數(shù)據(jù)觀專訪英國勵訊集團（RELX）全球副總裁Flavio Villanustre：數(shù)據(jù)沒有百分百的安全 只能做百分百的防御
來源：數(shù)據(jù)觀 時間：2018-06-01 18:50:55 作者：黃玉葉
?2015年從“勵德·愛思唯爾集團”（Reed Elsevier）更名為“勵訊集團”（RELX Group）堪為不折不扣的全球出版巨頭：百余年的歷史，每年超過100億美元的營收，遍及科技、醫(yī)藥衛(wèi)生、法律、稅收及商業(yè)領(lǐng)域的專業(yè)出版業(yè)務(wù)……目前的勵訊集團已成長為世界上最大的科技、醫(yī)學(xué)、法律、商業(yè)信息服務(wù)提供商之一，在全球擁有超過3萬名員工（其中約7000名為技術(shù)人員），遍布6大洲的34個國家和地區(qū)，為180多個國家的客戶提供專業(yè)服務(wù)，其位列《金融時報》世界500強企業(yè)，英國富時指數(shù)排名第20。
?應(yīng)數(shù)博會組委會邀請，英國勵訊集團（RELX）全球副總裁，律商聯(lián)訊（LexisNexis）首席運營官Flavio Villanustre先生出席并參與了2018中國國際大數(shù)據(jù)產(chǎn)業(yè)博覽會，數(shù)據(jù)觀記者在數(shù)博會期間對Flavio Villanustre先生進行了專訪。以下是訪談實錄。
?【數(shù)據(jù)觀】 Flavio教授，感謝您接受數(shù)據(jù)觀的采訪。作為一家全球范圍內(nèi)專業(yè)和商業(yè)客戶信息和分析服務(wù)提供商，勵訊集團是如何處理繁復(fù)龐大的數(shù)據(jù)呢？怎樣保護這些數(shù)據(jù)免于“安全問題”？
?【Flavio】 勵訊集團目前使用著15年前自主研發(fā)的大數(shù)據(jù)平臺（HPCC-高性能計算集成），并在數(shù)據(jù)和系統(tǒng)中使用了安全控制體系，一方面確保數(shù)據(jù)的安全，另一方面又保護其他人的信息隱私。我們在數(shù)據(jù)系統(tǒng)中有許多安全控制組件和功能，特別是LexID的數(shù)據(jù)標簽技術(shù)，對個人信息進行驗證和標識。HPCC還提供了足夠多的數(shù)據(jù)資產(chǎn)監(jiān)控以確保如果一旦存在潛在危害，我們就可以知道這是一種攻擊行為并對此采取相應(yīng)的措施。當然，整個HPCC和Lex ID系統(tǒng)為了保護數(shù)據(jù)，減少數(shù)據(jù)和個人隱私的泄露，從數(shù)據(jù)收集和產(chǎn)生之初就開始運轉(zhuǎn)，在整個數(shù)據(jù)生命周期內(nèi)延續(xù)。
?【數(shù)據(jù)觀】 眾所周知，美國馬克?扎克伯格——全球最大社交網(wǎng)站Facebook的創(chuàng)始人,今年早前幾個月因為用戶信息泄露的丑聞跌入人生的谷底，此后全球很多政府、企業(yè)都采取了相應(yīng)的行動來防止重蹈覆轍，RELX對此是否有相關(guān)新動作呢？
?【Flavio】 顯然數(shù)據(jù)泄露是每個行業(yè)的弊病，畢竟當下數(shù)據(jù)如同連城之璧。業(yè)內(nèi)人士分析，數(shù)據(jù)即是新石油，它會帶來更多的財富，更有甚時直接等同貨幣。所以，這樣的“錯誤”一旦發(fā)生，就會有越來越多“首個……”的搗鬼。我們在實踐中發(fā)現(xiàn)試圖攻擊的入侵者越來越多，而且其方式和技術(shù)手段越來越高超，因為某種意義上他們可以投入更多資金來獲取數(shù)據(jù)。正如我之前說過的那樣，勵訊集團通過全面，專業(yè)的數(shù)據(jù)治理來保護數(shù)據(jù)，來確保證數(shù)據(jù)信息是百分之百安全的。
