保险库：万事达卡如何利用 AI 实现支付转型
快速阅读: 《安德森·霍洛维茨》消息，Mark：非常感谢Greg Ullrich加入《Vault》节目。Greg分享了他在非营利领域及万事达卡制定AI战略的经历，探讨了AI在支付和商业中的应用及可信AI生态系统的构建。Greg提到，万事达卡正利用AI提升安全性、智能化、个性化和运营效率，并强调了对生成式AI的投资和ROI评估的重要性。他期待多模态AI和推理模型的进步，以及在信任和责任方面的持续发展。
大卫·哈伯与马克·安德鲁斯科
《销售force的终结：为何AI将重塑销售》
乔·施密特和马克·安德鲁斯科
文中表达的观点仅代表被引用的AH资本管理有限责任公司（‘a16z’）个人员工的看法，并不代表a16z及其关联机构的观点。文中部分内容源自第三方来源，包括a16z管理基金的投资组合公司。尽管这些信息被认为可靠，但a16z并未对此类信息进行独立核实，也不保证信息的长期准确性和适用性。此外，本内容可能包含第三方广告内容，a16z未审核此类广告，也不认可其中包含的任何广告内容。
本内容仅用于提供信息参考，不应将其作为法律、商业、投资或税务建议依赖。涉及这些问题时，请咨询您的专业顾问。文中提及的任何证券或数字资产均为示例用途，不构成投资建议或提供投资服务的要约。此外，本内容并非专为投资者或潜在投资者设计或意图使用，且在任何情况下均不得以此作为投资a16z管理基金的依据。（投资a16z基金的要约仅通过相关基金的私募备忘录、认购协议及其他相关文件进行，并应仔细阅读。）文中提及或描述的任何投资或投资组合公司并不代表a16z管理的所有投资，也不能保证这些投资能获利，或其他未来投资具有相似特征或结果。由安德森·霍洛维茨（Andreessen Horowitz）管理的基金投资列表可在此处查看：
https://a16z.com/investments/
文中的图表和图形仅供信息参考，不应作为投资决策的依据。过往表现不代表未来结果。内容仅反映所示日期的情况。材料中所含的任何预测、估计、预测、目标、展望和/或观点都可能随时调整，且可能与他人的观点不同甚至相反。请访问
https://a16z.com/disclosures/
了解更多信息。
—
**格雷格·乌尔里希访谈：万事达卡的人工智能战略**
马克：大家好，我是马克·安德鲁斯科，a16z的合伙人。在这期《Vault》中，我和万事达卡首席AI和数据官格雷格·乌尔里希进行了对话。我们将深入探讨格雷格从非营利领域工作到制定全球最大的金融服务公司之一的AI战略的迷人旅程。我们的谈话探讨了万事达卡几十年来如何利用人工智能，生成式AI在支付和商业中的变革性作用，以及格雷格对构建可信AI生态系统的见解。让我们开始吧。
马克：格雷格，非常感谢您加入我们的《Vault》节目。很高兴见到您。
格雷格：谢谢您，马克。
马克：格雷格，非常感谢您加入我们的《Vault》节目。很高兴见到您。
马克：是的，显然您和我已经认识一段时间了，但也许对我们的观众来说，我们希望您能分享一下您的背景和经历。
格雷格：好的，当然，谢谢。我是格雷格·乌尔里希，在万事达卡担任首席AI和数据官。现在无疑是从事AI工作的绝佳时机。我们有如此多的兴奋之处、能量和机会。同时，未来仍然需要书写，我们还处于早期阶段，未来会是什么样子，更重要的是，我们将如何走到那一步，仍然是未知数。所以这是一个很棒的工作岗位。
