0
| 本文作者： 叢末 | 2019-07-20 12:33 |
雷鋒網(wǎng) AI 科技評(píng)論按：7 月 12 日-7 月 14 日，2019 第四屆全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR 2019）于深圳正式召開(kāi)。峰會(huì)由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦，深圳市人工智能與機(jī)器人研究院協(xié)辦，得到了深圳市政府的大力指導(dǎo)，是國(guó)內(nèi)人工智能和機(jī)器人學(xué)術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級(jí)交流博覽盛會(huì)，旨在打造國(guó)內(nèi)人工智能領(lǐng)域極具實(shí)力的跨界交流合作平臺(tái)。
7 月 12 日，加拿大工程院院士、Citadel 首席人工智能官、前微軟 AI 首席科學(xué)家、IEEE Fellow 鄧力教授為「人工智能前沿專(zhuān)場(chǎng)」帶來(lái)了《AI Models：From Speech and Language to Financial Markets》的大會(huì)報(bào)告。以下為鄧力教授所做的大會(huì)報(bào)告全文。
本次我演講的主題可能跟其他演講者不太一樣，但我相信其中還是有一些共性值得我們探討。因?yàn)槿斯ぶ悄芎w了很多領(lǐng)域，其中就包括剛才 Hackman 教授提到的重要主題，即人工智能和教育以及人工智能如何在教育領(lǐng)域?qū)崿F(xiàn)更多的應(yīng)用，我認(rèn)為這一類(lèi)的落地應(yīng)用絕對(duì)是人工智能領(lǐng)域未來(lái)發(fā)展的重點(diǎn)之一。
今天我要重點(diǎn)分享的內(nèi)容包括兩個(gè)部分：第一部分是人工智能語(yǔ)音語(yǔ)言領(lǐng)域的應(yīng)用，比如說(shuō)語(yǔ)音識(shí)別和語(yǔ)言處理；第二部分是過(guò)渡到人工智能在金融領(lǐng)域的一些前沿進(jìn)展和挑戰(zhàn)。
首先，我先介紹一下目前深度學(xué)習(xí)（即現(xiàn)代人工智能技術(shù)）在一些領(lǐng)域中現(xiàn)有的成功應(yīng)用。
近年來(lái)，深度學(xué)習(xí)的發(fā)展特別快，例如語(yǔ)音識(shí)別，自然語(yǔ)言處理、機(jī)器人、計(jì)算機(jī)視覺(jué)等領(lǐng)域取得了非常大的進(jìn)展。同時(shí)我也認(rèn)為，這些領(lǐng)域在接下來(lái)的幾年時(shí)間內(nèi)還將實(shí)現(xiàn)更大的發(fā)展。
另外，我認(rèn)為一些大家比較關(guān)注但是還沒(méi)有通過(guò)媒體上看到的取得特別大進(jìn)展的行業(yè)，如農(nóng)業(yè)、教育、金融以及零售等，也具有非常大的潛能。在這里，我會(huì)重點(diǎn)介紹人工智能在金融領(lǐng)域的可行性。
在此之前，我先問(wèn)大家一個(gè)問(wèn)題，大家覺(jué)得人工智能在推動(dòng)金融市場(chǎng)（包括商業(yè)模式和交易）的轉(zhuǎn)型上有多大的潛力？為了讓大家更好地回答這個(gè)問(wèn)題，我們先來(lái)回顧一下大概十年前發(fā)生的一件事。
2009 年 12 月 12 日的 NIPS 上，我負(fù)責(zé)主辦了一個(gè) workshop，當(dāng)時(shí)我邀請(qǐng)了微軟和多倫多大學(xué)的同事們參加，與俞棟、Geoffrey Hinton 一同探討了深度學(xué)習(xí)未來(lái)的發(fā)展前景，并通過(guò)調(diào)查研究從不同的維度來(lái)分析深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)在語(yǔ)音語(yǔ)言領(lǐng)域未來(lái)幾年的發(fā)展態(tài)勢(shì)。
