Wang Xi: 大数据人工智能中的运筹学与决策科学

　　应用场景可分为收入管理，风险管理，供应链管理和算法引擎四个领域

　　收入管理，要解决的问题是如何在不增加流量投资的情况下大幅增加公司的销售收入. 为了解决这个问题，有必要从多个维度采集数据，并找到最佳定价和最佳销售策略.

　　风险管理，为金融及相关行业的客户提供完整的风险管理服务，提供从精确营销，信用调查，高风险交易识别到不良资产处置的全过程服务.

　　供应链管理为供应链中的各个环节（包括订单，库存，货运和分销）提供了优化的解决方案. 在提高响应速度和供应链灵活性的同时，它可以帮助公司控制成本.

　　算法引擎，许多理论都有广泛的应用场景. 实际上，该理论本身也可以带来巨大的价值，因为它可以提供用于复杂数据分析的平台并集成高效的优化算法，用于复杂数据分析提供基本的算法和软件支持，尤其是优化算法求解器的开发，可以大大改善机器学习和深度学习的效率.

　　由于我们看到了如此广泛的需求和应用，因此我们决定返回中国建立Shanshu Technology. 以上四个方面是我们的核心服务领域.

　　以一个例子来讨论运筹学和决策科学在金融风险管理中的应用

　　使用刚才提到的四个方面，首先是精确定位营销，确定真正满足金融产品特征的高质量用户，并在系统级别实施第一级风险控制.

　　第二个是信用调查，它通过观察和描述现有用户的支付行为来评估潜在用户的信用风险，最后给出信用调查决策.

　　第三个是教育管理或反欺诈，它使用数据来识别高风险交易和欺诈行为以最大程度地减少损失.

　　最后，在违反合同的情况下，为了最大程度地减少损失，这是处理不良资产的问题. 为了解决这四个问题并打开整个风险管理链，使用的方法实际上非常相似.

　　第一层是数据采集和管理，它需要描述和观察非常多维的数据. 其次，使用机器学习或相对复杂的预测方法来描述和预测数据. 第三，选择一个多层次的榜样. 最后，当我们拥有决策模型时，我们可以使用优化算法来帮助我们找到最佳结果. 因此，该方法论适用于整个风险管理链中的四个主题.

　　摘要

　　1. 运筹学和决策科学是大数据人工智能的核心概念. 对于大数据，不能忽视大数据分析支持的决策. 在人工智能方面，人们不能忽略其所需的模型和算法.

　　2. 当有了运筹学和决策科学的工具时，我们可以将实际问题抽象为可量化的决策问题并给出最佳决策.

　　3. 当我们讨论机器学习和深度学习等人工智能方法时，运筹学和决策科学也为机器学习提供了模型思维和算法保证.

　　教他钓鱼

　　运筹学和决策科学学科的学习建议:

　　1. 使用决策方法思考问题

　　当您面对信息量巨大且时间紧迫的问题时，您可能会感到无助，也不知道该怎么办. 但是您可以从决策的高度思考，现在可以做什么和不能做什么，主要的确定性是什么，哪些可以相对量化，没有用，并且是值得关注的核心价值. 尝试做出这样的战略决策和思考. 就像您脑海中的操作系统一样. 当您遇到更复杂的决策问题时，您可以采用一种新的思维方式.

　　2，掌握一些方法

　　实际上有许多种方法. 如果您是具有数学背景的学生，则可以关注一些定量数学方法，无论是基础运筹学，描述确定性的概率论，还是金融背景的学生了解所有金融应用场景，实际上，您都可以尝试培训从该方法.

　　3. 注意特定的应用场景

　　掌握太多理论. 如果没有合适的应用场景，或者使用理论覆盖了应用程序中的实际问题，则该问题将无法解决. 在很大程度上可以帮助我们的第一种方法是考虑您的决策方式. 我还建议您与感兴趣的行业的人进行更多的交流，因为他们面对该行业的独特场景和独特维度，并与他们进行更多的交流，因此他们有解决问题的思维方式和一些非常定量如果方法非常清晰，在这种清晰的应用场景中，他绝对可以帮助他解决核心决策问题.