我在这一领域的经历，嗯，我想是从大学开始的，但真正投入是在几十年前在非营利部门工作的时候。我当时试图帮助组织了解不同干预措施的有效性。如果你想在某些社区解决清洁用水问题，最好的方法是什么？或者如果你想应对疟疾，哪个组织有最佳的方法？你如何确定哪种干预措施、策略、方法或组织对我们所关心的事情影响最大？我意识到在这个领域，数据、分析能力和分析这些数据的能力是有限的，后来我进入了一家叫APT（应用预测技术）的公司工作。这实际上是为了区分因果关系和相关性，并识别任何干预措施、测试、实验或你在市场中所做的任何事情的真实影响。这对非营利部门和我们正在做的事情有很大的力量。
在那里，我有两个目标。一是如果你拥有正确的数据和分析能力，你能多有效地理解什么有效并衡量其影响；二是如果不小心的话，滥用数据和分析是多么容易。简而言之，大约十年前，APT被万事达卡收购。之后，我在服务部门做了各种各样的角色。然后，从2000年开始，我领导了大约四年战略、并购和企业开发。然后，讽刺的是，今年早些时候，我在一次a16z活动中，我们的CEO打电话问我是否愿意担任这个AI和数据职位。从今年第二季度起我就一直在做这份工作，而且非常喜欢。
马克：可以说，我们完全为此负责。
格雷格：完全为此负责。
马克：可以说，我们完全为此负责。
马克：是的，太棒了。
格雷格：我认为这就是结论。
马克：没错。真是太好了。我们非常高兴您担任这个职位。我认为我们在这一点上完全一致，显然，现在是思考这些问题的最佳时机。我很好奇，像万事达卡这样庞大且对金融和货币流通生态系统至关重要的公司，肯定已经使用人工智能很长时间了。但是，你知道，从2022年开始，随着ChatGPT等技术的出现，我们现在正处于一个特定的生成式AI浪潮之中。所以我很想知道，您如何看待这两组技术的区别以及它们给万事达卡带来的各种机会？
格雷格：当然。您说得对，我们已经使用AI几十年了。它是我们所有反欺诈检测工作中不可或缺的一部分，对吧？我的意思是，我们一直都在监控交易，试图为商家和发卡机构提供关于交易是否欺诈的见解，以帮助做出更好的决策，并确保系统安全高效地运行。人工智能在其中起到了重要作用，还有我们在个性化、预测、智能产品等方面为客户提供的服务也是如此。所以，这对我们来说已经存在很久了。显然，两年前或者两年零一个月前，随着生成式AI的兴起，它创造了许多新的机会。但对于我们来说，使用什么技术，取决于具体的使用场景。
如果您有结构化的数据，正在做预测模型，那么很多反欺诈管理和传统的AI/机器学习将会更加高效、更加有效，当然也会更经济实惠。当您处理知识管理任务时，尝试整合信息或创建新内容，处理非结构化数据时，就需要考虑更新和不同的技术。因此，对我们来说，这非常依赖于具体的使用场景。我们试图弄清楚我们要解决的问题是什么，以及如何正确运用分析方法达成目标。
对于其中一些情况，我们有基于机器学习的反欺诈解决方案，我们已经使用多年。现在，我们能够通过引入生成式AI技术来改进现有产品。生成式AI可以作为一种功能，而非独立产品。在其他地方，我们用它来进行数字助手和其他需要生成式AI解决方案的地方。但归根结底，还是要回到问题本身，回到具体的使用场景，看看我们要解决什么问题。
马克：完全正确。是的，这确实很有道理。我想，如果你在白板上列出所有可以应用这项技术的地方，对于万事达卡来说，这种可能性清单几乎是无限的。但在准备这次对话时，我花了一些时间查看你们发布的公告，听起来你们在生成式人工智能方面推出的早期成果中有两个：一个是为部分客户设计的数字化入职助手，另一个是特定的新欺诈能力，可能不仅仅是利用传统的机器学习技术，而是真正运用了生成式人工智能的核心功能。也许你能告诉我们一下，你们是如何选择这两个作为早期用例来在组织内推出，并且它们目前进展如何？
格雷格：当然。让我先具体谈谈这两个，但也许我可以先给你一个更广泛的框架，说明我认为人工智能在万事达卡有哪些机会，并且我会用四个类别来简要说明。它们分别是更安全、更智能、更个性化和更强大。让我解释一下这些是什么意思。
