数据智能的三个案例在线视频

以下我就分三个风险营销认知

这三个能力分别举一些

怎么样用大数据

和人工智能的方式

来解决这三个问题

举一些例子

所以这是第三趴

数据智能的一些应用

讲这个之前先来简单列一下

说大数据和人工智能它的整体

我们在提到说认知

营销和风险三件事情的时候

它底下有些什么样的技术

最底下是要依靠

整个大数据的基础技术

如果没有这些东西

那你只能通过小数据来完成

小数据有什么问题我下边讲

然后在这之上

因为有很多人工智能的东西

所以必须

要有机器学习的一套方法论

在这之上是一些应用于

这种领域的一些人工智能课题

比如说对象的识别文字识别

动作追踪 固体检测

然后比如说在营销方面

有事件的预测

知识图谱语义理解

然后在风险方面

比如说有异常发现

这些东西比较通用的

一些人工智能的一些课题

再往上是我们刚才说的三大应用

一个是认知上

那第一是人脸识别

第二是活体识别

第三是证照识别

所谓活体识别解释一下

就是知道你是个活人

你不能拿着一张简单的照片来

就来所谓叫攻击这个系统

然后营销这边

两件比较重要的事情

一件是获客

一件是产品的推荐

风险的话两件事情

一个是信用

信贷的信用

另外一个是欺诈

整个来说它的整个技术体系

大致是这样子的

它的整个基础底下是

我刚才列了是所谓大数据

它跟传统银行金融机构

所用的数据技术有什么不同

实际上很多机器学习的技术

很早就在银行里面应用起来了

包括风险建模

实际上也不是什么新鲜事

现在的一个主要底层差别

是在于数据量的大小

所谓大数据它的一个特点是全量

它不去做采样

比如说传统要做一些人群的特征

发现的话

我们可能会采样一些人出来

那么现在我们不需要

我们通过大数据的技术

全都算一遍就好了

有多少就用多少

它这个量级很大

然后在这个数据的

属性上面是强弱数据都有

所谓强数据指的是一些金融属性

就比如说你借款有没有还

就比如说你在央行征信的

记录里面的那些很清楚的

就是跟钱有相关的东西

那所谓弱数据

就是一些互联网属性东西

弱到什么程度

弱到你今天打开了这个应用程序

有了一个打开的记录

这就是一条弱数据

这条弱数据你别看它弱

当我们把这些数据

汇起来的时候你会发现

通过数据挖掘的手段

它是很有意义的

然后就是数据的非结构化

数据质量会很高低不齐

存储方面银行是惯用的是大型机

互联网方面惯用的是

分布式存储和数据仓库

数据仓库这件事情

可能在学校里见的不多

但实际上在互联网金融里面

是一个很重的工作

就是我们要很重视数据资产

怎么样去组织

怎么样从原始的明细

一直到往上去提炼去抽取

形成一个很大的

数据仓库数据集市

这个工作

这个就是大体上的

一些所谓大数据的不同

我们分三个营销 风险和认知

三个应用领域

我们来讲一讲我们的一些

目前的一些应用

和这背后的一些逻辑

那营销方面刚才讲到了

有很多具体的课题

比如说获客

获客就说我有一个新的金融产品

我怎么样能够找到合适的人来用

它里面用到的技术包括说

我怎么样挖掘出来我的受众人群

我怎么样去估算

建个模型去算它的

对我这个产品的所谓响应率

响应率就是我给他他要不要用

它概率是多高

然后包括我的推广渠道选择

通常来说

我们会对新手有一个新手补贴

就是任何行业

都已经很老了的一个办法

但是补贴有讲究

就是怎么样能够记得

去算他的投入产出比

然后第二类是产品推荐

金融产品有五花八门很多样

那要根据每个用户的

个性化去选择

他具体的一些这个产品的

更合适的一个产品

第三个方面是体验的调优

这是一些很细微的一些工作

跟互联网会更像一些

我们下面会举一个例子

我举两个例子

一个例子是在新手补贴这个

一个例子在新功能引导

让大家体验一下

精细化的做营销这件事

第一个是新手的补贴

这个举的例子是

我们自有的支付美团支付

它需要用户去在

我们的APP上绑定一张银行卡

那绑银行卡这项操作也比较繁琐

你需要录入你的各种信息

你还要用手机号来验证

但是对于用户和对于美团来说

也都蛮有好处

