品钛任命李惠科博士为首席执行官

作者:品钛 | 2020-08-03

北京,8月3日——领先的金融科技解决方案供应商品钛(Pintec Technology Holdings Limited, Nasdaq: PT)今日宣布任命李惠科博士为公司首席执行官兼董事,即日起生效。原首席执行官魏伟先生出于健康原因提出辞职,此前他已于2019年9月开始病休。同时董骏先生已辞去公司代理首席执行官一职。

李惠科博士是一位IT行业老兵、连续创业者,在前沿技术的构建和商业化领域拥有20多年的实战经验。李惠科博士在中国和澳大利亚曾担任多个高级行政职务,在研发、咨询、业务拓展和管理等领域积累了广泛的行业经验。李惠科博士曾创建了文思创新澳大利亚(VanceInfo Technologies Australia Inc.)并担任首席执行官。这是在澳大利亚本土建立的第一家中国IT服务公司。在他的带领下,公司业务迅速扩展至亚太地区。李惠科博士也是澳大利亚技术服务商InfraRisk的联合创始人,他在2019年InfraRisk被品钛收购后加入公司,先后担任品钛国际业务负责人、执行副总裁。李惠科博士拥有墨尔本大学计算机科学专业的博士学位,以及北京理工大学电气工程专业的硕士和学士学位。

附:

专访品钛李惠科博士:AI商用的研发与落地

编者按:本文系2020年7月品钛研究院对时任品钛执行副总裁的李惠科博士(现任品钛CEO)进行的专访。李惠科博士对于AI的商用化,科技研发与商业落地之间关系等问题陈述了自己的思考。以下为原文:

作者:品钛研究院 舒典

随着人工智能(AI)技术在各行各业应用,人们开始习惯于智能新闻推送、文本识别、刷脸支付、移动信贷等各类功能,越来越多场景也趋于智能化。科技公司在云计算、大数据等人工智能技术领域的投入俨然成为标配。

在AI时代来临之时,每家公司都有很多选择:是耗资庞大的机器学习队伍,来设计一个复杂的学习模型?还是借用市场上其他公司的既有成果,来赋能自身业务?是主攻AI顶尖技术的研发?还是专注于AI技术如何成熟落地?

品钛研究院专访了品钛执行副总裁李惠科(编者注:现为品钛CEO)。李惠科博士是一位科技金融行业的连续创业者和IT行业的资深人士,在尖端技术的构建和商业化方面拥有超过20年的经验。

与一线技术研发专家关注的不一样,李惠科博士更加务实更具有商业思维,他以企业家的角度将技术和商业合二为一,更专注于能落地到实际业务的AI技术。访谈中他以商业发展的角度,为大家带来他对AI商用的看法。

01 自建AI系统Vs“借东风”

品钛研究院:很多公司或深或浅的都在研发AI技术,但有的是稳扎稳打自建团队,有的只是借助外力。您怎么看待这两种战略?

李惠科:在AI时代来临之时,每家公司都有很多选择:是耗资庞大的机器学习队伍,来设计一个复杂的学习模型?还是借用市场上其他公司的既有成果,来赋能自身业务?是主攻AI顶尖技术的研发?还是专注于AI技术如何成熟落地?

到底怎么选择?我们讨论的是一个非常简单的问题,看起来是个战略问题,其实都是商业问题。不同公司会对投资收益预期的考量,也就是我们常说的ROI,如果它有足够的价值,而且也有足够的数据来支撑,他从商业角度就是值得的。如果说带来的经济效益不能匹配投入,就不会带来成功的商业化。但我们同时也必须意识到,科研机构在尖端技术上的前期探索和投入,是值得我们尊敬和支持的。

这两种模式是互相需要的。比如品钛在企业信贷(CVX)、大数据风控、智能投顾等金融领域有多年的研发和实战积累,我们有成熟的决策工具,还有自己的设计产品等等。只有外界使用品钛这样的第三方工具,品钛的商业模式才能继续下去。同样,别的公司也不需要自己大规模投入开发,不需要大资源的投入、不需要浪费试错的前提下,也能享受到这样的功能和效果。

所以我觉得是首先看你具体要解决什么样的场景和问题,哪种AI的方式能够带来什么好处,再去谈你投入是否值得去大规模投入研发。

02 精准 Vs 过度拟合

品钛研究院:金融是一个特殊的行业,随着大数据兴起,弱变量也用在了金融风控与预测走势中。这么多元化的数据必然会带来“过度拟合”的问题。如何掌握精准预测与过度拟合的度?

