当人类离开时，AI掌控一切么？这是任何人都会有的猜测。然而，摩根大通 （JPMC）对他们的人造大脑投入最好的可不是一点点赌注。
这是真的。人们不再由于大银行的喋喋不休而忽略风险；我们现在使用金融模型为我们掷骰子。财务模型是由算法、编码理论和AI创建的金融资产或投资组合的数学表达。定量分析师（qunats）依靠这些模型来预测绩效并根据历史和财务数据做出市场判断。
当财务模型在重要交易和投资方面处于领先地位时，一种新风险类型——模型风险——浮出水面。如果财务模型错误或不准确会怎样？对于最大的银行来说，数据低质量或者未校准，或者只是普通的误解，表现不佳的模型都会造成数十亿美元的损失。
大银行迫切需要而且有机会降低模型风险，以避免金融灾难。但他们也可以赢得客户的信任，并利用这一地位获得竞争优势。
摩根大通通过数据科学加强风险管理的力度
JPMC是世界上最大的银行之一，其使命是通过使用最前沿的技术为量子和金融模型赋权，找到最佳解决方案来降低模型风险。
他们希望通过机器学习方案推进他们的模型风险缓解平台，称为Morpheus。
与IBM数据科学和AI精英团队合作，得以帮助客户组织赢得数据和人工智能，JPMC对Morpheus进行了重要改进，以帮助管理模型风险。
我们与IBM杰出工程师兼数据科学和AI精英团队主管John Thomas讨论这种独特的合作关系以及他与JPMC合作的经验。
让我们高屋建瓴，从全新视角来了解摩根大通的业务吧？
约翰托马斯：摩根大通显然是金融业的顶尖机构之一。我们在几个不同的领域与他们合作。
我们最近研究的是他们的定量模型风险管理小组。他们希望应用机器学习来帮助改进如何进行模型风险管理。场景包括自动分类模型使用限制和预测定价模型的风险。
IBM Watson必须为JPMC风险管理平台Morpheus提供什么价值主张？
约翰托马斯：如果你看数据科学的工作流程，特别是在企业环境中，它不仅仅是关于构建模型。任何人都可以在Jupyter笔记本中编写一些python代码。在开始构建和培训机器学习或深度学习模型之前，您必须查看端到端的数据科学工作流程——接收数据、准备数据、确保对这些数据进行治理等等。
那么，在构建这些模型之后会发生什么呢？您如何实际操作这些模型？如何比较模型性能？如何部署它们？如何从开发到测试再到生产？您如何在一段时间内维护这些模型？
对于JPMC的Quant风险模型管理用例，其中一个场景是基于时间序列的预测。例如，我可以在这些定量模型中预测风险吗？我们需要处理这个时间序列数据中的季节性和趋势。
我们开始建立深度学习神经网络。当涉及到神经网络时，训练时间可能相当长。我们不得不大幅缩短这些模型的训练时间。
有什么特定的IBM技术使这成为可能？
约翰托马斯：这些企业挑战是由Watson工作室和Watson机器学习的结合来满足整个数据科学和人工智能工作流程的。我们选择在Power+GPU硬件上运行它，它可以加速模型训练并允许我们扩展模型的使用。
Watson Studio提供了一个协作环境，在这个环境中，一个团队可以聚集在一起，使用开放源代码工具以及IBM带来的增值工具，并通过数据科学工作流的每个阶段，最终实现这些模型的操作目标。
如果模型停留在工作台中，它有什么好处？
您需要能够将模型部署到生产中，对其进行扩展、监视、根据需要重新培训，并能够实际影响使用它们的业务。
这就是Watson Studio，Watson机器学习工具，以及配套的PowerAI平台的帮助。
数据科学项目的一个常见问题是很难让所有利益相关者都参与进来。这是Watson Studio能解决的问题吗？
约翰托马斯：你可能听说过数据科学是一项团队运动。
数据工程必须满足机器学习。机器学习必须满足数据可视化，并且必须支持业务用户与环境的交互。数据科学本身必须满足DevOps。
所有这些不同的技能都必须结合在一起，平台使具有不同角色的个人能够聚集在一起并在项目中工作。
当你回想起与JPMC的接触时，你最自豪的是什么？
约翰托马斯：我最为自豪的是我们的团队合作。
IBM数据科学精英团队与客户团队携手合作。这就是说，我们并肩工作，共享知识，共享专业知识，并以敏捷的方式完成这项工作。
有真正的价值，是因为我们在向他们学习，他们也在向我们学习，我们一起能够创造出有意义的东西。