?然而，即使你的信息今天確實相當安全，如果你沒有進行持續(xù)監(jiān)督，不去看所謂的威脅情報，不知道威脅區(qū)域或者破壞者正籌劃什么陰謀，再加上如果你不積極地做風(fēng)險威脅模型構(gòu)建，究其根源設(shè)身處地分析和查找問題，那你根本百分之百的確保數(shù)據(jù)的安全。所以，要把業(yè)務(wù)中的每個環(huán)節(jié)和數(shù)據(jù)情況預(yù)放到研究開發(fā)的情境下，嘗試著去思考破壞者如何設(shè)計有破壞力的“入侵”，這些“入侵”持續(xù)地且有足夠儀器監(jiān)控你的“反控制”，以掌握數(shù)據(jù)安全保護系統(tǒng)隨著時間的推移是否一直有效。
?你我可能懂得這樣的道理，這就像生活中的很多物品一樣，如果你不積極地維護它們，時間長了它們就會變得百無一用。所以你需要讓這些“管控”一直運轉(zhuǎn)著，始終確保這些安全治理控件的有效性，很多時候，我們會周期性地做“管控”測試和審計。我再強調(diào)一次，于數(shù)據(jù)信息而言，沒有完全的保證，更沒有沒有百分之百的安全。但是，你可以獲得足夠的安全保障，這將使破壞者們很難跨越數(shù)據(jù)訪問來獲取記錄。
?【數(shù)據(jù)觀】 我們贊同“數(shù)據(jù)是新石油”的說法，同時我們每個人都應(yīng)該勤于采取行動來保障數(shù)據(jù)安全。我們注意到，作為RELX的全球副總裁，您也兼任LexisNexis首席運營官，LexisNexis是RELX的一部分，它為保險行業(yè)提供了各種數(shù)據(jù)和分析服務(wù)，這部分的年收入超過了1億美元，這是一個了不起的業(yè)績，您愿意分享一下LexisNexis是如何使用大數(shù)據(jù)技術(shù)為保險客戶服務(wù)的嗎? 你們?nèi)绾巫龀鼍珳实慕鉀Q方案或風(fēng)險預(yù)測?
?【Flavio】 這個問題問得相當好。遺憾的是答案很長，因為我要深入地談到勵訊集團保險行業(yè)解決方案。在保險整個周期中有很多環(huán)節(jié)，都是圍繞保險業(yè)務(wù)全流程的需求設(shè)計和提供的，同時還要清楚哪些顧客。勵訊集團是依據(jù)大數(shù)據(jù)、數(shù)據(jù)關(guān)聯(lián)和分析，以及對保險行業(yè)的深度認知來提供針對每個保險環(huán)節(jié)的解決方案。從而有效地幫助保險公司獲客，提高保險公司的收益、制定有效的保險業(yè)務(wù)策略和防范保險欺詐。
?當然，保險業(yè)有一個有趣現(xiàn)象，至少在美國是這樣，在全世界也都相當普遍：保險公司現(xiàn)在處在非常艱難的時期，因為他們有大量的線上競爭者。現(xiàn)如今，消費者并不一定會直接與自己所在城鎮(zhèn)的保險代理人建立聯(lián)系，他們隨便上個網(wǎng)也可以得到至少50家保險公司的報價。所以這對保險公司來說非常關(guān)鍵——知道風(fēng)險所在并加以正確引用，因為如果叫價太高，客戶就會選擇另一家保險公司。然而如果叫價太便宜，他們則會賠錢，因為保單太冒險了。
?所以我們在自己的大數(shù)據(jù)平臺上建立了大量解決方案,這是一個我們稱之為HPCC系統(tǒng)開源平臺的模式，我們使用這個平臺來整合龐大而繁復(fù)的數(shù)據(jù)，通過平臺集成數(shù)以萬計的數(shù)據(jù)源。對于保險中的每一個階段，我們提供了具體的解決方案，例如，從一開始圍繞市場營銷的解決方案。