因为有这张卡在的时候

我们可以提供更多的金融服务

那怎样来促进美团支付的新客呢

那我们就会给新手发新手红包

也就会给一个补贴

这个补贴会

比如说各种各样的形式

可能是在买外卖的时候

直接给你一笔钱

说你要不要来试一下

我们这个新的

这个美团支付这个功能

如果你用的话我马上给你

这单来减一点钱

这是一个例子

所以这件事情上

营销的动作在于说

我是不是会给这个下单

你在支付的时候

是不是会给你一份立减的补贴

然后补贴量是多大

它的目标是我去帮支付

这个产品去拉新客

并且拉客的量

跟我拉客所花费的成本

这是这件事情的一体两面

一个是收益一个是成本

它必须平衡这两个目标

因此怎么解决这个问题呢

我们在数学上进行建模

也就是说

我们会对你的响应率进行建模

你的X就是你现在用什么东西

你的身份是什么

你的用户信息

你过往的行为等等等等等等

那我的Y就是你会不会

对我的这个新产品进行响应

比如说绑卡这件事情

其他的新产品也是类似的

但是我们对补贴分为两个模型

一个叫高补贴一个叫低补贴

为什么要这么做

是因为对于如果说

有很多用户实际上他本来

就想来用你的这个新的产品

因为你新产品毕竟也是很好

他会来用

那么对于这样的一个用户

你其实没有必要

再去发放所谓的新手的礼

那么对另外一部分人

他本来是不来的

但是你为了让他来

是要发一个更大的礼包

所以这里面会有差异

通过高低补贴所以就是说

从这个新手礼包的不同的组合

比如说我给你是一张优惠券呢

还是给你一个立减呢

还是给你一个

什么样其他的权益呢

我有权益的组合

组合出来之后会

不同的权益组合

会产生不同的响应

那根据你的不同组合的响应

我们可以进行排序

如果是说差异大的跟差异小的

那么后面后续

他的动作就会不一样

比如说如果不给你这个礼包

你就不来了

那肯定就要给你这个礼包

如果不给你这个礼包你还是会来

那肯定你给的礼包就会小

这是在这个新手补贴上面的

一些精细化运营

通过这两个模型来完成

那么最后的效果也是蛮好

它会让你的

这个获客的效率提高到很高

能够让这个业务得以开展

第二个例子

是一个体验方面的优化

这里边的一个产品叫做免密

这个是一个支付的界面

当你在支付一个产品的时候

你可以选择说如果把这开放打开

那么以后就不需要输密码

这个地方需要输密码

但实际上为什么要重视这个东西

是因为很多用户他会遗忘密码

对 所以这就是为什么

像所谓创新支付它是有意义的

就在于其实我如果我知道A是A B是B

如果知道你的身份

那么就没有必要

很�嗦的再去核验一道

用密码来核验

因为很多人很多人

是会遗忘密码的

大概有5%-10%的人

他可能会遗忘密码

这个数字还是蛮大的

那在风控安全的前提下

其实我们没有必要

让用户再输一道密码

因此我们会说推荐用户

来用开启这个叫免密支付

它是小于一定的数额的

所以它叫小额的免密支付

但是这个事情也是一体两面

如果说我们把小额免密

这个功能直接推给用户

直接默认打开

那么确实支付成功率会提高

但是会有客诉

因为很多人

他不能让你就是替他做决定

另外一方面如果我们

不去引导用户开启这功能

实际上虽然没有客诉

但是它的使用率是很低的

用户其实对你这个东西不理解

而且我们在支付的时候

是着急去完成这个定单

对你这个东西其实是不太理解的

那这个时候怎么办呢

同样是建模

那我们根据不同的用户

比如说有的用户是密码型的

有的用户是指纹型的

指纹支付现在也很常见

对于不同种类的用户

分别去建立他的引导模型

所谓引导模型就是一个科学预测

我通过一个用户

他的历史的消费偏好

支付数据行为画像绑卡情况等等

其实是可以预测出来说

他能不能够接受

免密支付这个东西

并且把这功能打开

如果是高的话

那么自然就可以开启主动引导

如果是低的话

当然我们就不动这个开关

结果这个东西上线效果

也是非常好

那么有大量的用户接受了

这个免密支付这个功能

所以默认就打开了

大概在美团来说

因为大部分人

平时高频的动作是点外卖

点外卖其实金额比较低

