作者：段戎来源：心声社区、华为人
一个倔强的老太太
段戎
我是青岛人，在青岛度过了20多年的求学时光。那是一座啤酒之城，大街小巷都能买到清爽的扎啤，随口一声吆喝，小贩就会手脚麻利地挂上塑料袋，拧开酒桶上的水龙头。随着凉丝丝的啤酒倾泻而下，绵密的泡沫汩汩地冒上来，空气里弥漫着麦芽的香味。
后来，去美国工作生活后，我喝的最多的变成了咖啡。不论在家里、办公室、咖啡馆，还是路边的自动售卖机，我执着于简单的美式，不加糖或奶，任凭微酸带着焦香扑进口腔，舌根的淡苦和舌尖的微甜交织、纠缠在一起。
这两种截然不同的风味，构成了我性格的底色——豪爽直率，简单倔强。在很多对外交流的场合，别人会给我贴上很多浓烈、鲜亮的标签，比如“华为财经首席数据科学家”“美国史蒂文斯理工学院博士”“AT&T实验室20多年工作经验”，可我最常用的自我介绍是“一个倔强的老太太”。
首先，我已经到了知命之年，在华为一众蓬勃的年轻人中，已然可以被称为“老太太”。说倔强，是因为我这人“一根筋”。2017年加入华为后，在参与财经AI（人工智能）探索的5年里，我一直很坚持自己的技术理念，也不怕得罪人，慢慢地，可能也变成了别人口中那个“有点倔强的老太太”。
一杯咖啡，从美国喝到了华为
1996年，当我第一次踏入AT&T（美国电话电报公司）实验室的时候，因为兴奋，手心微微有些冒汗。大厅里，悬挂着一排以木板为底的诺贝尔奖得主的铜制头像，特别壮观。
它的前身是久负盛名的贝尔实验室。自其成立的半个多世纪以来，贝尔实验室一直是全球最具创新力的科研实验室，许多沿用至今的发明，如晶体管、太阳能电池、通信卫星、C 语言、UNIX 操作系统等均诞生于此。虽然由于组织拆分，贝尔实验室被一分为二，但我入职的时候，我们都在位于美国新泽西州莫瑞山的办公楼一起工作，AT&T实验室也继承了其自由开放的创新氛围。
入职后，我发现身边的大神们遍布各个专业：生物、化学、物理、心理学、经济学，还有学哲学的。在这里，没有人给我们设置KPI，布置什么具体任务，每个人都是自发地思考自己可以为这个领域做点什么，很多项目都是大家坐在一起喝咖啡聊出来的。
茶水间是大家分享点子、互通有无的地方。最初配备的是带加热器的普通咖啡机，然后是一系列功能更完备的浓缩咖啡机和磨豆机。同事们每天多次来这里喝咖啡，聊聊工作、生活，也会提到自己正在做的研究。记得有一阵子我在烦恼“数据质量”的难题，觉得无处入手，一位数据库大牛在茶水间里听了一耳朵，一边搅拌着手中的咖啡，一边不紧不慢地对我说：“我在组织一个星期二的讨论会，也许对你会有帮助，你要不要来？”果然，后来的交流对我的启发很大，让我少走了很多弯路。
在AT&T的20年间，我一直在和数据打交道，从数据集成到质量控制、前台应用，再到数据挖掘，就像是一块磁铁滚过一路铁屑似的，不停地吸取知识。就在我以为会继续这样工作下去的时候，一杯咖啡改变了我的人生轨迹。
那是2016年，在一次学术会议中，我认识了华为无线大数据实验室的负责人，一杯咖啡下肚，他邀请我去参观，并询问我对华为的数据分析工作是否感兴趣。虽然那时我并未做好准备，委婉地拒绝了，但一切已埋下伏笔。又过了一段时间，华为数据管理部部长、质量与流程IT首席数据官马运找到我，向我描述了在华为总部工作的场景，再次诚恳地邀请我，他说：“华为有海量的数据，你加入我们，就可以进入到任何领域，这是一个开放的广阔天地。”这一次，我动心了。
在原来的公司，我更多接触的是单点的业务场景，是基于收到的数据来做建模，时常会出现“巧妇难为无米之炊”的窘境，而华为要做数字化变革，是从系统、全局的视角出发，我有机会自己定义所需要的数据，自由地挖掘数据宝藏，这样的机会充满诱惑。
此时，我的家人给了我最坚定的支持。我的先生和我分享了他对于华为的印象和感受，他说：“这是一家伟大的公司，拥有着最丰富的场景和庞大的数据，你一定可以发挥自己的价值。”我的两个女儿也鼓励我说：“妈妈，如果你不想过一眼望到头的人生，就抓住这个机会吧，去试试吧！”
