讲师介绍

首先是AI底座，为兼容AI各种各样的硬件，我们基于kubernetes构建基于容器的云平台，将AI与云计算结合，以云服务的形式提供AI的能力。集成主流深度学习与机器学习框架，包括Tensorflow、Pytorch、Mxnet、PaddlePaddle、Spark、Horovod等框架，支持业务各种各样数据分析和挖掘需求，并且能快速兼容其他新型的算法框架。在资源上，通过容器化进行资源隔离与资源限制，基于镜像发布，支持弹性计算、秒级动态扩容、HA、多租户等能力。在存储上，通过ceph来支持对象、块存储，支持海量非结构化数据训练，并且集成大数据核心计算引擎spark、flink等服务。

在AI数据上，将AI数据进行分类，归为三类：样本中心、向量中心、特征中心。样本中心主要管理非结构化数据，将全公司的非结构化数据特征沉淀和治理；特征中心将大数据平台的数据进行特征化，通过特征分析，特征筛选，特征洞察，加快算法工程师在特征工程上的效率；向量中心提供一个向量模型管理的平台，支持将结构化数据和非结构化数据进行向量化，支持向量模型全流程的定义，提供向量召回和排序的能力。

在AI平台上，首先是智能标注，为文本、图片、音视频提供一个一站式标注平台。在建模平台上，为不同的用户提供不同的建模平台，对于算法工程师，提供一个Notebook建模方式，与大数据平台权限进行打通，快速获取数据，进行算法建模；对于数据分析师，提供可视化的建模平台，将特征工程，算法建模，模型评估和模型输出都抽象成算子，将不同算力进行拖拉拽，形成工程流，完成建模过程；并且引入H2O进行自动化建模，让数据科学家和数据工程师进行快速机器学习和深度学习，支持自动化建模和自动化参数调优；面向业务人员，提供一个场景化建模的方式，业务定义业务数据，通过标准化的算法流程为业务提供结果，比如人群画像或者人群扩散等业务场景相关的建模。

这四大类型的建模平台都会输出到模型中心，进行模型全生命周期管理，在金融行业，对于模型的风险管理比较严谨，特别是风控场景，非常容易带来资损。所以我们所有上线的模型都需要在模型中心进行管理，通过模型验证、性能测试、安全测试、模型监控等进行全方位评估之后，将模型上线到推理服务平台上。推理服务平台是基于Kubernetes构建的AI推理服务云原生应用管理平台，帮助用户快速上线AI服务，提高AI计算资源的利用效率，实现AI产业的快速落地。

在AI服务层，通过AI服务编排能力，快速支持业务需求交付。将AI原子应用进行统一管理，可以进行快速编排，生成适用业务需求的AI能力，并且可以进行A\B测试和服务监控，可以将AI服务进行快速组装，支持AI中台应用进行快速孵化。

在AI应用层，金融AI应用场景非常广，主要包括CV中台、NLP中台、机器人中台、推荐中台、搜索中台。这里包含的业务场景非常多，每个都可以进行深度扩展，在每个领域我们也进行深度的突破，寻找一条适应银行业务的中台能力，支持银行业务第二曲线增长。未来，对于金融科技，核心竞争能力是以客户为中心，为客户提供一站式有温度的金融服务，这不仅仅是客户来门店或者登陆APP能享受到该有的金融服务，而是全方位的为客户考虑，在客户每个生命旅程上都能为客户提供独到的有温度的金融服务，主动站在客户角度，为客户提供最高综合价值的金融服务。

最近，元宇宙成为最火的专业名词，元宇宙能成功的前提就是金融科技服务，这与“五位一体”的战略不谋而合。在“五位一体”的战略方针下，与客户进行超连接必将成为商业银行开展业务的必须项，以客户为中心，对客户进行全渠道超连接触达，这些都需要AI中台能力进行承接，相信AI必将使金融业务走向第二增长曲线。