?因此，他們可以更好地為潛在客戶在最短的時間，提供合適的報價。客戶通過填寫表格來要求保險公司報價，我們?yōu)楸ｋU行業(yè)提供保單預(yù)填的解決方案，使他們能夠更快更準的獲客。這種服務(wù)不需要客戶全部手動輸入信息，他們只需輸入2到3個關(guān)鍵詞，其余信息則會自動顯示出來。
?隨著技術(shù)和公司業(yè)務(wù)的發(fā)展，為了提高我們評估風(fēng)險的能力和水平，勵訊集團建立了機器學(xué)習(xí)（AI）模型，用模型統(tǒng)計來確定特定保單損失和獲客可能性，這樣可以幫助保險公司評估特定保險單的合適價格，也可以用來檢驗是否存在保險欺詐行為，損失追溯。例如，有人說他出了車禍，確實是投保人發(fā)生了事故。保險公司賠償損失后，是否還有可能追溯賠償?shù)膿p失嗎?商務(wù)實踐中確實有這樣的例子：某些心懷不軌的人會制造事故來牟利，而他們不是真正的受保者。因此，我們所做的就是——確保保險公司能夠依靠足夠多的正確信息來做出判斷，決定是否賠償，這是關(guān)鍵。幾年前我們就使用機器學(xué)習(xí)從非常大的非結(jié)構(gòu)化數(shù)據(jù)池中提取信息并進行分析，創(chuàng)建圖表并預(yù)測欺詐事件。這項工作讓我們在過去的三十年里有了長足發(fā)展，一躍成為世界第一的信息服務(wù)提供商。
?【數(shù)據(jù)觀】 感謝您如此精道的闡述,我們豁然開朗。業(yè)內(nèi)有一個說法是“強大的系統(tǒng)必然使公司強大”，想必數(shù)據(jù)處理是RELX的關(guān)鍵日常,您能為中國讀者分享一下你們強大的引擎(數(shù)據(jù)處理系統(tǒng))嗎？。
?【Flavion】 我樂意至極。這個問題可以追溯到2000年，大數(shù)據(jù)技術(shù)還沒有被稱為“Big Data”的時候,我們?yōu)闈M足自身使用而開發(fā)并建立了一個HPCC系統(tǒng)的大數(shù)據(jù)平臺，該系統(tǒng)用于大數(shù)據(jù)開源處理和分析、大規(guī)模并行處理的計算平臺。HPCC是我們整個集團一直在使用的核心技術(shù)的一部分，我們的每一個產(chǎn)品，每一項服務(wù)都建立在這個平臺之上。在處理復(fù)雜模型，并需要擴展，以應(yīng)用于大規(guī)模數(shù)據(jù)和多樣化的數(shù)據(jù)集（結(jié)構(gòu)化和非結(jié)構(gòu)化）時，這一平臺給我們帶來了優(yōu)勢。在HPCC平臺之上，我們以域?qū)Ｓ谜Z言的形式設(shè)計了自己的域?qū)Ｓ贸橄笳Z言，例如復(fù)雜的記錄鏈接工具——“可擴展自動鏈接技術(shù)”，以及將圖像分析與機器學(xué)習(xí)能力相結(jié)合的“知識工程語言”。
?在2011年，我們將整個大數(shù)據(jù)平臺推出，成為一個自由開放的資源平臺供其他人使用，目的是通過在其背后聚集一個更大的開源社區(qū)，繼續(xù)發(fā)展、壯大、延續(xù)這種血脈。這讓我們在整個過程中有了很大的創(chuàng)新。再者，從2011年，也就是七年前開始，其他平臺都實行免費制，開放源碼是許可或者完全許可的。你也許會問：任何人都可以使用它嗎?任何人都能開發(fā)嗎?答案是肯定的。這個平臺為企業(yè)提供大數(shù)據(jù)處理能力，利用可疊加計算集成組及公共云對大數(shù)據(jù)進行復(fù)雜的處理，或者像我們一樣集成所有數(shù)據(jù)。某種程度上,這是難以在一個跨集群的機器環(huán)境中實現(xiàn)的。