之后，我們微軟在語(yǔ)音識(shí)別和翻譯領(lǐng)域投入了很多人力，希望通過(guò)深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)機(jī)器語(yǔ)音識(shí)別和翻譯。經(jīng)過(guò)微軟兩年高強(qiáng)度的研究，2012 年，深度學(xué)習(xí)在語(yǔ)音識(shí)別領(lǐng)域取得了較大的進(jìn)展，這也是深度神經(jīng)網(wǎng)絡(luò)研究在語(yǔ)音識(shí)別領(lǐng)域上的一次早期的大規(guī)模嘗試，也是深度學(xué)習(xí)第一次在工業(yè)界取得成功的案例。
2012 年，正好就在中國(guó)天津，我當(dāng)時(shí)所在的微軟研究院嘗試使用語(yǔ)音識(shí)別和翻譯技術(shù)來(lái)對(duì)演講進(jìn)行英到中的口語(yǔ)自動(dòng)翻譯。這可以說(shuō)是語(yǔ)音識(shí)別領(lǐng)域的一個(gè)里程碑式的時(shí)刻。在這前后，科大訊飛、百度等很多公司都加入到這個(gè)領(lǐng)域的研究中來(lái)，研發(fā)基于深度學(xué)習(xí)的新一代語(yǔ)音識(shí)別和翻譯技術(shù)。
而更早之前，大約從 1993 年開(kāi)始，我和很多同行者就開(kāi)始研究即時(shí)語(yǔ)音識(shí)別技術(shù)。到 2000 年，即時(shí)語(yǔ)音識(shí)別的錯(cuò)誤率非常明顯得在不斷下降，但當(dāng)時(shí)基于隱馬爾科夫模型的語(yǔ)音識(shí)別技術(shù)在 2000 年至 2009 年期間一直處于瓶頸停滯期，而在 2009 年引入深度學(xué)習(xí)以后開(kāi)始有了新的進(jìn)展：2009 年至 2012 年又有了第二輪更明顯的錯(cuò)誤率的下降。1993 年到 2000 年、2009 年至 2012 年是這項(xiàng)技術(shù)的兩個(gè)標(biāo)志性的階段。
十年以后的今天，大家可能認(rèn)為這一切都發(fā)展得自然而然，對(duì)人工智能領(lǐng)域的所有概念都習(xí)以為常，但在那個(gè)時(shí)候，深度學(xué)習(xí)的應(yīng)用是非常罕見(jiàn)的。
上圖是用于語(yǔ)音識(shí)別的常見(jiàn)深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，獲得了很大的成功，我們同樣也希望讓這項(xiàng)深度學(xué)習(xí)技術(shù)在金融領(lǐng)域發(fā)揮同樣的作用。
上圖是常見(jiàn)的語(yǔ)音識(shí)別系統(tǒng)的基本組成模塊。我們將麥克風(fēng)拾取的聲音和文本作為數(shù)據(jù)，通過(guò)聲學(xué)模型、詞義模型和語(yǔ)言模型等不同的模塊來(lái)訓(xùn)練完整的語(yǔ)音識(shí)別系統(tǒng)。我展示這個(gè)圖主要就是想給大家看我們最早期的研究方式是怎么樣分步訓(xùn)練完整的語(yǔ)音識(shí)別系統(tǒng)的，就是說(shuō)在真正的深度神經(jīng)網(wǎng)絡(luò)開(kāi)始之前，我們會(huì)使用不同的語(yǔ)音和文本數(shù)據(jù)來(lái)訓(xùn)練這些不同的模型模塊。
這些不同的模型模塊的研發(fā)過(guò)程中往往是相對(duì)獨(dú)立的，即便是微軟這樣的公司，在早期都是獨(dú)立組建團(tuán)隊(duì)去專(zhuān)門(mén)負(fù)責(zé)聲學(xué)模型和語(yǔ)言模型不同模塊的研發(fā)。但是發(fā)展到后期，由于有了深度神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)的能力，我們就可以建立綜合性的解決方案，將所有不同的聲學(xué)模型模塊和語(yǔ)言模型模塊連接起來(lái)綜合訓(xùn)練。