　　粉丝问问题

　　1. 人工智能行业中是否存在泡沫成分？有纯人工智能的商业模式吗？

　　王曦: 这实际上是一个大话题. 气泡意味着只有概念，没有着陆，只有想法，没有具体的实际计划. 因此，从这个角度来看，会有气泡.

　　回顾历史，我认为在新兴技术诞生的任何阶段，人们都会进行这样的讨论，因为从时间的角度来看，当一个新概念问世时，该概念通常会领先于技术.

　　我参加了一个讨论. 主题是人工智能已渗透到我们生活的方方面面. 未来会不会有很多人类工作被人工智能取代？实际上，这是关于气泡的非常典型的讨论. 实际上，我对此并不担心. 一方面，当新技术出现时，我已经讨论并担心了很多次. 例如，在20世纪初，当福特汽车公司开始投资于标准化和简化的T型汽车生产时，整个装配线上约三分之二的工人被替换了. 但是，如果我们注意这种新技术的发展，从替代劳动力产生的就业机会来看，另一个更大的产业实际上是一个更大的产业.

　　从另一个角度来看，关于纯人工智能是否是​​一种商业模型这一问题，我的观点是，我将更加关注它所产生的价值. 任何能够创造价值的新技术都可以找到合适的商业模式. 货币化始终是第二种问题. 第一种类型的问题首先是这种功能，无论是娱乐，服务还是实际的产品形式，重点都是它可以产生什么样的价值. 只要具有价值，我相信它将拥有自己的商业模式.

　　2. 中美运筹学与决策科学的学科和应用之间的主要区别是什么？

　　王曦: 据我观察，差异很大.

　　由于运筹学和决策科学在美国首先发展和成熟，因此该学科的应用和成熟度远远高于中国. 一些成熟的大公司，例如亚马逊规模的大公司，可能拥有150至200个全职的研发和供应链团队，其中80％至90％是博*敏*感*词*. 在中国，无论是小公司还是大公司都不能拥有这样的团队配置.

　　从另一个角度来看，我们回到中国创业后，我们与各种国内企业进行了交流和讨论. 我们发现，由于这项技术或其理论非常成熟，应用范围非常广，当我们与公司沟通时，我们会发现公司将很快意识到我们可以带来的价值，所以这一点使我非常乐观.

　　另一方面，大数据的概念在过去几年中被大肆宣传，因此各种类型和行业的公司将或多或少地积累数据. 当这些数据积累到临界点时，每个人都在乎如何制定一些数据驱动型决策以及如何做出更好的优化操作. 这是我们看到运筹学优化和决策科学可以在中国广泛使用的另一个机会.

　　总而言之，如果您看一下现状，美国在运筹学和决策科学的认识，接受和应用方面已经成熟很多，但是中国仍有很大的增长空间

　　3. AI +金融的最大困难是什么？

　　王曦: 我记得李开复先生曾经说过: “也许最容易应用的人工智能领域是金融，因为金融是一种纯粹的数字语言. ”

　　仅从数据的角度来看，我认为有两个困难或痛点.

　　首先，尽管金融业中的数据量非常大，但它通常面临着一个大而低维的问题. 例如，刚刚讨论了大数据信用调查的问题. 金融机构可能已经观察到有关成功出借用户的付款习惯的*敏*感*词*数据. 尽管数据量非常大，但从维度的角度来看，我们观察到的所有数据都是一组客户的行为，这些客户被金融机构视作上级贷款并成功获得贷款. 我们认为他们的不还款可能性非常低. 对于那些拒绝发放贷款的人，我们没有观察到这些方面. 因此，当数据面临大量小尺寸问题时，采用什么方法和更新的数据尺寸来解决这个问题，我认为这是一个难点.

　　第二，许多所谓的数据分析可能会止于数据描述和数据预测. 数据的描述和预测具有巨大的价值，但是，如果我们真的想使用这种复杂或高端的数据分析方法来最终支持金融技术决策，那么我们不应该只停留在数据的描述和预测方面. 有时人们认为预测必须非常准确才能解决此问题，但是如果我们关注该预测所支持的决策，则会发现该决策对预测精度的敏感性不如想象中的高，并且有时必需数据的维度不能仅通过数据描述和数据预测来解决. 因此，我建议您将重点更多放在决策方面，而不仅仅是数据描述和数据预测.