于是，2016年12月21日，我永远记得这一天，我从美国回到中国，第一次走进华为的深圳总部。正值午餐时间，涌动的人潮朝着食堂的方向走去，冬日的暖阳下，每个人看起来都是那么朝气蓬勃，神采飞扬，一副赏心悦目的画面，我内心止不住地兴奋：华为，我来了！
“这杯咖啡，太值了！”
最初我加入的是数据管理部，对口支持财经领域的AI探索，后来才正式转入因华为财经智能化而生的冯·诺依曼工作室。
刚入职时，部门邀请我去公司的专家大讲堂讲课。那时，我看到国内对大数据的备受推崇，几乎把大数据和AI划等号，而忽略了技术的演化途径和积累的重要性，于是我有感而发，想谈谈自己的理解。
我以东西方文明类比AI发展的两个阶段，第一个阶段类似西方文明，讲求的是机理与逻辑，对待AI，要先把人的知识分解清楚，再把逻辑的方法变成计算机的语言进行推理。第二个阶段，类似东方文明中“神农尝百草”后的经验总结，并在几千年的历史中被实践检验无数次，是用大数据驱动问题的解决。两种方法各有利弊，但在一个有管理目标的企业组织中，只有“中西结合”，搞清楚承载企业管理理念背后的机理和逻辑，再结合经验和大数据，才能为决策提供有力支撑。
讲座后不久，财经两个年轻的算法工程师愁容满面地找到我，说要请我喝咖啡。他们顶着“熊猫眼”坐在我的对面，肉眼可见的疲惫。
当时，他们正在做财经领域SSE（员工自助报销系统）报销的违规检测项目，账务人员从历史的违规单中抽象出很多的规则，但是按照规则识别出的问题单据多得超出了想象，命中率极低。大家对AI算法学习寄予厚望，希望能实现有效“揪”出问题单据的目标。
在灌进一整杯苦涩的咖啡后，一个小伙子一股脑儿倒出了自己的郁闷：“我俩对着这个模型反复调整参数好久了，可不管怎么捣鼓，都毫无进展，效果一如既往的差……”
“具体是什么样的表现呢？”我问道。
“在训练模型的时候，我们采样了两年的数据，训练时表现极好，但是验证数据时，命中率却极差……”
我在脑子里迅速思索了一下：“根据我的经验来说，如果训练和测试时的表现偏差较大，最大的可能就是两者原本就是不同维度的数据。这是什么导致的？可能是切分数据的技巧不对，也有可能是业务规则变了，选取数据的时候没有做相应的调整。”
这好比我们要用AI来找出“最漂亮的人”，但在训练模型的时候，今天让它看漂亮的人，明天让它看中等外貌的人，两个规律和标准并不相同，数据特征自然混杂了，最终训练出来的模型，当然很难实现精确识别。
他们点了点头：“怪不得我们拼命调整参数没有用，可能方向就错了啊！”
在告别之前，我嘱咐他们：“一定要和业务人员确认清楚，两年间的规则是否发生过变化。”
最后的结果证明，我的猜测是对的。他们回去后仔细询问了账务人员，才发现一个细微的报销政策的规则调整被忽略了。在账务人员看来，这个微不足道的政策调整，不会对数据产生什么影响，因此向算法人员讲述应用场景时，并没有强调。但从采样数据的角度来看，微小的错误在2年的时间跨度中累积起来，可能造成巨大的偏差。
症结找到了，问题自然也解决了，两个年轻人感激地对我说：“这杯咖啡，喝得太值了！”
这个小插曲，再一次让我看到大家对于AI的重视和渴望，但是，每一个AI模型都有它的局限性，都有自己能够发挥作用的前提假设，如果对业务的需求和业务本质缺乏深刻的理解，没有弄清楚到底要解决一个什么样的问题，只是闭着眼睛挑选模型和工具，这个不行就换另一个，那根本无法为业务人员提供决策参考。
所以，后来在与年轻人交流时，我都会引导他们深入思考业务的本质问题，具有什么样的特征，怎样选择数据范围，怎样合并或产生一些特征，哪种算法可以去探索，哪种算法不适合，为什么适合，为什么不适合……让他们走在正确的道路上。
这样的移花接木，行不行？
尽管有些小插曲，SSE员工报销项目还是顺利地完成了既定目标。与此同时，随着问答系统的兴起，2017年，差旅报销热线也而成为财经AI的试点项目之一。
对于华为员工来说，出差就是日常。每年，华为员工的飞行里程总数相当于绕地球13.6万圈，足迹遍布全球200多个国家和地区。因此员工涉及差旅报销的提问也是多如牛毛，如何更快、更准确地解答？大家把目光投向了AI。