金融界的從業(yè)者應(yīng)該都知道，目前量化交易的系統(tǒng)也分成許多不同的模塊，類(lèi)似于深度神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)之前的語(yǔ)音識(shí)別系統(tǒng)?，F(xiàn)代語(yǔ)音識(shí)別從獨(dú)立研究不同模塊的方式轉(zhuǎn)變成一體化模型研發(fā)，使得模型的綜合性越來(lái)越高，這應(yīng)該有助于啟發(fā)研究者們思考怎樣改善基于相對(duì)獨(dú)立模塊的量化交易的金融系統(tǒng)。
在自然語(yǔ)言處理方面，深度學(xué)習(xí)同樣起到了顛覆性的作用。其中就包括機(jī)器翻譯，關(guān)于這個(gè)部分，周明博士會(huì)在今天下午的演講中跟大家詳細(xì)分享。
而深度學(xué)習(xí)等熱門(mén)技術(shù)的挑戰(zhàn)在哪里呢？主要還在于需要設(shè)計(jì)一個(gè)正確的、合適的架構(gòu)來(lái)落地，包括清楚相應(yīng)應(yīng)用領(lǐng)域的機(jī)器學(xué)習(xí)難點(diǎn)，同時(shí)也需要足夠的有標(biāo)注的數(shù)據(jù)來(lái)訓(xùn)練機(jī)器解決問(wèn)題。前一輪的人工智能技術(shù)無(wú)法成功解決大型的問(wèn)題，需要通過(guò)現(xiàn)在新一輪的人工智能技術(shù)來(lái)解決。
簡(jiǎn)單介紹一下深度學(xué)習(xí)在自然語(yǔ)言處理的一個(gè)有趣的應(yīng)用 --- 看圖說(shuō)話(huà)。上面這張圖像是奧巴馬的夫人和她的女兒們以及彭麗媛的合照，人工智能技術(shù)可以通過(guò)臉部識(shí)別與數(shù)據(jù)庫(kù)進(jìn)行比對(duì)來(lái)識(shí)別他們的身份，然后用一個(gè)自然語(yǔ)言的句子來(lái)描述這張照片的內(nèi)容。這是人工智能技術(shù)應(yīng)用得非常成功的案例之一。
作為一個(gè)非常特殊的領(lǐng)域，金融領(lǐng)域在人工智能技術(shù)應(yīng)用層面所面臨的挑戰(zhàn)要比我在前面介紹的語(yǔ)音語(yǔ)言領(lǐng)域更大，其中以三大挑戰(zhàn)最為典型，包括：
其一是金融數(shù)據(jù)的噪音非常大，不僅在輸入端，更在輸出端。在金融市場(chǎng)中，比如說(shuō)股市存在的大量市場(chǎng)數(shù)據(jù)就有非常大的噪聲，這些數(shù)據(jù)很多時(shí)候不能反映真實(shí)的股票市場(chǎng)情況，甚至噪聲還會(huì)覆蓋掉有用的信息。因此需要人類(lèi)分析師或人工智能去對(duì)這些數(shù)據(jù)進(jìn)行提煉，從而獲得有價(jià)值的信息。也就是說(shuō)，如果你要基于一些金融機(jī)構(gòu)提供的數(shù)據(jù)做預(yù)測(cè)，首先就需要排除噪音，而對(duì)于語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域而言，這一類(lèi)挑戰(zhàn)幾乎是不存在的。目前，金融領(lǐng)域還沒(méi)有相應(yīng)的成熟機(jī)制來(lái)解決這一問(wèn)題，所以需要探索各類(lèi)人工智能技術(shù)來(lái)解決這一難題，而我們目前也看到了一些前進(jìn)的方向。