可能就几十块钱

其实免密支付是相当安全

我们现在大概有一半以上的交易

会通过免密支付来完成

然后客诉也是比较低的

这也是得益于

说这里面的建模的效果

这是在营销和体验方面的优化

第二方面我讲一讲这个风险

风险大体上分为两类

我们这里要讲的风险分为两类

但风险不只这两

我们讲的是分为两类

一类叫信用风险一类叫欺诈风险

所谓信用风险是

核心是预测信用的违约

所谓信用违约就是你借了一笔钱

但是你还不上

这叫信用的违约

还要做的一件事情是建模

Y=f（X）

X是你的各种信息

和你的一些历史行为

Y无就是你是否会违约

你的违约概率是多高

然后f就是我们建的模型

那么不同的情况

我们会做不同的模型的处理

那么对于强数据的情况

就是有很多人他其实

他有很强的金融属性的数据在

比如他征信很好

那么其实这样的情况下

以这个有监督学习

就是我拉一批过去

比如说

三五个月的接待的历史数据

那么Y就是这个人有没有还

那么X就是他之前的一些表现

借款这些表现

很简单我们就出现特征建个模

这件事情就结束了

但是也有很多的人

他没有这么多的数据

那就只能通过弱数据

那怎么办

我们下面会举这个例子

来提到说另外一方面的欺诈风险

不去详细的展开

但大体上说的是说

它不是判断信用的违约

它是判断用户的身份

就是A不是A B不是B

那这件事情

在他身份一旦是错的情况下

他就不用看说违不违约

因为他人是错的

那么他后面所有东西都是

都是不成立的都是错的

所以这块是一个

我今天不再详细展开

但是我们在这方面

有很多研究正在做

主要是一些非监督学习

通过挖掘的办法

以后有机会可以

比较成熟的情况下可以再分享

今天主要讲一讲所谓弱数据建模

这是在传统金融领域里面

是没有见到的

所谓大数据风控

大数据大数据

数据一个X一个Y刚才讲过了

X是你的表现

人的一个表征

Y是你的预期的可以说预期概率

那我们有两类数据

刚才说一类是强数据

它有很明确的征信的数据

有历史的信贷行为

有明确的财务情况

这是传统金融机构

所典型的一些数据

对Y来说就是

我有充足的这个借贷违约

就是这群人

我经营的这群客户

他已经跑了很久了

他里面有很多人

他是有违约和不违约

实际的一个历史表现

对于弱数据来说

首先X它没有这么好的数据

他有哪些弱数据呢

就比如说基础信息

比如说你的设备是什么

比如说你在哪里工作

你在哪里点外卖

比如说

然后包括这个消费

消费是说

你购买了一些什么产品

然后消费前的活动

可能有的人挑挑拣拣

有的人看看转转仅此而已

然后消费的这个附加信息

比如说你在订完一个东西之后

后面有没有退

后面的履约环节

你有没有投诉等等

就是觉得伴随这个交易产生

我们也拿有一些附加信息

这些东西都非常的弱

它跟最后的信贷违约

看起来表面上是没有什么关联的

然后其实Y也有弱的部分

Y的弱的部分就是

我并不知道这个人会不会违约

但是我只能是说

知道一部分人的身份

这个是来自于

做了这么年的金融之后

有一些比较通用的认识

比如说公务员

就是一个很好的身份

这个群体他的违约的概率会很小

那比如说学生

学生是一个

比较不稳定的一个身份

那么这个身份

他的违约的概率就会变大

所以当你没有强的Y的时候

你只能用一些弱的Y来做这个风险

然后他的这个风险评估的用途呢

除了比较典型的就是信贷审批

他还可以用在

很多其他的增值服务

比如很多业务

他可以提供免押金这个服务

但必须要你信用评分比较高

大家看到很典型的

就是很多企业都在用芝麻信用分

来做某些业务的准入的一个评分

那芝麻信用分

其实它不是一个很典型的

就是这边一个

它是一个产品化的东西

它带有一些营销的成分

就不在细说

但是这里面原理是一样的

就是金融风险的评分

我们算出来这个模型

实际上除了借贷的准入以外

还可以用在很多别的场合

也许有哪一天你到某一个地方去

那个地方说我提供一个新的服务

就好比说我可以租自行车给你

但是你需要交押金

但是有可能你去那你一刷脸

人家说你不用交押金

因为你的信用评分很高

