本刊訊 人類對人工智能的想象和探索，從未止步。
隨著數(shù)據(jù)、算法、算力能力提升，人工智能的應(yīng)用場景深入到生活的方方面面。我們在搜索引擎上輸入關(guān)鍵詞后，網(wǎng)頁會自動匹配相關(guān)搜索內(nèi)容；短視頻App能根據(jù)我們的瀏覽習(xí)慣，推送相似的博主和場景；對著智能手機等移動終端喊話，便能調(diào)用相關(guān)功能，實現(xiàn)人機交互。
以人工智能為代表的數(shù)字化產(chǎn)業(yè)快速向前推進，產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型也成為不可逆的趨勢，各行各業(yè)都在尋求與自身商業(yè)模式相匹配的AI大腦。AI決策能力，正是AI大腦的內(nèi)核，它決定了AI解決方案的效率和可執(zhí)行性。
AI決策由模型性能決定，而模型性能的好壞，離不開人工智能三駕馬車的拉動——數(shù)據(jù)、算法、算力。其中，數(shù)據(jù)在模型搭建過程中起基礎(chǔ)性作用，一個模型的優(yōu)劣，百分之八十取決于數(shù)據(jù)和樣本的維度，正如巧婦難為無米之炊。
因此，數(shù)據(jù)提升對于模型優(yōu)化有著基礎(chǔ)性、全局性的作用，而數(shù)據(jù)與模型也是AI系統(tǒng)的重要組成部分。目前，AI模型開發(fā)及應(yīng)用難點，主要在于數(shù)據(jù)應(yīng)用和算法創(chuàng)新上，其中，后者更多體現(xiàn)的是建模方法的適當性。
數(shù)據(jù)應(yīng)用維度不足。從AI決策的模型發(fā)展現(xiàn)狀來看，當前很多模型僅僅是基于二維的數(shù)據(jù)組織形式來構(gòu)建，沒有考慮到數(shù)據(jù)在完整周期中的時間節(jié)點變化。最終容易導(dǎo)致模型的辨識度、準確度、穩(wěn)定性失衡，AI決策效果大打折扣。
例如，在視頻推薦和電商推薦場景中，如果模型僅是在用戶賬戶、行為屬性、社交記錄、交易結(jié)果等標準數(shù)據(jù)集上構(gòu)建和優(yōu)化，沒有納入用戶在決策過程中的重要時間節(jié)點下的行為表現(xiàn)，可能就會使模型效果過于擬合，不能夠精準地預(yù)判用戶喜好以及交易風險控制。
一般來講，二維數(shù)據(jù)的維度主要表現(xiàn)為樣本維度和特征維度。樣本維度常常為用戶ID信息或者是訂單編號，特征維度則為用戶人口屬性、行為屬性、外部資信等信息。二維數(shù)據(jù)模式下，用戶在每個時間點只對應(yīng)一條變量。
回到實際業(yè)務(wù)場景，用戶在不同的時間節(jié)點會呈現(xiàn)不同的行為表現(xiàn)，盡管這些表現(xiàn)強度存在差異化，但最終會反饋到行為特征上。如果把不同時間節(jié)點的用戶特征行為差異，盡可能納入建模過程，那么原有的一對一二維數(shù)據(jù)就延展至一對多的時間序列形式，也就是說把數(shù)據(jù)應(yīng)用升維到樣本維度、時間維度、特征維度的三維數(shù)據(jù)組織形式。
三維數(shù)據(jù)不僅能降低數(shù)據(jù)集特征不足的影響，而且能最大程度挖掘數(shù)據(jù)價值，增加特征數(shù)量，提升模型準確性。尤其是在業(yè)務(wù)數(shù)據(jù)獲取時，外部資信等數(shù)據(jù)往往會遇到接入不確定因素，而內(nèi)部數(shù)據(jù)數(shù)量和類型有限，并且利用程度趨于飽和。
但對于模型開發(fā)而言，更高的精準度和辨識度，要求引入更多維度的數(shù)據(jù)，挖掘數(shù)據(jù)規(guī)律，生成更多衍生變量。一旦無法從數(shù)量維度獲取更多變量，那么只能從質(zhì)量角度下功夫，向深度挖掘變量內(nèi)部信息，其中一對多的時間序列角度的升維就是深挖數(shù)據(jù)信息的方法之一。
其實，數(shù)據(jù)升維可用于AI模型優(yōu)化的場景非常多，例如在股票、基金的智能投顧業(yè)務(wù)中，AI模型的數(shù)據(jù)應(yīng)用加入時間維度，與樣本維度和個股、個基一起構(gòu)成三維樣本，便能把節(jié)點變量考慮在內(nèi)，更加精準預(yù)判未來走勢。