正如我之前提到的，在我们的AI旅程中，我们今天所做的很多工作集中在欺诈管理、欺诈检测和欺诈识别上，以及我们如何提高生态系统的安全性。这是基于每笔交易进行的。我们如何提供情报来判断某笔具体的交易是否欺诈？同时，我们也关注骗局，观察整个生态系统的痛点，看看网络中是否存在更多欺诈行为的热点区域，可能有恶意行为者存在？我们如何关闭这些漏洞，又如何应对呢？这就是我们如何使电子商务生态系统更安全。
第二个方面是如何让它变得更智能。这意味着，我们如何最高效地处理交易路由，如何向收单机构、发卡机构和商家提供洞察，帮助他们优化其投资组合并以最有效的方式处理自己的客户，基于我们所见数据及部署的分析，何时授权交易，何时重试交易等。
第三个方面是如何让生态系统更具个性化。我们是一家B2B2C业务。我们在直接面向消费者领域没有太多涉足，但我们协助银行和商家实现个性化服务，以便他们能够在正确的时间向正确的客户提供合适的优惠。我们有一些软件工具可以做到这一点，其中许多都依赖于人工智能。这是更具个性化的元素，而且这些都是外部的。我们如何为生态系统创造价值？我们如何为客户创造价值？
第四个类别是，如何让万事达卡自身变得更强大？我们如何改进自身的运营？这其中很多在于生产力和效率方面。它涉及到如何将知识传递给我们的员工，如何简化他们的角色，无论是软件工程师通过编码，还是销售团队通过提供更好的信息访问权限。
这些都是我们正在部署人工智能，特别是生成式人工智能的领域。所以我会把这些我们已经推出的产品归入这些类别。
关于欺诈的第一类，我们有一个名为决策智能的产品。这就是说，在交易通过我们的网络时，从你在商店里刷卡购买商品到交易到达发卡机构的过程中，我们根据这笔交易可能是好交易还是坏交易的可能性提供一个评分。我们使用生成式人工智能、循环神经网络和其他技术，通过理解不仅仅是你的交易历史，还包括整个商户行为生态系统来有效地添加特征，从而创建一个基本的商户向量数据库，以帮助判断这笔交易是否可能是好交易或坏交易，即使你从未在该商户处购物过，因为我们可以看到其他消费者的类似行为。因此，这实际上是在模型中添加了一个特征，让我们能够获得更准确的评分，并且随着时间的推移我们已经证明了这一点。这是我们在欺诈方面所做的事情之一。
在个性化方面，我们有一个叫做购物缪斯的产品，它基本上是在线上复制实体店的体验。你可以有一个聊天机器人，实际上可以用自己的语言输入并请求推荐。“我要参加一个a16z的播客节目，马克也会出席，我应该穿什么？”它会给出建议。或者，“我要去参加婚礼，应该怎么做？”它允许你像与实体店代理互动一样进行交互，使用所有的生成式人工智能技术，再次提升个性化，为最终用户提供更佳体验。
然后是你提到的数字助手，我们正在尝试做的一件事是让我们的客户——银行和商家——更便捷地采用我们的产品。这些产品有很多技术规格，有时在银行生态系统或商户生态系统中引入它们需要很多步骤。所以我们打造了一款数字助手，它借助自动化手段减少手动操作，并指向所有这些技术数据库，以及我们过去积累的问答记录，经过测试和调整这些模型，以助力客户更便捷地采用我们的产品。我们确实会在这一过程中加入人工审核环节。所以聊天机器人实际上是针对我们的代理设计的，但它仍然大大减少了客户采用万事达卡产品所需的时间，从而帮助他们更快地从中受益。
马克：是的。那么，对于持续进行的这种情况，比如说，你已经实施了供应商、模型或解决方案中的某一项，并且它已经在市场中运行了一年，你现在正在尝试评估它是否实现了预期的投资回报率（ROI），或者我们整体是否实现了预期的ROI？你是将这个过程视为独立于公司已有的非常健全的供应商管理流程，还是说到了这个阶段，现有的机制已经能够很好地识别哪些供应商有效，哪些供应商是冗余的？也就是说，这个过程是否会逐渐被纳入现有体系，还是仍然被视为一种新的、探索性的AI领域，需要找到一种不同的方式来衡量ROI？