其二是由于數(shù)據(jù)共享缺失以及數(shù)據(jù)和市場(chǎng)的非穩(wěn)定性所導(dǎo)致的人工智能建模問(wèn)題。這個(gè)挑戰(zhàn)很大程度上是由于金融領(lǐng)域的競(jìng)爭(zhēng)特性所決定的。金融公司的算法和數(shù)據(jù)基本上都無(wú)法像很多巨頭科技公司那樣將很多算法和數(shù)據(jù)進(jìn)行開(kāi)源分享，所以競(jìng)爭(zhēng)激烈的金融領(lǐng)域是無(wú)法像自然語(yǔ)言處理等領(lǐng)域那樣，能夠基于過(guò)去的大數(shù)據(jù)用統(tǒng)計(jì)學(xué)的方法進(jìn)行大數(shù)據(jù)分析，只能對(duì)一些在不斷變動(dòng)的波動(dòng)數(shù)據(jù)進(jìn)行分析。同時(shí)，激烈的競(jìng)爭(zhēng)還會(huì)讓新開(kāi)發(fā)的統(tǒng)計(jì)模型和算法漸漸失去他們的有效性，遠(yuǎn)快過(guò)自然語(yǔ)言處理和語(yǔ)音識(shí)別的模型和算法。因此，這個(gè)在金融領(lǐng)域獨(dú)有的棘手和難以駕馭的問(wèn)題同樣也需要非常特殊的人工智能技術(shù)來(lái)解決。
其三是異構(gòu)數(shù)據(jù)問(wèn)題，包括非傳統(tǒng)金融數(shù)據(jù)和傳統(tǒng)金融數(shù)據(jù)的整合和綜合利用。以華爾街的金融分析師為例，他們并不都在使用標(biāo)準(zhǔn)數(shù)據(jù)。傳統(tǒng)的金融數(shù)據(jù)包括很多種，其中一種是市場(chǎng)信息，很多技術(shù)分析師都使用一套規(guī)則和模板識(shí)別來(lái)分析股票；另一種叫做基本面數(shù)據(jù)，即分析師根據(jù)公司過(guò)去、現(xiàn)在和將來(lái)的盈利分析來(lái)預(yù)測(cè)未來(lái)的股市變化。他們會(huì)基于金融市場(chǎng)的過(guò)去數(shù)據(jù)和公司的基本面數(shù)據(jù)來(lái)看其呈現(xiàn)的動(dòng)態(tài)，從而進(jìn)行宏觀和微觀經(jīng)濟(jì)學(xué)分析。非傳統(tǒng)金融數(shù)據(jù)，也稱(chēng)為另類(lèi)數(shù)據(jù)，包括對(duì)金融市場(chǎng)有影響的海量文本、衛(wèi)星圖像和語(yǔ)音數(shù)據(jù)等等。這種數(shù)據(jù)的多樣性就是這里講的異構(gòu)數(shù)據(jù)的問(wèn)題。它對(duì)于傳統(tǒng)的統(tǒng)計(jì)方法和金融數(shù)據(jù)分析而言，是一個(gè)巨大的挑戰(zhàn)。而有了人工智能賦能后，金融投資領(lǐng)域就能夠?qū)Ξ悩?gòu)或非標(biāo)準(zhǔn)金融數(shù)據(jù)進(jìn)行更精準(zhǔn)的分析。這是因?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)可以很自然地將異構(gòu)數(shù)據(jù)整合在一起。
現(xiàn)在，華爾街的很多金融機(jī)構(gòu)都關(guān)注或應(yīng)用了人工智能技術(shù)，其中一些我熟悉的對(duì)沖基金也聘用了同我有類(lèi)似背景的人工智能專(zhuān)家來(lái)幫助他們開(kāi)發(fā)相應(yīng)的人工智能技術(shù)。在兩年多前，我們（Citadel）就啟動(dòng)了相關(guān)的研究項(xiàng)目，而我們的競(jìng)爭(zhēng)對(duì)手如 Two Sigma、DE Shaw、JP Morgan、Goldman Sachs 等也在一年前聘用了人工智能科學(xué)家，跟進(jìn)了相關(guān)的工作。它們現(xiàn)在也在人工智能人才上同我的團(tuán)隊(duì)竟?fàn)?。金融機(jī)構(gòu)爭(zhēng)相勘實(shí)自己的人工智能技術(shù)的這一現(xiàn)狀，也間接說(shuō)明了人工智能技術(shù)的應(yīng)用對(duì)于金融投資領(lǐng)域的作用不言而喻。在使用人工智能分析金融市場(chǎng)時(shí)，能用到一些比較明顯的異構(gòu)數(shù)據(jù)。這里我舉兩個(gè)例子，都是來(lái)源自金融學(xué)的學(xué)術(shù)文獻(xiàn)。
