0
正如公司的名字一样，庖丁科技也是利用一把锋利的刀——基于自然语言处理与计算机视觉，实现金融文档结构化，从而切入金融市场。
中科院计算所副研究员兼博导、庖丁科技首席科学家罗平对雷锋网AI金融评论表示，作为一种应用科学，计算机在研究和应用阶段的目标和工作方式存在差异。“相较而言，实际应用可能会耗费更多的人力和工程量。若划分个百分比，前期研究是20%，应用产品化是80%。”而他一贯秉持着从实际需求中挖掘研究内容。
一方面是监管机构对金融文档有着真实、准确、完整要求，另一方面则是金融从业者面临着繁杂的文档数据处理、审核等困境。针对于此，庖丁科技专注于核心技术金融文档结构化的研究与工程化。简单而言，金融文档结构化就是提取出金融文档中的核心信息，转化为可供计算机搜索、比对、分析的结构化数据。而关键信息一般藏在两个地方：一是大量的表格，二是自然语言段落。
在去年7月雷锋网承办的第二届CCF-GAIR全球人工智能与机器人峰会上，罗平曾为观众展示了庖丁科技早期的产品——AutoDoc，主要能够复核金融文档表格及语言中的数字勾稽关系。
如下图所示，根据文档中的表格数据，机器可自动计算出“2016年主营收入较2015年下降的比例”应该为“12.43%”，但文字中的显示为“11.29%”。
当时，罗平还表示，出于教育市场的目的，他们预先发布了一版免费的AutoDoc软件，支持金融文档中数据勾稽关系的复核和笔误修改，复核重点是数字，后续将会增加自动撰写、智能分析，并增添人名、事件表述等复核功能。一年后，庖丁迭代了企业版本，据称目前已在券商内部测试使用。而那些后续功能将只在企业版本中提供。
除了AutoDoc企业版本的进展，他们还推出了一个新产品——PDFlux，将PDF电子文档转换成Excel表格。其中最关键的实现了无边框表格提取。据罗平介绍，企业财报中有一些出于美观考虑的无线框表格的存在，而一般使用pdf转化器后，表格数据会被打乱。通过预测表格的外框和内线，他们最终实现了数据提取。
北京银行年报无边框表格提取，210页大约用时7~8分钟
获得数据后即可直接拷贝到Excel或者word中使用。这项技术和产品的价值在哪儿呢？罗平表示，国内一些金融数据公司实质上就是卖数据的公司，从上深交所发布的报告中扒下数据，通过半自动化加人工的方式，提取报表数据。“可能需要好几百人，而录入一期财务报表至少需要3~5小时，而我们只需要几分钟。”
PDFlux也发布了一个免费版本，当前还未对速度进行优化。经雷锋网AI金融评论尝试，北京银行210页年报大约处理用时7~8分钟，杭州银行15页的2018一季度报只用了3分钟。
当然该产品并不包含图表的识别。罗平解释说，这是因为相较于表格，图表的的应用价值并不高。“在企业发布的业绩报告中，所有的关键信息都在表格中；而图表可能只有5%及以下，且理解难度也很高，从投入产出来看并不值当。”
据称，基于金融文档结构化技术，庖丁能够推出更多丰富的应用，比如合规、风控，甚至自动撰写。“坦率说，我们前期的主要工作都放在突破底层关键技术，建立技术壁垒；有了核心技术，我们会将精力转移到商业化产品端。 “
雷锋网AI金融评论还就公司与行业发展与罗平展开了更深入的对话：
雷锋网AI金融评论：庖丁的自我定位究竟是怎样的？曾有一家媒体将庖丁公司归类到智能投研，而在此之前也看到CEO接受采访时表示，庖丁对标美国大数据公司Palantir，也说“AI公司未来会是新的金融机构，未来庖丁科技要成为新的资产管理机构。”
罗平：我们是一家金融科技公司，智能投研只是该领域的一部分。另外，我们认为通过技术未来可以自然地转型成一个新型金融机构。换个角度，AutoDoc的目标是减少投行重复的投入，可能现在投行100个人，利用我们的工具后只需要10个人，也就是说相当于这个工具占到90%的工作量。那么从技术角度切入，未来延伸至业务层面，顺理成章。当然，还需要考虑到监管因素。