格雷格：是的。我的团队负责这件事。我们已经建立了一种方法，每个新项目都有关键绩效指标（KPI）。我们为这些KPI设定了目标，并制定了长期测量计划。特别是在这些新的生成式AI应用场景中，要找出哪些是有效的，我们如何为客户创造价值，如何为员工创造价值，如何为整个生态系统创造价值，这一点尤为重要。
例如，如果我看看我们在软件工程师和开发人员周围提供的编码辅助工作，我确实想知道他们的效率如何。我想了解我们是否有不同的干预措施，针对生命周期的不同阶段进行培训，如果效率提高的话。但同样重要，甚至更重要的是，反馈是什么？客户对这些解决方案的满意度如何？如果我们可以减少那些员工认为不那么有趣的工作内容，他们就可以腾出时间去回答更复杂的问题并进行更多思考，从而提高整个生态系统的吞吐量，这会增加客户的满意度，而这正是我们所追求的目标。
因此，不同的项目有不同的衡量标准和KPI，但目前我正在审视我们推出的所有内容，试图确定我们要衡量什么，随着时间推移进行测量，并确保这些学习成果能回馈回来，以便我们能够有效地部署资本和稀缺资源，实现最大的投资回报。虽然我们对所有事情都这样做，但我对一些面向市场的生成式AI解决方案给予了更高的优先级和关注。
马克：是的。还有一个问题，你的角色非常有趣，因为我认为万事达卡有将近33,000名员工，是一家非常大的公司，在这种规模下，为了弄清楚AI可能产生的最大潜在影响，你必须对公司运作有非常深入的理解，这可能需要花费大量时间去规划和研究。同时，为了确保你选择的最佳实践能够跟上软件快速发展的步伐，你也需要对外部发生的事情保持敏感，及时了解所有快速进展。那么，你有没有一些特定的信息来源、流程或习惯来帮助你保持对最新趋势的了解呢？
格雷格：是的。我觉得这是多种因素的结合。一方面，我在上一份工作中担任的战略角色给了我很好的训练，让我能够关注一个广泛的生态系统及其动态变化。不过，我现在花了很多时间听播客、阅读外部新闻，同时也通过网络交流与其他人在AI部署方式、组织架构构建等方面进行探讨。比如，“中心辐射型”模式有很多不同的实现方式。你该如何分权？哪些应该集中化？如何最有效地协调？如何在创新速度与适当治理之间取得平衡？从别人那里可以学到很多东西。所以，我今天回想起来，我已经听了好几集播客，读了不少文章，还进行了两次网络通话。我们还在录制这个播客。我花了很多时间在外部活动上。昨晚我们举办了一场晚宴，邀请了许多外部参与者，这是一个分享生态系统的机会，也是我们了解他人并从中学习的好机会。
当我们九月份向董事会汇报关于AI的内容时，我们采用了一种结构化的形式，邀请了七位外部演讲者参与进来，分别从投资者视角、领先大型语言模型CEO等角度提供不同观点。我们与Databricks合作密切，也请来了他们的高管团队成员。还有学者为我们提供了这些见解。因此，我们的高级管理层，包括我自己和我的团队，都在听取各种不同的意见，因为这个领域发展迅速。除非你时刻关注最新动态，否则很难紧跟潮流。
马克：是的。而当你我坐在这里，显然可以清晰地表达为什么我们对这项技术感到如此兴奋以及我们看到的潜在ROI之处时，我很好奇，你知道，万事达卡再次处于这样一个有趣的位置，位于发卡银行、收单银行、处理方和商家等各种不同利益相关者的交汇点，构成了支付和商业生态系统的一部分。当你在市场上观察这项技术的未来时，你发现所有人都普遍兴奋并急于采用吗？还是在刚才我画出的地图中有一些特定的利益相关者显得犹豫不决或担忧？你会说这是一种毫无保留的热情，还是看到了两面性？
