約會應用程式可能受到所有媒體的追捧，但 NerdWallet 十多年來一直在完善金融配對的藝術。
該公司為其成員提供由機器學習演算法產生的合理財務建議。但是隨著運算的發展，NerdWallet的雄心也隨之發展。
現在，該公司正在使用AI將網站上的臨時訪客（那些沒有自願提供任何個人訊息的訪客）與金融產品進行更好地匹配。
我們不會談論或跟踪社交媒體網站。這是由 NVIDIA GPU 助力的預測模型，可以為甚至沒有要求的人提供有價值的建議。
NerdWallet資料科學總監 Michael Tompkins 的看法是，如果他的公司想向訪問其網站的任何人提供相關訊息，則它需要動用所有可以使用的數據。儘管NerdWallet有會員資格經驗，每個月還吸引超過 1000萬臨時訪問者。
Tompkins 說：“我們知道會有大量人來，我們知道他們正在交易。我們需要幫助他們做出更好的決定。”
建模未知
NerdWallet 的機器學習模型傳統上使用會員提供的訊息來將其與最有可能獲得批准的金融工具進行匹配。
這些模型可以了解哪些個人資料功能，例如信用評分，未償還餘額，信用額度使用率等 使成員獲得批准或拒絕。隨著模型越來越熟悉承保程式，它們在將成員與合適的產品匹配方面變得越來越好。
但是，對於非會員而言，這樣做會帶來一個更為複雜的問題：您如何在沒有財務訊息的情況下進行推論？
NerdWallet 可用的主要資源是用戶行為，例如人們訪問哪些頁面，他們看到了什麼以及他們點擊了什麼。通過觀察這些行為並將其與過去的類似行為進行匹配，NerdWallet可以學習並最終提出更好的建議。
因此，公司牢記這一點建立了一個模型，並著手收集有關每個數字資產訪問者訪問的“事件”訊息 – 從網頁到文章，再到部落格。每年都有超過1億的唯一身份訪問者，NerdWallet 正在收集數十億個事件，並使用這些原始數據來擴展其模型。
該公司將這些數據輸入到卷積神經網路中。網路的無數層（最多可達10層）可以通過創建來自上一層的數據特徵圖來提取因素。
NerdWallet 的首席資料科學家Boris Roussev說：“在最後的卷積層，我們具有先進的神經層，能夠預測或推論用戶在下一次可能會做什麼。或者，我們可以根據用戶行為來決定我們想要推薦的最適合該用戶的內容。
為此，NerdWallet依賴 Keras 和 TensorFlow 機器學習框架，其資料科學團隊使用 NVIDIA V100 Tensor Core GPU 進行訓練。它在使用 Amazon SageMaker 的機器學習平台上建構和部署其模型。
NerdWallet 手機
不斷完善
這項工作的很大一部分涉及到調整其神經網路，這需要機器學習模型運行數百至數千次。 NVIDIA GPU 將這一過程從幾天縮短到幾分鐘，使 NerdWallet 能夠不斷優化其支持架構。
而且，正如 Tompkins 指出的那樣，每一個細微的改進都很重要。
他說：“我們的特殊問題很難解決，以致這些模型的精度相當低。將精度從25％提高到27％是一個巨大的勝利。”
精度方面的小提高意味著用戶對 NerdWallet 有了更多的信任，這將不斷改善建議。
“這裡的主要想法是，無論您為何選擇 NerdWallet，我們都會為財務決策提供清晰的訊息，” Tompkins 說。
即使是最隨意的網頁訪問，公司也可以從中學到更多，越有可能迅速提出有用的建議。尤其是當將行為數據與硬數據結合在一起時，成員就可以在大約十二種不同的金融垂直領域（例如抵押和保險）中提供服務。
Tompkins 說：“如果我們對所認識的人有這樣的整體看法，我們可以用它為初次來的人提出各種建議。”
觀看NerdWallet的 點播GTC Digital會議，了解更多訊息，並訪問 NVIDIA 金融服務行業網頁。