也许有一天我们可以做到这样

OK那回到这个里面

那弱数据我们为什么要用

刚才说到了就是

当我们变得更普惠的时候

人群是没有强数据只有弱数据

还有两个很重要的原因

这两个很重要的原因

是他有他背后数学和经济学的意义

一个是所谓冷启动

就是当你一个业务新做的时候

比如说我们美团

在去年才开始做信贷业务

那个美团上面有一款

信贷产品叫做美团生活费

这个是额度低 利率中

然后周期很短的

一个现金的借贷产品

但是当你一开始

做这样的业务的时候

你其实没有足够历史的Y

强数据的Y 你只有弱的

所以一定要用弱的东西来引入

比如说我们明确知道某一群人

这一群人应该是好于另外一群人

最简单白领一定好于学生对吧

所以这个身份是明确的

通过这样的办法

你用这些弱数据来做启动

在跑业务的时候

你没有办法累计

那个足够强的X和Y来跑你的模型

那第二个问题是经济周期

这是一个经济学问题

就说所有的模型目前为止

目前为止人类科技力量

所有的信用评分的模型

用到的数据周期都很短

典型的就是月这个尺度

有可能就是两个月三个月

这样的典型的数据尺度

那实际上人类的

经济周期是很长的

上一次的全球经济危机

是在2007年2008年

2008年全球经济危机

上一次的这个A股的

大的泡沫也是在2007年

但是如果你的模型

没有那个时候的数据

你是没有办法预测说

目前跑的这个信贷表现分高分低

他到底是不是

分高是不是好

再举个例子

我之前跟一些金融从业者也聊过

就是来自于区电

他发现一个很痛苦的一个问题

什么问题呢

他发现说

他做他的信用评分模型

也是用过去一段时间的这个

信贷表现

因为区电的借贷周期也很短

然后我们就来训练这个模型

然后来评分

然后用于新的用户

我们发现某种情况下

信用分高并不意味着

这个人好

当然他能还钱

但可他觉得这个人并不好

为什么不好呢

是因为他的多头借贷

因为他能够拿到

很多头借贷的数据

市场上会有这样的数据交易

他发现其实多头借贷的人

这个指标越高

实际上他的还款能力越好

这样的一个情况就非常崩溃

他的问题就在于经济周期

因为在这么短的经济周期里面

即便是多头借贷

拆东墙补西墙

只要这个行业在转

只要这个泡沫还没破

他一定是可以再转下去的

因此去年有一位

也有很多人在热议这个问题

有人就公然说

这个风险风控没有用

因为你能看到越多头借贷

他还款能力越好

那你为什么还要做风控呢

这个问题就是经济周期

在经济周期还没到

他泡沫破的时候

因此这个模型一定是看不见

一定是认为他这个人

就是非常好的人

但实际上这样的业务

是非常有风险的

哪一天泡沫破裂的时候

你的风险没有办法释放

那就会全盘皆输

这也是为什么

2007年的时候次贷危机

很多很多倒闭的公司

或者很多很多金融产品

实际上他的信用评分是很高的

他的FICO评分

各种评分都是3个A

各种各种高分

可是他们最后就倒闭了

为什么呢

就因为经济周期它的漫长性

所有的数据只能处于短周期的问题

怎么样解决这个问题

就一定会不要用这么强的Y

这么强的Y在这个时候反而不好

一定要引入更弱的Y

我们明确的知道

有一些人就是要比另一些人不好

那么这样的模型才能够抵抗

经济周期的影响

那我们来举一个

弱数据方面的案例

有很多很多各种各样的弱数据了

那么限于这个时间的关系

我们举一个例子

就是在我们实际在

线上用的一个例子

在我们的那个消费金融产品里面

我们会有信用评分

典型的信用评分

我们这里有一个叫稳定分

一个叫信用分的

它的数据都是弱数据

怎么个弱法呢

他有一些业务交易的数据

他还有定位的数据

浏览的数据以及实名

所谓实名就是看你

有没有绑银行卡等等

那这些数据都是比较弱的

我们这里并没有用

人民银行的征信数据等等

通过这些数据

我们可以算出来一个信用分

一个稳定分

这个提起稳定分

什么叫稳定分呢

他是只用你的定位数据算得的

我定位就是当你做

任何在APP上操作的时候

你会留下一个地理信息点

地理信息的打点

那么这个地理信息的打点