李惠科:噪声数据过多确实会直接影响结果,可能会遇到各种问题,这非常考验团队“金融+AI技术”两方面的功底。

首先,数据过多本身不是坏事,机器学习过程当中很重要的一个环节就是要进行噪音排除滤波。AI需要去除这种噪音数据,首先就需要有足够的数据。一般来说过拟的现象发生根源的可能有两种,一个是它数据样本规模太小;第二个就是模型参数太多太复杂。

因此,从这两方面出发解决的方法一个是增加数据样本规模。我们可以从数据源头获得更多的真实数据,也可以通过增加一些规则来扩充数据,进行数据增强。当然数据增强之后,我们刚才提到要有很好的数据清洗,把噪音数据去掉,可以引入交叉验证比如时序交叉验证等来降低过拟合的可能性。

另外一种做法就是减少模型参数。这就涉及更多细分的方法了,一般可以通过一种叫目标函数正则化的方法,降低函数的本身的复杂度。或者,我们也可以降低神经网络的深度,使得运算速度加快、使得模型更泛化,不要做得过于复杂。

一般通过这两类角度:数据的角度和模型的角度,可以解决过拟的现象。

03 技术黑盒 Vs 赋能客户

品钛研究院:AI、大数据、云计算等高科技技术就像黑盒一样很难描述,如何才能让客户接受一项他可能也不了解的技术?

李惠科:如何让客户了解并使用,是AI在应用当中的重要问题。品钛的商业模式是to B to C的,所以不论是B端客户还是C端客户,都需要能够理解AI技术具体是如何运用和奏效的。

一般我们的做法是:把 AI算法的黑盒增加透明度,做成灰盒,用可视化的简单指标解释技术和模型状态。

举一个例子,比如说我们在智能投顾的“AI智能调仓”里面就有基于AI的算法规则,我们在设计这个产品时,增加了一个直观的调仓指数——我们告诉客户,通过品钛的智能投顾的算法,基于ABCD等因素,进行调仓的可能性有多少个百分比,让客户感觉到这个产品当中AI正在工作、如何工作、基于什么在工作,而且让他感觉到算法是可控的,而不是天马行空的在后台根本不知道调什么。

我们发现把一个黑盒过渡到一个灰盒,增加了一些透明度,对客户接受这个产品非常有帮助。

同理,最不能做的,就是在沟通客户的过程当中神化AI。有些地方大家把它讲的越神,效果却是适得其反,客户如果不会使用,商业就是失败的。

从业经验让我越来越感觉到,技术人员要回归产品初心,做一个产品或者给客户提供一个服务,不是去追求算法的复杂、功能的炫酷——这样有的时候产品看似功能极致化,但体验会走歪。而是追求对业务产品的深度理解和突破,选择合适的解决方案,达到预期的效果。

我们以前设计产品的时候,IT的软件都是给技术人员用的。但近10年以来的所有的用户体验和产品设计的都是用户导向的,给普通人使用的。如果一个产品做的客户不会用,或者需要很复杂的培训才能够使用,就是产品没做好。同样,如果一个产品的AI运用恰到好处,简单还实用,甚至客户没有经过任何培训就可以使用,这才是一个好的产品。

04 技术研发 Vs 商业落地

品钛研究院:每一家公司都需要有自己强有力的商业壁垒。您认为对于一家科技金融公司来说,其最终的壁垒究竟是自己技术研发能力,还是商业落地的能力?哪种是您更加推崇的?

李惠科:自己研发、通过技术的成熟来取得突破是非常值得尊敬的,很多时候研究上的投入,短期可能打了水漂,但是长期来看,这是 AI进步的真正推动力,是AI的脊梁。但这条路往往都是任重道远的,一般技术的进步需要更长的周期,甚至有些时候还需要其背后的基础理论上的重大突破。

企业经营的思路当中会更强调业务场景和技术的实用性,这更现实,也同样很有意义。像品钛,即便我们自身花费大量经费进行技术研发,我们更强调自己是金融科技的实战派、拥有丰富的实战经验以及已有的实践成果。因为商业一定要落地,否则不能称之为商业。

技术研发需要商用,商业可以落地技术。我们不空谈一些技术和算法,我觉得更现实的改进方法是我们对业务场景的选择,对要解决的问题的选择,这个远比选择使用什么技术要重要。我们做这个业务选择要有充分的可行性论证,要有优秀的算法科学家,要有足够的数据来训练机器学习,还要有足够的时间去迭代、试错、反复验证和提高,一定不能急于求成。

传统的科研理论的进步主要依赖科研机构,现在市场上横向合作也越来越多了,技术公司也会在理论算法研究上投入很多,这些投入虽然都任重道远,但对推动AI革命性进步是意义深远的。