5 月 23 日，國内知名人工智能創業公司雲從科技向機器之心透露，已拿到中國銀行總行訂單，其人臉識别軟體将在中國銀行總行、境内分支機構、境外分支機構以及控股子公司全面應用。
機器之心第一時間與雲從科技取得聯系，就其如何在成立兩年時間便拿下總行訂單，同時如何與五大行中的四家簽約合作展開讨論。
攻略中行，首先要滿足技術和工程要求
在此前機器之心的專訪中，雲從科技創始人周曦就曾多次強調銀行的「2 小時、4 小時、8 小時原則」——如果銀行系統當機 2 小時，該行行長就要去當地人民銀行上報情況、接受批評；如果 4 小時沒解決，就要寫報告、寫自白書與悔過書；如果 8 小時還沒解決就是嚴重事故，銀行的評級一定會下降、甚至是關停某些業務。
雲從科技創始人周曦
這條硬性規則的制定，使得「穩定」成為銀行對人臉系統工程上的最大要求。除此之外，「盡量高的正确拒絕率」也是銀行的重點要求之一，即：哪怕有 1% 的機率不識别也沒關系，絕不可以把客戶識别成另一個人。
與安防相比，銀行場景環境更穩定、閱聽人也相對配合，對技術的需求主要展現在識别速度和準确率上。據雲從科技金融事業部總經理張興旺介紹，中國銀行的具體技術要求有五點：
1、檢測單張人臉照片時間不超過 120ms；
2、實時人臉跟蹤平均幀率大于 30fps；
3、在照片大小為 640*480 的前提下，提取人臉屬性時間不超過 12ms；
4、提取單張照片的特征值時間不超過 400ms；
5、從十萬照片庫中搜尋唯一相似的人臉用時不可超過 34ms，前 50 張最相似照片不超過 38ms。
即使有強大的技術基礎，也要疊代 70 次
「雙層異構深度神經網絡」是雲從的人臉識别基礎技術核心之一，它能将看起來不相似、實則是同一人的人臉圖像準确對應。
特别是在人證對照場景下，本應該滿足同一分布的個人照片，會因光線、表情、角度等種種原因相隔很遠。雙層指通過将兩張照片在兩個層上組成分布再連接配接，接受兩張照片的不同并找到原因；異構與雙層相輔相成，通過在人臉模型中加入光照、遮擋、角度、年齡、種族等先驗資訊，增強模型的适應性和特征的表達能力，同時減少計算代價。
共 32 層「雙層異構深度神經網絡」包含 50M 神經元、260M 參數，資料由雲從科技提供
在訓練資料方面，雲從搭建了超大規模移動式結構化資料采集陣列，通過平均分布的 91 個攝像頭收集不同角度、光照情況的人臉資料，直接獲得圖檔準确的屬性資訊。采集陣列的可移動性，使得直接采集真實場景（包括銀行大堂等在内的）資料成為可能。
雲從自成立以來便開始研發人臉識别引擎，至今已疊代 70 多個版本，用戶端也已更新到 3.0 系列。更高的并發數、識别率、識别速度，一直是不斷疊代的優化方向。
步步為營，攻克四大銀行
早在 2015 年下半年，雲從的技術就已被中國銀行遼甯分行、鐵嶺分行采納；2016 年上半年，又在中國銀行北京分行試點、上海分行項目中中标。不論是自主發夾還是手機 App，這些業務中均有雲從的身影。
2016 年下半年，中國銀行總行開始做場景評估，最終測試決定在業務中使用人臉識别。從招标、技術澄清再到投标、中标，「期間經曆了六、七次友商交鋒，最終雲從科技在 18 家投标公司中中标」。
接下來，雲從開發的人臉識别軟體将應用在中國銀行全行，進入包括櫃台、直銷銀行、手機銀行、網銀、智能機等終端的人臉驗證環節。全面部署完成，大概需要 1-2 年時間。
對于為什麼會被中國銀行總行選擇，張興旺的回答十分中肯。「第一是地方分行的實用效果切實，第二是雲從服務的其他銀行客戶營運良好，總行對售後運維也有信心。當時行方要求列舉以往做過的 5 個典型案例，項目金額均要在固定金額以上，能達到要求的都是深耕許久的行家。」
中标後，雲從科技設計了一系列慶祝海報
在中國銀行外，中國農業銀行也在去年 9 月将人臉識别應用到 37 家分行。2016 年 6 月，支援刷臉支付的中國建設銀行成為「國内首個應用刷臉支付的銀行」。今年 4 月，中國交通銀行太平洋信用卡中心應用了人臉識别引擎和 IBIS 生物識别管理平台。這些銀行采用的技術，全部來自雲從科技。
除了紮實的技術基礎，雲從為何能在金融業取得如此多的成績？遍布全國的銷售服務中心也許是雲從取勝的訣竅之一，一旦銀行系統出現問題，可以第一時間趕赴現場。「銀行很看重銷售服務體系，大部分網際網路模式的公司可能不太重視」。
專注同樣是原因之一，「一個是研究的東西很集中，雖然什麼都能做，但現在還是做好人臉；第二是行業上要集中，各行各業都能做，我們隻做金融和安防」。
點選閱讀原文，檢視機器之心 GMIS 2017 大會官網↓↓↓