AI的第三次浪潮在自然语言处理、图像、语音的识别上取得了巨大的突破，但在企业内部的应用上，这种基于大数据、大模型训练出来的黑盒模型很快遇到了瓶颈。这是因为像差旅报销政策这类既有华为特色，又有财经专业特色的对象，能够拿来训练的语料非常有限。而且，政策文档一般都很简练、严谨，依靠概率统计出的AI模型，满足不了这种知识的获取。
如何找到突破口呢？在关注业界动态的过程中，“知识图谱”进入了我的视线。
谷歌在2012年提出“知识图谱”的概念，以图的形式表现客观世界中的实体（概念、人、事物）之间的关系，初衷是为了优化搜索引擎返回的结果，增强用户搜索体验。举个例子，百度或者谷歌一下“小乔的丈夫”，搜索引擎会准确返回“周瑜”的信息，说明它构建了“知识图谱”的关系图，理解了用户的真实意图，知道我们要搜索的是“周瑜”，而不是仅仅返回关键词为“小乔的丈夫”的网页。不仅如此，当你搜索信息、看新闻、刷短视频、网购时，精准推送给你的内容，背后都可能有“知识图谱”的作用。
虽然当时“知识图谱”主要应用于开放域的搜索和问答引擎上，但我觉得，这种图形化表达知识之间关系的方法，可以融合专家经验和数据统计，非常适合差旅报销热线这样既有一定量的专家经验，又有一定量数据积累的场景，于是强烈推荐给了项目组。
当然，这样的“移花接木”也很挑战，因为不同于互联网企业，建立的是实体的人或物的关系，我们要建立起像会计规则这样的虚拟事物之间的关系。为此，我们花了很多时间与业务人员“泡”一起，抽象差旅场景的知识建模，构建起华为财经的第一个知识图谱。比方知道“员工周日要坐飞机出差上海”，系统就会关联出，到达上海后如何完成机票、住宿的预订，具体的报销规则是什么，还能关联出节假日出差的报销注意事项等，并给员工打包送上历史上提问过的所有相关问题。
这种“知识图谱”的构建，一方面扩展了问答对，改变了问答对只能靠历史积累的问题，另一方面也提高了热线机器人对语义理解的能力。在大家的共同努力下，差旅报销热线获得了成功，这么多年一直是公司众多热线系统中表现最好的。
尝到“知识图谱”的甜头后，我们又在财经领域大大小小构建了十多个“知识图谱”的应用，如银行知识图谱、电商管控中的关系图谱，可以帮助电商迅速降低被攻击的可能性。在这个过程中，我们加深了对企业“知识图谱”的认知，在“知识图谱”的特点和构建上突破了一些技术难点，并总结了一套方法论，申请了7个相关专利。一些成果被CIKM、KMIS等国际会议选中，作为指导性建议或论文进行宣讲。
受挫的眼泪
很多人问过我，AI是不是一种技术？我说，它是技术，但又不仅仅是一种技术，更是一种机制、一种环境。你可以把AI当成一个“孩子”，要让它成才，就要建立一个系统的培养机制。从教它听懂“人话”，到教它学会理解和思考，再定期去考核它、重新训练它，让它不断进步。
这两年，在AI技术加速在各行业落地应用过程中，我逐渐意识到“知识+数据”驱动的重要性，开始把“知识表示”作为一种重要的技术方向。
这个概念听起来很高深，其实就是为了让机器能听懂“人话”，并且自己会“思考”。比如，“拿包出门”这个指令，机器可能以为就是“拿起包，直接穿过门就出去了”，很难理解这包含一系列动作：拿起包，打开门，出去，关门，更不理解为啥要这样做。所以，“知识表示”就是要做三件事，一是把知识掰开了揉碎了，建立结构化的逻辑，二是把这些内在关系用“二进制”的语言说给机器听，三是把这部分逻辑和数据挂钩。这样一来，机器不仅听得懂，还会自己根据内在逻辑去思考、计算、判断。下次你要出门，还没开口，它就自动帮你提包了。
我一直坚定地认为，在专业性很强的财经领域，“知识表示”可以派上大用场——把确定的规则结构化，结构化的规则网络化，不确定的规则科学化，让AI真正具备思考和预测的能力，帮助企业做出更好的决策。所以，2020年，在X业务预测领域的AI探索上，我一直坚定地主张使用“知识表示”技术。
