歡迎來到114ic交易網!登錄免費注冊 加為收藏
型號索引電子元器件現貨庫存IC熱賣
緊急采購日常采購采購商名錄
行業新聞經營管理電子展會人才招聘精選文摘企業新聞行業標準LED新聞
IC生產廠商電子縮略語封裝大全IC替換晶體管資料PDF資料電路圖

微軟亞洲研究院「創新匯」:為數字化轉型注入AI動能

日期:2019/6/12 11:10:36
摘要:談到 AI,企業常常問得最多的問題是:「人工智能能幫我們做什么?可以怎么做?」盡管大家都知道 AI 的重要性,但做好與行業的完美融合卻并不容易。

關鍵詞:AI動能

2019 年 6 月 5 日,微軟亞洲研究院「創新匯」第二期在北京舉行。伴隨著云計算、大數據、物聯網、人工智能、混合現實等新興技術的發展與突破,第四次工業革命已然到來。而正是在這樣的大環境下,微軟亞洲研究院「創新匯」應運而生,并且將其技術很好的與金融、物流、制造等不同行業產品相結合,成功幫助眾多企業實現了數字化轉型。

談到 AI,企業常常問得最多的問題是:「人工智能能幫我們做什么?可以怎么做?」盡管大家都知道 AI 的重要性,但做好與行業的完美融合卻并不容易。其最根本的原因在于:行業專家對技術的掌握有限,而 AI 科學家很難深入行業一線。所以,如何使雙方專家的深度融合,實現企業數字化轉型的落地與創新,這正是微軟亞洲研究院「創新匯」成立的意義。

微軟亞洲研究院「創新匯」自 2017 年 11 月成立以來,一直致力于為企業提供一個讓行業專家和人工智能科學家可以無縫協作的平臺及創新合作的機制。在整個合作過程中,充分實現了「開放、平等、信任」的研究合作模式:行業專家放心傳授行業洞察、分享真實業務數據,研究員則毫無保留地貢獻模型、算法以及調參技巧等。這使得人工智能的科研工作不只存在于理論和學術論文方面,更能真正解決各類實際問題,為人類創造更美好的生活。 微軟亞洲研究院「創新匯」:為數字化轉型注入 AI 動能

微軟全球資深副總裁、微軟亞太研發集團主席兼微軟亞洲研究院院長洪小文

隨著 IT 技術的快速發展,利用計算機技術從龐大的數據中計算出能帶來超額收益的多種「大概率」事件,以先進的數學模型替代人為的主觀判斷,并基于這些事件制定組合策略自動完成交易,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資效率,減少了投資者情緒波動的影響,不少金融企業都有所涉足。

在本次大會上,華夏基金和微軟亞洲研究院共同向我們展示了 AI 技術在資產管理業務領域的深入應用以及取得的優良成果。雙方通過大量的研究與測試,最終選擇了在量化投資——多因子選股這個領域展開合作。多因子選股是最經典的選股方法,由金融企業核心數據所驅動,包括市盈率、市凈率、市銷率等作為選股標準。

中證 500 指數增強策略回測階段年化收益和年化風險的對比

傳統的量化投資會從這些數據中挖掘α(Alpha)因子,然后對這些因子進行線性等方式加權,通過組合優化,最后形成一個多因子的優化組合;而「AI+指數增強」的方法則有機會挖掘出與傳統投資方法低相關性的投資組合,從而實現金融企業的差異化競爭。該策略主要涉及兩項核心 AI 技術:時空卷積神經網絡和時變注意力模型。

首先,利用時空卷積神經網絡挖掘原始的量價數據在時間序列維度和空間截面維度的模式,并利用這些模式組成有意義的因子;然后基于這些因子,同時將其放到神經網絡和梯度決策樹(GBDT)等若干個模型上運行,進而得到相應的復合因子;接著,利用時變注意力模型將所得到的多個復合因子進行動態聚合,最終生成一個更加適應市場變化的α信號,以找到總體性能最好的策略。

「AI+指數增強」方法一方面可以充分利用大規模的原始數據,從中自動構建對學習目標最有價值的因子;另一方面能夠實現因子的非線性復合,挖掘出更豐富的信息,而且可以動態調整變換因子聚合形式以適應市場的動態性。

微軟亞洲研究院副院長劉鐵巖表示,「金融市場中的數據是一直變化的,數據與模型就如同雞生蛋和蛋生雞的問題,無法確定誰先存在。而機器學習利用實時變化的最原始數據,可以實時發現變化的因子,及時抽取α信號更改組合模型,時刻確保投資公式是當前最佳,避免了人工計算公式的滯后性,以及不斷失效的問題。 微軟亞洲研究院「創新匯」:為數字化轉型注入 AI 動能

華夏基金董事總經理、數量投資部行政負責人張弘弢表示,「用『AI+指數增強』的機器學習模型去替代傳統的量化交易方法,讓華夏基金的量化交易系統實現了核心引擎的更新換代,正邁進了智能投資時代。」這也意味著 AI+金融投資有了深度融合的新起點。

目前,微軟亞洲研究院所與華夏基金合作研發的 AI 模型與華夏基金的投資策略十分契合,與其各「部件」也配合良好,無需改變現有業務和操作模式,就能利用 AI 在智投領域實現變革與企業轉型。

物流行業要解決的最根本問題是供給與需求的匹配,即把東西送達需要的人手里。結合 AI 將整個大物流行業的業務場景高度抽象,可以得到以下幾個最基本的應用場景:

供需預估。物流企業通常會在客戶下單前對站點訂單數進行預估,并對運輸工具、空箱數等做事先規劃。這些預估需結合時序數據、過往經驗完成;同時,當有意外情況發生,如道路擁堵、船只遭遇風暴等,還需要根據具體狀況進行動態調整。

供需評價。小部分物流需求存在遭受惡意需求的風險,如蓄意騙保。所以,異常檢測、事先預警,也是物流企業亟待解決的問題之一。

路徑優化。這作為物流行業的核心應用場景,對已知供給和需求,決定交通工具、路線,從而達到效率最高、成本最低等等,這些都是路徑規劃需要考慮的問題;同時,對于突發狀況、惡意風險,做出相應的解決方案等;都是非常實際且必要的應用需求。

而在過去的幾十年里,航運企業通常采用基于運籌學的組合優化方法來實現路徑規劃。這種方法不僅操作繁瑣;而且在實際應用中覆蓋面小,無法滿足大規模運輸需求。為了突破方法的局限性,微軟亞洲研究院在與東方海外航運的合作中探索出了一套全新的解決方法——競合多智能體強化學習技術(Coopetitive Multi-Agent Reinforcement Learning)。

將傳統的運籌學全局求解優化問題思想轉化為競合多智能體強化學習技術中的分而治之,即將每個港口和船只建模成智能體,對原來的復雜問題以去中心化的方式進行求解。而這些智能體的訓練既可以利用實際運營數據,也可通過自我博弈的方式來獲得提升。這樣的解決方案除了可以提高效率,其中每個智能體模型還可以針對港口的調度員進行模仿學習,生成更易于被調度員所接納的方案,進一步提升東方海外航運的運輸調度效率。

而對于智能理賠預警方面,則采用了「深度因子分解+基于精度的級聯」方案,即利用多次選擇交叉驗證集減少由于分布變化造成的影響。在固定召回率的前提下,新方案相較于傳統做法,能有效提升 60%_的準確率。此文章來自AI科技評論