一個(gè)例子是新聞社交媒體的文本數(shù)據(jù)。比如說(shuō)，我們可以采用人工智能來(lái)分析一些新聞社交媒體對(duì)于市場(chǎng)行情的分析和討論，以了解機(jī)構(gòu)投資者以及散戶(hù)投資者對(duì)于金融市場(chǎng)的情緒。這一點(diǎn)是非常重要的，因?yàn)榻鹑谑袌?chǎng)實(shí)際上包含心理學(xué)上的博弈，也就是說(shuō)這是買(mǎi)賣(mài)雙方在市場(chǎng)上的博弈，由此形成金融市場(chǎng)的走向。因此，自然語(yǔ)言處理等技術(shù)對(duì)于金融分析而言，是非常有意義的。
另一個(gè)例子是公開(kāi)演講或訪談的數(shù)據(jù)。這種數(shù)據(jù)對(duì)于金融投資分析來(lái)說(shuō)，也是一種有用的異構(gòu)數(shù)據(jù)。舉個(gè)例子，在 Enron 出事的前段時(shí)間，我們是否能從這家公司 CEO 的某個(gè)采訪中看到一些欺詐或遮掩的貓膩？他們?cè)谠L談中可能會(huì)透露一些微弱的信號(hào)，也可能會(huì)故意說(shuō)假話(huà)，并且在說(shuō)假話(huà)時(shí)的說(shuō)話(huà)方式可能會(huì)跟說(shuō)真話(huà)的時(shí)候不太一樣，當(dāng)時(shí)呈現(xiàn)的語(yǔ)音語(yǔ)調(diào)、互動(dòng)表情都能夠成為尋找蛛絲馬跡的點(diǎn)，也都可以成為分析金融市場(chǎng)的波動(dòng)和走向的信息源。投行等機(jī)構(gòu)，也都會(huì)在與一些公司的 CEO 打交道和交通的過(guò)程中對(duì)其進(jìn)行分析，以獲得一些有價(jià)值的信息。而這個(gè)尋找一些蛛絲馬跡來(lái)分析問(wèn)題的過(guò)程，實(shí)際上是可以通過(guò)人工智能賦能金融市場(chǎng)來(lái)完成的。
那么為什么這樣的一些另類(lèi)（異構(gòu)）的數(shù)據(jù)對(duì)于金融市場(chǎng)的研究至關(guān)重要，且是獨(dú)一無(wú)二的呢？因?yàn)槠鋵?shí)人工智能的很多落地經(jīng)常只會(huì)用到單類(lèi)或至多兩類(lèi)數(shù)據(jù)：影像數(shù)據(jù)和文本數(shù)據(jù)。而對(duì)分析金融市場(chǎng)有用的數(shù)據(jù)則更加復(fù)雜、更加多類(lèi)。一般分析師通過(guò)基本面數(shù)據(jù)來(lái)分析上市公司在金融市場(chǎng)、實(shí)體經(jīng)濟(jì)中的市場(chǎng)表現(xiàn)等，這些數(shù)據(jù)可以充分展現(xiàn)某家公司目前的財(cái)務(wù)狀況、經(jīng)營(yíng)狀況，同時(shí)，它可以同歷史市場(chǎng)數(shù)據(jù)以及圖像，文本，甚至和語(yǔ)音數(shù)據(jù)綜合起來(lái)應(yīng)用。而這個(gè)將所有數(shù)據(jù)整合起來(lái)的過(guò)程，是能夠通過(guò)人工智能來(lái)助力和賦能，整合分散的多類(lèi)數(shù)據(jù)，從而挖掘更多真相。
那投行和對(duì)沖基金等在使用人工智能技術(shù)分析金融市場(chǎng)時(shí)還能注意其他哪些事情，未來(lái)能做什么呢？
首先，我們要確保數(shù)據(jù)的可獲得性，也就是說(shuō)讓更多的人更好地獲得一些對(duì)他們的研究有幫助的有價(jià)值的數(shù)據(jù)，這樣我們才有更大發(fā)揮空間。
其次，我們要確保數(shù)據(jù)不侵犯隱私，控制好金融風(fēng)險(xiǎn)。對(duì)沖基金公司雖然擁有非常多的數(shù)據(jù)，但是需要更加精準(zhǔn)地去篩選合適的數(shù)據(jù)并不侵犯隱私。