雷锋网AI金融评论：目前庖丁科技发布的产品实际为投研人员提供了便利。国内一些开发投研工具的公司已经不少，有推出企业知识图谱、金融搜索引擎等工具，相较起来庖丁科技的切入点更小更聚焦。
罗平：我明白你的意思，市场存在这样认知的从业者不在少数。但我想说的是，我们所做的金融文档结构化底层技术实际上都可以实现这些功能。这些工具说起来还是解决工程化的问题，并没有什么技术难度。
我们能够看到一些企业知识图谱展示，比如列出一家公司的前十大用户或者供应商名单。而事实上，后台数据库已经存储好了这些信息，相当于只是做了数据库查询，并把查询的内容可视化。
核心的技术门槛应该在如何实时的构建这样的数据库。也就是说，怎么知道这家公司的上下游公司在哪里？这些信息实际上都存在于披露的金融文档中，我们需要实时的抽取出来。这就需要自动化的表格理解和自然语言理解技术。
雷锋网AI金融评论：在没有自动化处理能力或者不成熟之前，同类公司如何为投资者提供足够多的数据？人工？
罗平：这就千差万别了。第一类是半自动化+人工实现的，比如万得。第二类则是通过不正当的手段直接获取结构化数据。
雷锋网AI金融评论：公司的商业化进展如何？在B端部署时数据如何处理？
罗平：除了C端试用产品，主要目标对象是国内券商等金融机构和监管单位。收费模式包括按次收费或者按软件收费。我们会到相关机构部署系统，数据也会存储在他们内部。
雷锋网AI金融评论：AutoDoc企业版本中有自动撰写功能，该工作的难点是什么？在此之前，我们确实有看到一些机器人自动撰写的简短的新闻。
罗平：大家不要对能够帮助投行从业者自动撰写的功能抱有太高的期望。比如一个IPO的招股书，我觉得自动撰写的比例会在50%以下，甚至更低。
我们首先需要明确撰写的内容，目前能够实现的是根据一张财务报表的数字进行自然语言描述，比如今年的指标，同比增长等，或者说可以叫做辅助撰写。
但如果出现一个异常增长率，一般监管都需要其作出解释。那么这个原因，不论是开拓的新业务或者是政策变化，机器是无法自动生成原因的，仍然需要人工撰写。
雷锋网AI金融评论：“庖丁科技未来的应用场景包括监管合规，目前的使用者上传了数万份金融市场信息报表。”怎么理解你们的作用，有什么实际应用吗？
罗平：监管有个最基本的需求就是复核年报或者IPO招股书的数据。另外，他们还希望对金融市场做到风控管理，也需要公司的底层财务和业务数据。金融文档结构化是一切后续应用的基础。实际上，我们已经与某发债监管单位签订了系统合约。
雷锋网AI金融评论：那么行业的竞争壁垒是在哪里？之前看到你接受采访时谈到在于“技术+金融数据理解。”
罗平：我觉得真正壁垒是如何获取金融数据，这是计算机的壁垒，是我们主要做的事情。获取的速度和精度，将体现出迥然不同的应用价值。
有了底层的金融数据，需要将金融以及行业知识融入计算机技术，这才是金融从业者发挥价值的广阔舞台。我们的策略是，先做计算机的事情；做好之后，金融的事情应该是一片蓝海。
雷锋网AI金融评论：近年来我们能看到许多新金融业态监管收严，比如智能投顾、网贷等，但你们所在的细分领域似乎并没有太多的监管压力。
罗平：我们所在的市场比较开放、健康。做监管科技，是为了稳定、管理金融市场。我觉得这块市场类似于传统的安防行业，用AI技术稳定金融市场，或者可以叫“金融安防市场。”
雷锋网AI金融评论：关于行业现状，你有感而发一句“鱼龙混杂”，这主要指什么问题？
罗平：鱼龙混杂主要指的是各公司的技术水平，含金量在于底下的数据来源，有些公司甚至会窃取他人数据。底层数据的来源也决定了是否能够真正构建“知识图谱”，一些所谓的AI公司充其量只是做了数据“展示”而已。
相关文章：
中科院罗平演讲全文：自动撰写金融文档如何实现，用 AI 解救“金融民工” | CCF-GAIR 2017
中科院罗平：人工智能在智能投行中的应用 | CCF-GAIR 2017
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
