当然，数据越多、应用需求越多，这对机器的运算效率提出了要求。在蚂蚁，我们将矩阵分解和哈斯算法相结合，这使得我们能处理更大的矩阵，例如1亿*1千万矩阵分解仅需要2小时收敛。我们将这项技术运用在了口碑“猜你喜欢”的场景中，点击率的升幅超过120%。

案例四：强化学习营销——助力花呗智能签约

接下来，我们分享一个场景营销问题。例如对于许多商家来说，如何发优惠券、通过什么渠道发、发给谁（事件+人群+渠道）能起到最大收益？这些都是非常有价值的商业问题。

针对这个问题，我们采用了深度强化技术，分为三个阶段：

State:从多个业务抽取特征，刻画用户状态

Action：同时对卡片和渠道做组合决策

Reward：综合用户的点击和签约行为

整个框架设计上采用了流式强化学习框架，所以能够实现实时更新，整个算法能够在框架上迭代。我们最终实现了推荐卡片点击率171%的增长，最终签约率也实现了可喜的149%的增长。

案例五：模型服务平台（水晶球）

前面几个案例和大家分享了单项技术的强大能力。那么，有没有有一种方式能够整合这些强大的技术能力，而让使用者不需要了解十分深入即可享受到这些前沿技术呢？

因此，我们开发了一个模型服务平台，将整个模型训练可视化。用户只需要通过简单的点击、拖拽数据就能产生所有的结果。对于应用开发者而言，他可以将算法应用后进行一键部署。开发算法的同学也可以写出新的算法，之后通过统一的平台进行服务。

目前在蚂蚁金服内部，从芝麻信用到网商银行的借贷、风控都在全面使用这一平台。回到“开放”这个话题，我们也希望蚂蚁金服的人工智能能力开放服务与我们的客户与合作伙伴。

接下来简单和大家分享一下这个模型服务平台的特性。简单来说，这个平台力求让模型所见即所得。因为不光数据是资产，模型本身也是资产。模型的可视化能够极大提高开发人员的工作效率，降低使用门槛。开发人员不需要完全知道某一行公式具体是怎样推导的。同时这个平台还支持支持A/B测试框架，可以全生命周期模型效果监测，主动发现最优模型和参数，并支持实现多人同时开发、跨团队协作。

案例六：定损宝

今天的最后一个案例是“定损宝”。这是几周前我们与保险事业部共同发布的一个利用图像技术的车辆定损产品。简单的来说，当车主在行驶过程中不幸遇上了一个小车祸，自己爱车的损伤后需要保险公司定损赔偿。他不再需要耗费精力走联系定损员等繁琐流程，而仅需要将车辆损伤部位拍张照片上传，“定损宝”就可以根据图片对车辆损坏程度定损。这一技术极大的节约了车险公司高昂的定损员培训等其他人力的支出。

这个看似简单技术背后所蕴藏的技术十分复杂。例如：

车辆的部件识别问题。比如正确识别下图汽车的部位是左前大灯还是左雾灯，是前机盖还是后机盖等。

(责任编辑：本港台直播)