?我們有一個核心流程,適用于整個業(yè)務(wù)范圍——數(shù)據(jù)清洗與關(guān)聯(lián)。包括所有的保險業(yè)務(wù)，正如我之前提到的，我們需要成千上萬的數(shù)據(jù)源，我們整合，利用所有的數(shù)據(jù)建立圍繞單個個體的單一數(shù)據(jù)源，這些數(shù)據(jù)來自不同的源頭。很多時候，不同的數(shù)據(jù)集不一致，也許你會發(fā)現(xiàn)一些數(shù)據(jù)記錄某個你認識的人居然成了別人，或者他生活在一個與你認知不同的地址，我們可以通過這種方式來識別和區(qū)分事實查缺補漏。那些自動丟失的倒置是關(guān)鍵點，我們談?wù)摰氖菙?shù)萬億的數(shù)據(jù)集，數(shù)千億的數(shù)據(jù)記錄。
?這樣做的唯一方法就是建立機器學(xué)習(xí)。這是主要的機器學(xué)習(xí)算法，是基于概率數(shù)據(jù)推理的人工智能，它從數(shù)據(jù)中獲取信息并試圖計算出某些事物間相似的可能性。從本質(zhì)上說，如果你獲得了兩個數(shù)據(jù)記錄，它們都給你同一個姓和名，那么這兩個記錄指的是同一個人。通過經(jīng)驗判斷，你知道答案可能是正確的。如果姓和名都非常獨特，但是給出的姓名記錄卻很常見，那么它很有可能是錯誤的。
?因此，在HPCC系統(tǒng)平臺上運行的很多程序都能識別這種可能性并確定最終結(jié)果。以至于后來那些保單上的人對于賠償?shù)囊蓱]，最后都通過實體定義可以得知哪些情況符合保單協(xié)議里的屬性，通過社交架構(gòu)關(guān)聯(lián)實體和屬性來完成。
?這給了我們一種了解世界的獨特方式，同時也能提出問題。現(xiàn)在你可以說,這又回到了我們的汽車事故的例子:任何階段都有可能發(fā)生事故，事故起因不同，而投保的人也不一樣。但是針對欺詐案，如果你能把那些日期放在社交架構(gòu)上，你可能會發(fā)現(xiàn)每一個事故都和其他的線索聯(lián)系在一起，就整個家族來說，這些人都是有親戚關(guān)系的人，這就為你提供了一個很重要的證據(jù)。要么是這個家族運氣夠倒霉，每一次都有事故發(fā)生，要么就是他們?yōu)榱藦谋ｋU公司獲利而欺詐。
?我們使用機器學(xué)習(xí)來描述企業(yè)和個人的整個網(wǎng)絡(luò)，以識別詐騙團伙，該技術(shù)還可以用來評估和預(yù)測信用和保險風(fēng)險，識別醫(yī)療保健相關(guān)交易中的欺詐，并幫助抓到犯罪分子。機器學(xué)習(xí)是我們所做的一切的核心。
?【數(shù)據(jù)觀】 您的回復(fù)令人印象深刻，即便我不是專業(yè)讀者，我也想說您的這套系統(tǒng)真真是棒極了。時下，AI技術(shù)風(fēng)靡全球,RELX是否在做相關(guān)研究或者開發(fā)了嵌入式應(yīng)用程序呢？AI對于您這樣的公司而言會形成一種威脅嗎？
?【Flavio】 是的，我們在人工智能方面還算活躍，詳談前，我覺得有必要重新定義下AI的概念。AI有兩種類型，一種是未來人工智能，某種意義上來說，即機器學(xué)習(xí)或全民學(xué)習(xí)；另外一種叫AGI（人工總體智能 Artificial general intelligence），這是一種簡單的機器，這就像《終結(jié)者》，盡管很多組織都在積極研究探索AGI，但我們暫無涉足。
?我們尚處在一個初期階段，所以討論AGI這種能夠獨立思考的機器還為時尚早。但是AI作為一種實用的智能，它能給你的智能語音賦能，使你的自動翻譯系統(tǒng)、世界搜索引擎或其他設(shè)備變得人性化。這是我們正在積極使用的，同時我們也研究了一些最基本的算法，也就是眾所周知的關(guān)系金原子，我們利用它們來建立自己的風(fēng)險預(yù)測系統(tǒng)。