要想通過高維時序數(shù)據(jù)實現(xiàn)模型優(yōu)化，僅停留在數(shù)據(jù)層面遠遠不夠，還需對算法提升。決定模型好壞的剩下20%，正是建模方法的選擇，而與高維時序數(shù)據(jù)處理相匹配的算法通常為基于神經(jīng)網(wǎng)絡(luò)算法的深度學(xué)習(xí)。
以薩摩耶云為例，薩摩耶云基于深度學(xué)習(xí)框架，探索數(shù)據(jù)升維用于模型性能的提升，研發(fā)出適用于多行業(yè)和場景的AI解決方案，滿足企業(yè)高效智能決策的需求。同時，這些端到端的云原生科技解決方案，以SaaS+aPaaS形式提供交付，通過雙方系統(tǒng)對接實現(xiàn)信息實時交互，能為合作伙伴輸出基于云的智能決策服務(wù)。
在薩摩耶云首席科學(xué)家王明明看來，更高維度的時序數(shù)據(jù)建模意味著對現(xiàn)有的業(yè)務(wù)數(shù)據(jù)的重新理解、更多的數(shù)據(jù)信息、更復(fù)雜的數(shù)據(jù)組織方式、更高的機器性能要求、存儲要求以及模型上線要求。以高維時序數(shù)據(jù)為基礎(chǔ)，施以神經(jīng)網(wǎng)絡(luò)來訓(xùn)練，加工多維變量特征，最終建立并優(yōu)化模型的AI決策能力。
具體來看，作為機器學(xué)習(xí)的重要分支，神經(jīng)網(wǎng)絡(luò)是從數(shù)據(jù)中學(xué)習(xí)表示的一種新的方法，強調(diào)從連續(xù)地層中進行學(xué)習(xí)。在神經(jīng)網(wǎng)絡(luò)算法驅(qū)動下，模型可在同一時間共同學(xué)習(xí)所有表示層，可能包含數(shù)十個甚至上百個連續(xù)層，而其他機器學(xué)習(xí)方法往往僅僅學(xué)習(xí)一兩層的數(shù)據(jù)表示。
神經(jīng)網(wǎng)絡(luò)在高維時序數(shù)據(jù)學(xué)習(xí)中，一方面通過漸進的、逐層式的方式形成越來越復(fù)雜的表示；另一方面，對漸進的表示共同進行學(xué)習(xí)，每一層的變化都需要同時考慮上下兩層的需要。這意味著，循環(huán)神經(jīng)網(wǎng)絡(luò)引入狀態(tài)變量時，能保存每個時刻的信息，并且與當前的輸入共同決定此刻的輸出。
從薩摩耶云的AI決策實踐來看，薩摩耶云在模型搭建過程中，不僅考慮了以往的樣本維度和特征維度，還把各時間節(jié)點的用戶特征差異納入考量，通過三維數(shù)據(jù)加工完善數(shù)據(jù)特征。在此基礎(chǔ)上，薩摩耶云利用神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)，建立和訓(xùn)練模型，實現(xiàn)比常規(guī)模型更為高效的模型效果。
這對于提升模型的預(yù)判能力和精準度至關(guān)重要。就像閱讀一段新聞，如果僅僅從每一個字、每一個詞組來理解，很容易斷章取義，無法真正明白新聞所指。但把新聞構(gòu)成中的字詞句連貫起來，并置于各個背景節(jié)點中，就可以理解新聞的準確意思。
當薩摩耶云把基于神經(jīng)網(wǎng)絡(luò)等技術(shù)的AI模型，應(yīng)用于實際業(yè)務(wù)場景之中，能進一步放大數(shù)據(jù)價值，幫助企業(yè)增強預(yù)測分析能力，提升精準營銷、銷售管理、供應(yīng)鏈協(xié)作、結(jié)果預(yù)測、風險控制的效率，進而實現(xiàn)從經(jīng)驗決策到智能決策，達到降本增效的效果。
實驗數(shù)據(jù)也表明，用神經(jīng)網(wǎng)絡(luò)的時間序列來做變量衍生，可以產(chǎn)生較為顯著的變量增益效果，衍生變量可以直接用于其他傳統(tǒng)方式的建模環(huán)節(jié)，同時也可擴充內(nèi)部的衍生變量空間。當原始特征的區(qū)分能力得到提升，模型的區(qū)分效果也得到增強，最終強化AI模型性能。
作為領(lǐng)先的獨立云服務(wù)科技解決方案供應(yīng)商，薩摩耶云立足場景需求，深耕AI決策智能賽道，不斷升級大數(shù)據(jù)、算法、模型策略和產(chǎn)品設(shè)計，為數(shù)字經(jīng)濟和企業(yè)數(shù)字化轉(zhuǎn)型提供技術(shù)支撐。在此過程中，薩摩耶云不僅強化了自身核心自主競爭力，而且著眼數(shù)字中國全景，源源不斷釋放科技賦能的價值。（山河）
