觉。因为我们去之前并没有预料到这个公司是此行的一个大亮点。我们去谷歌、去特斯拉,这些企业都是大家的心中的英雄,都对它们有一定的了解。但Airbnb就是一个网站而已,普遍的看法是:他只是在正确的时候启动了这个项目,然后就拉了一堆用户慢慢地滚动起来一个平台。  但是我们去了以后才发现,这个公司的文化非常不同。很多创业者过去会认为硅谷公司文化类似,这些公司都是科技型的。文化无非是:共享技术改变世界,颠覆模式之类的。但是这次去了以后就发现这些公司原来那么不一样,其实硅谷当然有他的文化,但是每一个硅谷成功的公司都有非常独特的、自己的文化。  那么在Airbnb,这是看得最清楚的,因为他不是一个伟大的技术公司。创始人也不是枭雄、商业的这种天才。当然他商业是不错的,他就是一个很执着的人,坚持做一件事情,然后他公司的使命和文化非常清楚:我们要做一个好主人。  其实我们经常在大公司里听到类似的口号,有点说教性的公司文化理念,比如诚信、重视用户和用户第一等等,但员工心里觉得就是说说而已嘛。  真正身体力行、言传身教的是什么样的呢?我们去Airbnb后发现,这个公司真的在实践他的文化,一下子让我们感觉好像真的回到家了。他们对我们这些来访者非常好,安排参观,并且每十个人就会安排一个导游,值得一提的是这些导游都是Airbnb长期的员工,会介绍Airbnb相关的各种各样的故事。  有趣的是Airbnb会把他们平台上一些很好的家庭,还原式实现在他们的办公室里,比如某个会议室,他们会告诉你这是波多黎各谁谁谁的家,欢迎你去住。所以他们其实也在不断地为屋主做广告,可以看出他们的文化真的很成功,屋主和员工都特别想做一个好客的主人,我觉得Airbnb的成功其实是基于这个心态。  之前有很多人说Airbnb上拍的照片特别漂亮,是因为这个才成功的。其实真正的是Airbnb上的每一个人都想如何成为一个好主人——我要把家整理得最美,做得有特色,让别人能够留下好的评语,因此我要拍很美的照片,再经过Airbnb平台来传播。所以屋主的整个传播流程上传、审批、留言、上诉和批评等,都在围绕一个核心:宾至如归。通过去Airbnb拜访,受到这样的欢迎,印象还是蛮深的,也值得中国的创业者思考借鉴。  4、对中国经济的看法  此次硅谷之行中,李开复还就中国经济的话题,在美接受了彭博的采访,采访实录如下:  Betty Liu:你在中国,你的企业也扎根在中国,对于中国经济放缓的担心是否过度了呢?  李开复:的确是有些放缓,毕竟整体经济都有些放缓。但其实中国经济类型包含两种类型,一个是传统型经济,另一个是创新型经济,指的就是科技型经济,线上对线下,电子商务和社交网络,消费者服务型经济。中国的创新型经济增长非常可观,当前问题的症结在于,科技行业的崛起是否足够抵消传统行业的衰弱。科技企业增长巨大,但整体规模依然偏小。我认为如果整体经济下滑能减缓的话,就有足够的时间来抵消这种衰弱。但我不是经济学家,我并不能预测经济。  Betty Liu:是的,科技行业在中国相对类似制造业的传统行业还算是新兴行业。那么问题来了,当人们看到部分科技公司的股价时,他们会质疑这种增长是否会超出公司的掌控,关于这个问题你怎么认为?  李开复:当然不会,大部分都在掌控之中,我认为像腾讯和阿里巴巴这样的公司是十分强大的,但强大的也只是少数。当你成为科技行业的领头羊是一件很伟大的事情,你能够以此为基础,在这一行业和毗邻行业中,创造巨大的利润,正如我们从谷歌成立母公司Alphabet看到的那样,我相信未来会有中国的公司走这条路。就那些大公司来说,我对他们很有信心,他们的财务数据十分庞大,比如阿里巴巴在双十一当天的交易就超过140亿美元,在刚刚过去的农历新年,腾讯产品的微信和QQ共计发放了120亿的红包,中国农历新年人们互相发钱作为节日礼物。当你拥有一个如此庞大的市场,这些数字都是难以置信的,中国差不多有七亿五千万人使用智能手机,其中超过半数可以进行免费的线上支付。在中国没有信用卡或是PayPal的服务费,所有转账都是免费的,这就能够驱动更多的线上商业机会。  Betty Liu:但是开复,许多关注者会认为,虽然这是一个很大的,极富潜力的市场,但是这些中国科技公司能够成长到如此庞大,也是因为中国政府会保护他们的市场份额,像Facebook和Google这样,因为审查制度不能或者选择不进入中国市场的公司怎么办呢?  李开复:美国公司互相之间也有区别,比如苹果,或是微软在一定程度上做得很好,其他的公司就有点艰难了,未来不可预知,我认为更大的问题是,美国公司是否能够适应中国的文化,环境和需求。比如说我刚才谈到的红包,如果一家外国公司不理解这一概念,就不能利用其盈利,毕竟这是中国经济中的一件大事,美国公司要想在中国成功,就必须改造自己,而不是将美国商品直接搬到中国。  Betty Liu:我认为在中国销售产品的美国公司都做得很好,比如说耐克,但是在服务端照顾消费者就麻烦了,知识产权和审查制度阻碍了外国公司,你认为中国的这一制度会改变吗?  李开复:这很难下定论,就人口数量和消费者水平来看,世界上只有两个大国,美国和中国,中国公司在海外市场成功的例子少之又少,美国公司也一样,我认为这主要是文化交流和授权的问题。至少目前我不认为美国公司能在中国发展很好,当然其中也有你提到的其他因素。
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