同時(shí)，我們需要招募到一些具備良好金融素養(yǎng)的又精通人工智能的有價(jià)值的人才，同時(shí)也需要對(duì)有潛力的人才進(jìn)行培訓(xùn)。一般而言，擁有很強(qiáng)金融背景的人可能不太精通人工智能，所有我們特別需要招募到既有金融背景又懂人工智能的人才，他們就是我們所說(shuō)的「明星雇員」。
最后，我們也需要針對(duì)金融領(lǐng)域的數(shù)據(jù)分析定制算法，從而更好地應(yīng)對(duì)金融領(lǐng)域所面臨的獨(dú)特的挑戰(zhàn)。
謝謝大家聆聽(tīng)我的演講。
演講結(jié)束后，雷鋒網(wǎng) AI 科技評(píng)論也對(duì)鄧力教授進(jìn)行了提問(wèn)，在提問(wèn)中問(wèn)到了大家都比較關(guān)注的兩個(gè)問(wèn)題：一是鄧力教授與 Geoffrey Hinton 教授的淵源；二是鄧力教授從微軟離職進(jìn)入金融領(lǐng)域后的一些感想。雷鋒網(wǎng) AI 科技評(píng)論整理如下：
AI 科技評(píng)論：您放下神經(jīng)網(wǎng)絡(luò)的研究再到重拾該方向的研究并取得突破性的進(jìn)展，似乎都與 Geoffrey Hinton 存在著某些聯(lián)系，您怎樣評(píng)價(jià) Hinton 對(duì)您研究生涯的影響？
鄧力教授：是的，Hinton 對(duì)我的職業(yè)生涯幫助很大，主要體現(xiàn)在兩個(gè)方面：
第一個(gè)是我在他身上看到了信念的力量。Hinton 從神經(jīng)網(wǎng)絡(luò)的研究初期，也就是大家非常質(zhì)疑這種方法的時(shí)候，他始終都堅(jiān)持神經(jīng)網(wǎng)絡(luò)能夠解決人工智能問(wèn)題，一直到現(xiàn)在，我個(gè)人真的非常佩服他。
第二個(gè)是思維方法。在跟 Hinton 的合作中，他教給了我很多好的思維方法。
AI 科技評(píng)論：在此前媒體對(duì)您離職微軟的報(bào)道中，了解到您曾表示「我覺(jué)得現(xiàn)在金融領(lǐng)域已經(jīng)非常成熟了，可以讓人工智能來(lái)大顯神威。」您進(jìn)入金融領(lǐng)域兩年多，想法是否還與當(dāng)年一樣呢？
鄧力教授：進(jìn)入金融領(lǐng)域之前和之后的感受是完全不同的。
在進(jìn)入之前，我當(dāng)時(shí)的想法是，我自己在語(yǔ)音識(shí)別及信息和語(yǔ)言處理等領(lǐng)域已經(jīng)研究得比較不錯(cuò)的，對(duì)于我而言不再具有特別大的挑戰(zhàn)性，所以我就想換到一個(gè)更具挑戰(zhàn)性的領(lǐng)域去展開(kāi)研究。當(dāng)時(shí)考慮到金融領(lǐng)域的數(shù)據(jù)量特別豐富，更多的數(shù)據(jù)就能夠讓我的研究工作做得更好，而需要用到的最基本方法與我之前用的那一套不會(huì)相差太遠(yuǎn)。當(dāng)時(shí)就覺(jué)得到金融領(lǐng)域做研究問(wèn)題應(yīng)該不大，并且非常具有前景性。
但是真正轉(zhuǎn)到金融領(lǐng)域后，我才發(fā)現(xiàn)，該領(lǐng)域在應(yīng)用人工智能方面的挑戰(zhàn)性遠(yuǎn)遠(yuǎn)要比其它我熟悉的領(lǐng)域大得多，就比如我在演講中提到的數(shù)據(jù)的噪聲大、由競(jìng)爭(zhēng)導(dǎo)致的非穩(wěn)定性以及異構(gòu)數(shù)據(jù)問(wèn)題，這都是非常復(fù)雜有趣的。不過(guò)我們目前也取得了不少技術(shù)成果，能夠比較好地解決金融領(lǐng)域的特殊問(wèn)題。
雷鋒網(wǎng) AI 科技評(píng)論報(bào)道
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