日积月累

每个人都会很丰富

所以他是大数据和弱数据

那金融里面有一个假设

假设是说人越稳定

那么他的风险越低

因此这里面做了很多

数据挖掘工作

一个例子是说

我们可以去做聚类

把人的行为轨迹打点做一个聚类

我们会发现说过去一年当中

你有很多打点信息

那么你可能可以聚起来若干簇

比如说有的人能够聚起来两簇

像我这样的人就是家跟公司

那可能像你们这样的人

就是学校就一簇

可能有的人是很多很多簇

实际上最好的表现是两簇

也就是说就是像我这样的上班族

家跟公司

一簇是相当差的

因为他可能比如说在学校的话

或者说他四处奔走

他是一个像没有固定的工作地点

这样的一些人

所以两簇最好

其他是更弱

OK 所以我们做这样的事情

其实并没有用很强的Y

当然我们会用

实际上业务数据来做校验

怎么校验呢

把这些分算出来以后

通过人的一些规则

放一些准入的名单

这批人放进来以后

就跑他线上的这道流程

然后通过经过一定时间

比如说一两个月

我们就能够收集到

他线上贷款的表现

通过贷款的表现

我们就可以知道他预期率的高低

我们把预期率的高低

跟当初的稳定分拿来做校验

我们会发现说稳定分高低

跟他的预期率高低

两个是正相关的

因此所以这个弱数据评分

它是成立的

那它很弱

而且他只有一部分的评价功能

可是它就相当有用

而且它能够为原来没有强数据

原来没有征信

银行不敢服务的人我们能服务

他靠的就是这种弱数据的挖掘

像这样的挖掘

我们会持续的在做

做很多这样的工作

这是一个弱数据的例子

然后接下来谈谈这个认知

认知我觉得就是最近的宣传

也是铺天盖地

大家都能看到很多刷脸支付

这个非常的火

大体上我们分分类

一类是说OCR

就是像证照 材料

等等这种票据的识别

这种也非常简单

第二类是人脸

人脸主要是

人脸检测它主要是两个课题

一个是1比1一个是1比N

1比1就说你有一张脸你有一个证

这两个是否是同样一个人

你要做一个判断

1比N就说你有一张脸

你的背后数据库里面有N个档案

你要知道这张脸

是档案当中的哪一个

这两个问题

目前解决比较好的是第一个

第二个是比较难的一个问题

第三类课题是活体检测

这是一个新兴的领域非常火

他是必须要完成说我在

我说使用机器的办法

能够知道一个活人是一个活人

那目前我们最简单的

如果你去用一些银行

他的转账功能的话

他会让你做比如说

让你摇摇头 让你眨眨眼

这就是为了做活体检测

这样的手段其实还是非常初级

这个领域可见是说

他是一个博弈的过程

道高一尺魔高一丈的过程

那有什么样的新技术

有可能会用呢

比如说三维重建

如果说我有一个视频

那么我可能会了解到

我面前这个人是一个立体的人

他不是一张照片

因为你在动的过程当中

我们可以推算出一些三维信息

比如说你的鼻子是在前面

而不是在跟你的

你动一张照片

跟你动一个人头

它其实我们可以反推说

这个三维信息是不一样的

你的鼻子跟你的耳朵

不是在同一个平面

这部分就要三维重建

更直接的三维重建是

建立多维多模态的视觉

比如说iPhoneX

它在这块就走的很前

所以多路很简单就是

如果你有两个摄像头

其实你就解决三维的问题

但是一般的手机上

没有两个摄像头吧

这个事情在未来会逐渐逐渐改变

像iPhone上面它有一圈的传感器

它甚至能够主动的发光

打到你的脸上

能够获取三维信息

我们可以看见说

在未来线下的这个商店里面

那个不需要你的手机来做什么事

我们可以研究一些专门的设备

那些设备可能会比如有多路视觉

比如说他可能不用可见光

他可能用红外光

因为红外会带有你的热力的信息

这也是很难伪造的

另外除了视觉

可能还有别的其他路的信息

比如说声音的信息声纹的信息

我们跟清华

其实有一些声纹上的合作

这一大类是活体检测

这个技术我认为目前

还是处于研究当中

比较的不成熟

然后我们目前正在做的是

这个1比N这个比对

那么能够做到一个程度是

我们觉得这个问题

已经能够到商用的程度

所以大概会六月底吧

就是在我们自营的

那个小象生鲜里面