?一個人在很長一段時間內(nèi)違約的風(fēng)險是什么，這個司機發(fā)生事故的可能性是多少?我們可以用它來做一些我們稱之為“行為”的事情。作為保險服務(wù)的一部分，我們已經(jīng)取得了勝利，讓司機在手機上使用一個APP為他們的“行為”做準備?；诖耍麄兛梢宰C明自己是安全的司機以得到更優(yōu)惠的保險價格。
?有趣的是，這只適用于當前駕駛?cè)藶槟阕约旱臓顟B(tài)。但是當你坐上朋友開的車情況又會如何呢?所以這個系統(tǒng)會計算出你的駕駛畫像，它會判斷出你現(xiàn)在是在公共汽車、小轎車、出租或者在火車上，那就不是你而是別人在駕駛。所有這一切的人工智能現(xiàn)在更趨于傳統(tǒng)回歸模型,就像我一直強調(diào)的深度學(xué)習(xí)那樣利用各種技術(shù)想努力達成，在某種程度上,它們模擬大腦皮層的工作方式,通過構(gòu)建人工神經(jīng)元網(wǎng)絡(luò)來進行運算。
?為了更高效地學(xué)習(xí)特定的東西，在AI的傳統(tǒng)算法和機器學(xué)習(xí)中，你通常有樣本或標簽數(shù)據(jù)，從本質(zhì)上講，過去的事情都有結(jié)果。如果你正在嘗試訓(xùn)練一種可能發(fā)生的事故風(fēng)險模型，你可以用你過去事故信息來訓(xùn)練模型。
?在每一個案例中，所有的數(shù)據(jù)都附加了事實，通過來自過去的數(shù)據(jù)即知曉這些人確實發(fā)生了事故，這些人有共同特征，并與各種保險事故聯(lián)系在一起,這就是機器學(xué)習(xí)系統(tǒng)可以反映出來的東西，這個人工智能系統(tǒng)可以用來最終創(chuàng)建一個不在我標簽數(shù)據(jù)里的新客戶的風(fēng)險預(yù)測。
?機器學(xué)習(xí)改變了一切，讓計算機提取這些事實，并通過基于統(tǒng)計方程的模型來表示現(xiàn)實。這極大地節(jié)省了域?qū)＜业臅r間，使他們能夠使用人類采用其他方法很難處理的數(shù)據(jù)集。所得到的計算機程序更簡潔，更易于實施，更高效。
?深度學(xué)習(xí)允許你用更少的標記數(shù)據(jù)的樣本構(gòu)建模型。你可以建立相當有效的模型。我們只有很少的標簽數(shù)據(jù)樣本，但這非常有用，它們還可以幫助你更容易地識別數(shù)據(jù)結(jié)構(gòu)。當你試圖進行欺詐分析和異常檢測時，它的作用就大了。
?我們還與世界各地的大學(xué)進行了大量的研究，因為這個平臺是開源的，它可以幫助開發(fā)一些模型拓寬領(lǐng)域。當然，任何開發(fā)出來的東西都是重新開放的，因此人們可以從中受益，它幫助我們突破極限，變得越來越好。
?【數(shù)據(jù)觀】 從剛才的談話中我們獲得了三個概念——“人工智能”、“深度學(xué)習(xí)” 和“機器學(xué)習(xí)”，某些時候人們會有所混淆，您能給出者三者之間的簡要區(qū)別嗎？
?【Flavio】 沒關(guān)系，我來給大家解釋一下。機器學(xué)習(xí)相當簡單，有兩種方法來定義機器學(xué)習(xí)。其一是在傳統(tǒng)的算法和傳統(tǒng)的程序中，程序員通過手工定義每一個身份。在機器學(xué)習(xí)中，你給機器數(shù)據(jù)讓它們從數(shù)據(jù)中學(xué)習(xí)，這聽起來很復(fù)雜，但事實上沒有那么難懂。這是一個線性模型，只是機器學(xué)習(xí)技術(shù)中的一種。
