联系我们
返回上一页
汪伟

汪伟

平安科技知识图谱技术团队副总工程师。目前主要负责知识图谱技术在金融、司法等领域创新产品孵化和AI 赋能工作。2016 年推出企业知识图谱产品- 欧拉图谱，2018 年推出债券分析和财务粉饰产品。产品获国家发改委专项资金支持，同时获IDC、TopDigital 等专业机构创新奖认可。
其他成果
 

2020，汪伟：知识图谱的原理、特性与金融业应用实践，未央研究，2020-04-20

2020，汪伟：知识图谱在商业地产管理中的应用案例，房天下产业网，2020-03-17

2019，平安科技AI智能识别财务“粉饰”有望成为作假企业的克星，央广网，2019-05-15

交流成果
其他成果
 

2020，汪伟：知识图谱的原理、特性与金融业应用实践，未央研究，2020-04-20

2020，汪伟：知识图谱在商业地产管理中的应用案例，房天下产业网，2020-03-17

2019，平安科技AI智能识别财务“粉饰”有望成为作假企业的克星，央广网，2019-05-15

交流成果

一、平安在宏观及行业AI分析方面的探索和实践

（一）宏观、产业分析与AI

      对企业而言，为什么要分析宏观和产业？从近年来电商企业间的竞争和行业风口来看，对于企业最重要的是发现机会，发现风险，发现风口，总结来说，见微知著，寻找时间提前量。这是我们做宏观和产业的出发点。

      基于以上三个出发点，在AI方面，我们的工作可以归纳为三部曲。第一步，识别。分析宏观和产业本质上都是在信息的海洋中识别和发现那些关键的、高能量的碎片化信息，能够给用户一些启发。第二步，关联。将识别出的高能量信息点与外部环境相关联。在关联的过程中，用户可以站在上帝视角，发现更多规律和启发。第三步，转化。在关联好的数据中加持更加场景化的技术，让数据变得更有价值。这三步可以总结为大海捞针、穿针引线和点石成金。

（二）探索与实践

      在宏观经济分析方面，首先是走势预测。除了与政府的合作，我们还对中国的主要地区的经济进行预测，包括深圳、上海、北京等城市和区域，基于这些预测，可以分析政府或市场上的一些经济主体可能会采取的行为措施。其次是态势纵览，通过比较一些先行指标，衡量行业的景气程度，影响投资板块的部署、资金分配、资产组合的配置。第三是归因分析，对多个维度、指标进行监测分析，显示出全国GDP景气指数，并且可以直观地看出GDP变化背后的因素和逻辑。

      在行业分析方面，主要针对产业结构、壁垒或痛点、关键技术、产业特征和商业模式这五个关键节点分门别类地捕捉市场中的信号，用机器获取更多碎片化信息，并且将它们关联起来，与人工报告形成互补，并且部分解决了人工撰写报告的周期问题。

      在政策分析方面，共有四个步骤，政策汇聚、政策结构化解析、政策关联、政策推演，即模拟和仿真。将全国各大城市、辖区的政策、热点收集起来，每天更新，并且自动解析，做成可视化的图形呈现。此外，还可以分析政策的发展脉络和演变趋势。在政策出台前，分析是否会与现有的政策出现冲突，寻找政策缺失和漏洞。帮助企业预测政策出台的时间、出台后的影响，并且将政策与产业链上的各环节关联，为提前布局投资板块提供帮助。

      来源：2020（第十六届）中国金融风险经理年度总论坛系列12：科技在金融业务中应用——汪伟《平安在宏观及行业 AI 分析方面的探索和实践》

 

二、关于知识图谱的原理与特性

（一）当前AI技术关于认知的逻辑框架与局限

       1、学习模式差异 

       第一个是学习模式的差异。学习模式主要有两种，一种叫外延式学习，另一种叫内涵式学习。现在所有的机器学习、数据挖掘和人工智能，都是基于外延式学习的。其优点是只需要告诉它事物明显的特征即可，不触及本质的内在结构，方便学习，成本很低。比如我们教小朋友认识事物，指着告诉他这是桌子，这是椅子就能懂了。但这种学习模式也有缺陷，就是在推广的时候有一些特殊情形，可能容易看错。内涵式学习，比如关于人的定义，古希腊说人是一种理性的动物，后来马克思说人是一切社会关系的总和。像这样的描述，的确触及到了事物的本质，但它不好的地方就是你把这个东西告诉计算机，它却没办法计算、没法工作。内涵式学习有一个很好的地方，就是定义清楚之后，它的泛化或者说推广能力非常强，这样的话只需要学很少的样本，它就可以推广出去。