但对于产品经理而言，要把知识结构化，是一个工作量巨大的工程。所以尽管他们已经梳理清楚影响预测的所有因素，具备了构建业务逻辑的基础，但依然拒绝了这项技术。在一次会议上，我们爆发了激烈的争吵。
“你们为什么不多做一步呢？”我十分不理解这样半途而废的行为，不自觉提高了音量。
“为什么要多此一举呢，我们已经达成目标了。”产品经理摆摆手，同样的不解。在他看来，把影响预测的每一个因素用代码写出来，让机器听得懂“人话”就行了，为什么非要把知识结构化，让机器知道为啥这么做？
“不这样做，这只是一个‘死’系统，机器还是没有分析和思考能力。”尽管我很坚持，但显然彼此的沟通并不在一个频道上，最终只能不欢而散。
明明这是一个大家都谁受益的方向，为什么这么难落地？在华为，我们拥有其他任何企业可能不具备的场景、能力，为什么我们已经在了这个时代的前沿，反而要止步不前呢？我觉得特别受挫，坐在偌大的咖啡厅里，和一个熟识的同事聊起这件事，我忍不住流下了眼泪。
“这难道不是我们共同的理想吗？”我痛苦地问道。
同事一边给我递纸巾，一边真诚地对我说：“那只是你的理想，还没有成为大家的理想，你要给大家时间。”
我一怔，是的，我很清楚，只有把业务逻辑与数据处理结合起来，才能构建一个快速响应、逻辑清晰的信息系统，为业务做分析推演。但从业务人员的角度来看，“知识表示”只是一个概念，它能达成什么价值，还要经过实践的检验。背负着交付压力的他们，怎么能开开心心做第一个吃“螃蟹”的人呢？
我反省自己，在表达上过于强势了。在我的认知里，技术目标永远是摆在第一位的，却忽略了很重要的一点——“独行快，众行远”，真的要做成、做大，必须要一个团队朝着一处使劲。与其从理念上去说服别人，不如先提供一个工具，让业务马上能用上，尝到“甜头”，切身感受到它的价值，这样才能实现共赢。
后来，我转变了做法，从推广理念变成推广工具，不再执拗于一步到位。从2022年开始，“知识表示”技术项目正式孵化为一个子产品，先完成以解决用户痛点为本的基本功能，在某些场景先小试牛刀，后续再迭代优化。
比如，在“基本价的合理性检验”这个场景中，定价的合理性验证要通过成本降幅、商务降幅等8个相互关联的要素来决定，定价业务想测试这些要素对价格的影响。为了完成业务的诉求，在底层技术上，我们采用“知识表示”的技术构建了对价格产生影响的各个要素之间，以及要素与数据之间的关系，并自动翻译成可执行代码，提供给业务分析工具。在工具界面，业务人员可以自由调节每个要素的值，并链接数据库，算出对应的价格，并可以依据自己的经验，分析所得结果是否合理。
相信随着越来越多的应用落地和效果的彰显，由“知识表示”底层技术构建起来的知识网会越织越大，为业务提供更广阔的知识链接，“知识表示”产品也会得到越来越多的认可。未来，人与机器不只是一起工作，而是持续地互相学习。
我的小目标
如果把华为公司比作是一个人的话，华为财经监控的就是人的各项身体指标。这些指标既彼此相互影响，又受到外部因素的影响，所以我们要从系统的角度找到问题指标背后的真正原因。比如得了“高血压”，就要找到导致“高血压”的根源是什么，是吃得过于油腻，还是缺乏锻炼，或是生活环境发生剧烈变动。只有以场景为核心，把算法、算力和数据聚集起来，那才是真正意义上的AI，才能有效支撑公司做出经营决策。
在探索AI的几年时间里，我欣喜地看到，华为财经围绕洞察、效率、控制三大职责，构建了一系列优秀的AI产品，如企业风控、电商支付风控、规划推演和财经助手产品等，并且从散点建设到体系化建设，沉淀出“知识图谱”“知识表示”“知识数据底座”等公共产品。
记得几年前我加入冯·诺依曼工作室时，给自己定过一个小目标——看清楚华为财经三年之内能用上的技术。现在回头看，在这一点上，我做到了。我坚持了自己的专业理念，也把过去20多年在学术界和工业界积累的经验，用在了华为财经这个广阔的平台上，我觉得很值！
希望若干年后，等我离开华为时，人们提起我会说：“哦，是的，那个老太太挺倔的，但我们都很喜欢她！”
来源/《华为人》
风起堂观察/为您讲述华为奋斗者的故事