?想象一下，我給你一個房子或公寓的價格，你可以去看所有的報紙，然后拿到過去10年里你所在城市的房屋銷售價格。你只需要看一個變量，那就是公寓的大小，如果有一套一百平方米的公寓，它值一個價錢，而我有一套200平方米的公寓，也是這個價錢，你把這些數(shù)據(jù)畫到一張紙上，X軸代表公寓的面積，Y軸代表價格。很快你就會發(fā)現(xiàn)這套更大的公寓在價格上具有優(yōu)勢?，F(xiàn)在你可以在你的曲線上取號查詢，給出一個大概價格來做估算和預(yù)測，這是最基本的機器學(xué)習(xí)，更多的機器能做出更驚人的統(tǒng)計和概率計算。對于你不確定的情況，它通過接收過去的信息，應(yīng)用統(tǒng)計學(xué)計算出概率，這就是所謂的引導(dǎo)性學(xué)習(xí)。
?在機器學(xué)習(xí)之前，通過算法進行建模時，要求人們了解特定的問題域，從現(xiàn)有數(shù)據(jù)中提取事實，并編寫大的“啟發(fā)式”程序，使用條件規(guī)則對輸入數(shù)據(jù)不同的可能結(jié)果進行建模。這些早期的系統(tǒng)需要專家篩選數(shù)據(jù)以理解現(xiàn)實，并通過計算機可以理解的條件語句來描述它。這是非常乏味、辛苦的工作，最好留給計算機去做。
?當我們談到深度學(xué)習(xí)的時候，這和程序基本部分的區(qū)別是一樣的，不再只是基本算法，它們與神經(jīng)元的工作方式更密切相關(guān)，這些神經(jīng)元有許多輸入和一個輸出單元，輸出是所有輸入的函數(shù)。
?舉個例子，如果所有輸入不是悲傷就是哀愁，那么輸出的不是貪婪就是怨恨。如果在某種程度上對輸入進行減法，輸出1或者零輸入，我們就不會自尋煩惱了。如果你把這些毫無連接的神經(jīng)元用相同方式連接起來，就有可能建立起一個非常復(fù)雜的系統(tǒng)，可以從數(shù)據(jù)中進行自我學(xué)習(xí)，就像你在公寓面積和價格上使用的那個小算法一樣，現(xiàn)在我們在很多維度中都有學(xué)習(xí)。
?這就是所謂的監(jiān)督學(xué)習(xí)。你給它數(shù)據(jù)，它給你數(shù)據(jù)結(jié)構(gòu)的提示,一旦你得到結(jié)果，可以在這里做標簽。如果我給你看這張照片，它是什么?你也許會說，這是一個小男孩，那如果我再給你看這張照片，它其實就是一個手機。如果我用機器來做回答，機器會告訴我這張圖片的類別，一類或二類。加上標簽，我可以說一加一是男孩，一加二是手機。就像你教嬰兒說話一樣，你也可以教機器。今天市場上的語音助手中，諸如谷歌一類的性能都不錯，這些大多利用了人工智能系統(tǒng)，還可以進行自動翻譯或引擎搜索，更有甚者借助這樣的系統(tǒng)在互聯(lián)網(wǎng)上尋貓，它們深受歡迎。但它更像是未來。在學(xué)習(xí)中仍有很多積極的研究，某種意義上說，將來必會成為流行趨勢并在全球范圍內(nèi)成為最大的挑戰(zhàn)目標。就像我給你們的第一個，關(guān)系模型，很簡單，讓你們可以很容易地解釋。如果我問你，這個房子哪里值得我花錢，在你能解釋之前我又沒見過，我就出兩千美元。但是由于那幅涵蓋房子的面積和價格的曲線軸，現(xiàn)在我們可以清楚地估測價格。
?在深度學(xué)習(xí)網(wǎng)絡(luò)中，這是很難做到的。管道網(wǎng)絡(luò)又稱自然隨機性,意味著它們的不確定性。當你從頭開始建立一個網(wǎng)絡(luò)時，如果你把所有的神經(jīng)元都放在一個基準零點，現(xiàn)在你想要擊退它，那你就什么都學(xué)不到。它學(xué)習(xí)的唯一方法是給隨機物體的神經(jīng)元發(fā)出第一個隨機噪聲，完全隨機意味著沒有簡單的方法可以追溯。這是當今最大的挑戰(zhàn)之一，需要一段時間來達到成熟。
（數(shù)據(jù)觀 黃玉葉）
責(zé)任編輯：陳近梅