人工智能■汪伟：知识图谱的原理、特性与金融业应用实践( 二 ) |汪伟|机器学习|

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。
银行业的应用实践企业客户关联图谱及风险画像
1）需求背景

通过银行特有企业核心价值数据（供应链、支付链、抵质押、担保等）与欧拉强大的舆情分析、语义理解和关系推测能力相结合，建立企业客户画像，有效丰富企业关系图谱维度，更精准地推测风险传导关系。
通过企业客户360画像库的搭建，批量挖掘高潜客群、深度挖掘集团存量客户价值，有效扩大银行客户规模、提升存量客户贡献度。
通过企业客户标签体系的梳理，建立产品适配标签库和特征属性标签库，为客户智能推荐产品、为营销活动精准定位客群。

2）设计思路