格雷格：我不认为是一种毫无保留的热情。我认为外界存在很多顾虑，尤其是在受监管行业中，我们涉及的一些领域。虽然有热情，但并非毫无保留的，因为人们非常担心这些技术的准确性、幻觉现象以及有效性。特别是当你开始将这些技术应用于面向客户的解决方案时，要求达到的标准非常高，即使经过微调，即使指向正确的数据，许多解决方案尚未达到这一标准。
所以我们看到的很多情况是有人类参与的闭环系统，或者是将某些功能置于人类控制之下，以使自己的员工能够获取洞察力和信息，但在直接应用到消费者之前仍采取审慎态度。
当然，并非所有组织都相同，有些组织更倾向于积极采用这一技术，但我觉得许多人希望能看到这一点被验证，并期待底层模型的持续优化及准确率的进一步提高。我们仍处于起步阶段，每次在准确率、速度、延迟和成本性能等方面出现新迭代时，我们都能看到进步，这些方面会随着时间推移逐步演进。因此，我认为每个人都需要一定的耐心，以确保我们能充分利用其潜力，同时也要妥善管理其中一些技术可能带来的潜在风险，尤其是在金融服务行业。
马克：是的。也许最后一个问题，从这个角度来看，世界是你的牡蛎。如果我请你当场指出一两件让你特别兴奋的事情，你会想到什么？未来一两年内最让你兴奋的是什么？
格雷格：所以我认为接下来一年我关注的事情之一是，我们与模型和人工智能交互的方式正在发生变化，而且我们看到这种变化越来越多地体现在几个方面。其中一个方面是多模态性，不仅限于文本，还包括文本与图像、语音和视频的融合。在很多我们考虑的情境下，这都非常有用。例如，保险公司目前能够做到的事情，他们可以将事故照片与保单数据、手册信息以及内部资料相结合，从而得出更快速且更精准的估算结果。在金融服务领域，当我们思考相关问题时，例如发票对账和账单支付，你可能会收到PDF文件，也可能是图片或文本格式的文件，随着我们开始从不同模态整体分析这些信息并依然得出唯一真实来源，这非常令人振奋。
另一个方面是推理模型及其发展。它开启了新的应用场景。对我来说，最令人振奋的是我在这些模型上的实验，不仅准确率在提升，而且这些模型在无法回答问题时明确表示‘我不知道’的时间占比显著增长。正如我们在讨论风险问题时提到的那样，了解模型的局限性至关重要。即便没有人工智能，作为普通人，清楚自身知识边界同样重要。我记得当我接受上一份工作并在董事会面前每几个月做一次报告时，我得到的最好建议是：“当你不知道答案时，最好的回答就是‘我不知道’。最糟糕的做法是试图假装你知道。”这在生活如此，在人工智能领域更是如此。即便人工智能无法给出答案，它仍然会自信满满地给出错误答案。所以，它不仅是错的，而且是错误地自信。
回到我们最初讨论的话题，马克，关于APT和滥用分析和数据的能力，挑战和风险确实存在。因此，当这些推理模型更好地认识到自身局限性并更有效地表明‘我不知道该问题的答案’时，我认为这是这一领域令人振奋的进步。
因此，第一个方面是我们应对人工智能的方式正在发生变化。第二个方面是信任和责任的转型仍在持续，如何融入其中，如何引入透明机制，依然是一个重要趋势。我们正大力推动这一方向的发展。我认为这不仅会在2025年成为一大趋势，而且在未来几年也将如此。但我依然认为，以一种可信赖的方式实现这一点至关重要。
然后我认为第三个方面是我们看到……谁知道随着我们加入更多数据、更多算力和更多训练时间，扩展定律会朝哪个方向发展，模型会变得多么优秀。但我确实认为数据使用的差异性变得更加关键，推理能力的差异性变得更加重要，这也是我们正在关注的另一重点。鉴于我们组织内部的数据，这对我们的员工带来更深刻的洞察，为我们的客户提供更优的解决方案非常重要。
(以上内容均由Ai生成)