可能会就铺设一条

那个刷脸支付的收银通道

来尝试商用

因为很多业界

也是在这个尝试商用阶段

这里讲的是说

这个1比1的人脸识别的比对

它已经能够达到一个商用水平

那当然过程讲讲其实也蛮简单

就是首先把人脸拍下来

通过人脸检测的模型

得到一张人脸图像

就是他能够把人脸识别出来

并且框出来

从这过程当中能够把CNN网络的

倒数第二层的信息提取出来

变成一个特征

把这个特征存入到数据库里面去

然后在支付的环节

当你刷脸

同样跑人脸识别的模型

把你的脸抠出来

同样提取出这个网络的

最后一层特征

跟原来库里面的人脸进行比对

扫一遍

然后找出与你最相似的这个人

这个过程就算完成

这里面要求很高

如果是说来一张脸

我并不知道他是谁

我要在库里面找的话

这是一个1比N的问题

因为脸是1但是你的库是N

然后这样的问题是

我们还是不能纯靠技术端去解决的

因为什么呢

因为我们必须要

基于1比1的比对去做

所谓1比1就是

我必须依赖于你每一张脸

如果我的库里面有一万张脸

那么我需要把

我现在收到一张照片

去跟库里面的一万张脸

一一进行比对

如果说我一一比对的时候

我有一个出错率

这个叫False Acceptance Rate

就是误检率

就是不是你我把他当成了你

那么这笔钱就会扣错

这个叫误检率

这是一个核心的

不能出错的一个东西

这个率现在能够做多少呢

业界的水平是在十万分之一

到百万分之一之间

听起来已经很低了

就是你给我一张脸

我在一百万个人里面

去找的时候出错一次

但是这个东西要全靠它来商用

为什么难呢

是因为如果我只看人脸识别

这时候我的库里面有一百万张脸

你给我一张脸

然后我扫一遍

那么必然有一张出错了

那就是一百万张脸

平均有一张出错

那么当我的库里

有一百万张脸的时候

每次的比对我都会出错一次

那这个就相当的不能接受

所以我们并没有可能说

在商业的领域里面

实现百万这个量级的

纯靠刷脸来进行支付的这个环节

所以商用领域

一般会加上其他路的校验

简单的例子是手机号的校验

我们看到支付宝在这个

DEMO里面是用手机号

就说你要支付这之前

你要把你的手机号先输一遍

这下他如果把手机号都输完了

就从1比N的问题

变到一个1比1的问题

那1比1的问题不用百万分一的

准确率和误检率

万分之一都够用

然而输手机号体验会比较糟糕

因为你要输一串东西

这东西很烦

并且有可能互相知道你的手机号

那也可以来

还存在攻击的可能

我们目前的方案是说

其实也是输手机号

其实我只是用我手机号的后四位

其实我是一个1比10000的比对

在1比10000的比对情况下

我觉得目前的商用技术

还是比较成熟

那整个这件事情要往下做

他一定是说两个道路

一个是说这个人脸识别模型

他必须要去持续突破这个极限

目前是十分之一

到百万分之一的误实率

听起来很低可是它不够低

我们往往能够从业界里面看到

各种各样的有趣的新闻

比如用人脸识别抓逃犯

又会闯红灯

又或者是干这个干那个

他们会说这个事情成功了

但是问题是说

他没有误检率这个数字的提供

所谓误检率就是

即便你是十万分之一的误检率

我全靠这个东西

我要在十万人里面找你

那也是必然出错的

这是这个刷脸支付

所以跟大家说的就说

其实目前现在都在商用

就是叫怎么样

就是说试商用的这个阶段

并且它一定是跟其他的

验证方式同时进行的

可能比如说通过手机号也好

通过声纹的方式

语音识别的方式也好

还得度过一段时间

又到一个比较好的

一个商用的环节

但离我们的想象就全靠脸

你出门全靠脸这个阶段还差很远

就商业上走的比较前

是美国的 Amazon Go

而且 Amazon Go在你进场的时候

必须要刷一道手机二维码

那道二维码刷完了

他在支付那个环节仍然是1比N

但是那个N已经很小了

因为今天进场的人

只有那么一些人

可能在千这个量级

他只需要把1比千

这个量级人脸识别做好

那他的这个支付就能够顺利

所以这是 Amazon Go的一个解决方案

这个是刷脸这件事情

在金融里的一些情况