       2、推理模式差异

       第二个是推理模式的差异。推理也有两种方式，一种是演绎推理，一种是归纳推理。演绎推理就是所谓的三段式推理。一个经典例子：人是要死的，苏格拉底是人，所以苏格拉底一定会死。注意一下最后的推理结论，它一定是一个确凿的，而不是概率性的结论。而归纳推理，比如说男生的头发通常是短的，张三的头发也很短，张三很可能是男生。最后的结论是一种程度的描述——很可能是男生，这个概率可能是70%，也可能是80%。但如果这个时候加一些描述，比如说张三穿了一件红色的衣服，戴了一副耳环，最后的结论就会发生变化，这是归纳推理所特有的性质。前面说的机器学习、人工智能和数据挖掘运用的都是归纳推理。在风险测量或者定价的时候，增加因子数量的多少，输入信息的变化会影响最终判断结果。

（二）知识图谱技术的原理、特性

       1、关联-从数据表到数据链

       知识图谱有一个很重要的特性，就是关联。在现实工作生活中，无论做企业分析还是个人分析，都会涉及到数据表。比如去办事，会被询问身份证、手机号、姓名、年龄、生日等信息，这些信息是拿来做关联的。但这种关联本身有局限性，比如很多东西关联不上，或者说关联没那么紧密。这种情况下该怎么办呢？我认为随着5G的发展，我们将从“主键关联”迈向“万物互联”，即物与物、设备与设备之间的关联，进而演进为“万数互联”的形态。

       为什么说万数互联是一种趋势，或者说万数互联有怎样的意义？一方面，关联面变大。举个例子，我们经常在新闻里听到面粉会发生粉尘爆炸，很少听到小麦会燃烧爆炸。这是由于小麦磨成面粉之后，它的表面积变化了，这个比表面积变化的量级是百倍级的，麦粒表面接触到的氧原子（在它磨成面粉之后）的接触面积变大了，导致物质的性质发生了质变——变得易燃易爆。另一方面，关联力度变细。比如说一家公司和另一家公司可能不会发生关联，但是公司和事件可以关联吗？事件和事件可以关联吗？这种关联在现有的表关联的结构体系中是很少出现的，但在知识图谱里他们可以被关联起来。

       2、推理-从大数定理到逻辑完备性链条

       我们现在的技术，所有的统计分析，基本上都是从大数定理或者中心极限定理来的。但这两个定理有一个前提条件，样本量要足够大。在做信贷审核的时候，分析个人信用都不成问题，因为个人信息很多。但是做企业信用评级就很麻烦，不同行业的差异性很大，要在里面找一些违约样本或者破产样本很难。这里我提出了一个数学公理和天文学原理。什么意思呢？天文学有一个非常重要的特征就是用极少的信息，来还原宇宙完整的真相。第二个特征就是天文学只是一次性的发生，比如说宇宙大爆炸就发生一次，它没办法反复做实验。如果只发生一次，也就是说有些样本只有一个，需要解决在这种情况下如何分析的问题——这就是天文学特有的分析方法论——模型嵌套思想。

       3、从相关性到因果性强AI发展路径

       现在所有的机器学习分析，数据挖掘也好，深度学习也好，其实都是基于相关性的角度去做工作，很少去讲为什么会这样？它的因果性是怎么样的？知识图谱或许能够回答这样的问题。

       在因果分析里其实有三个东西，第一是相关性，比如说太阳升起和公鸡打鸣经常伴随发生的；第二个是干预，如果鸡多叫两声太阳是不是升得更快，或者是太阳升得更大？干预一个因素，导致另外一个因素有没有相关的变化？第三个是反事实推理，假设这个鸡不叫了，太阳是不是就不升起了？这是一个现实当中不会发生的想象事件，但是它存在一个逻辑。因果性的存在有很重要的原因，因为因果性非常符合人类大脑的工作框架，人很容易或者很习惯地去问为什么。

来源：2020，汪伟：知识图谱的原理、特性与金融业应用实践，未央研究，2020-04-20