當(dāng)前，AI在金融行業(yè)的應(yīng)用落地上，智能客服與聯(lián)絡(luò)中心是最為成熟的，容聯(lián)云AI服務(wù)眾多大型金融機(jī)構(gòu)的營銷與運營體系，經(jīng)受上萬坐席考驗，近日，內(nèi)部訪談了容聯(lián)AI實驗室及工程化團(tuán)隊，聊一聊AI工程化落地最佳實踐。
本次對話干貨滿滿，揭秘AI在大型金融機(jī)構(gòu)落地的過程、效果與未來趨勢。
主要探討問題：
1、未來金融機(jī)構(gòu)的AI圖景
2、AI如何在技術(shù)側(cè)服務(wù)金融機(jī)構(gòu)?
3、AI的投入分別解決金融機(jī)構(gòu)哪些痛點?產(chǎn)生什么效果?
4、除了算法算力的工程化，AI的運營有沒有可復(fù)制的方法論?
5、AI賦能下的企業(yè)數(shù)字化是什么樣子的?
未來金融機(jī)構(gòu)的AI圖景
未來趨勢一：橫向拓寬，從單一應(yīng)用切入，做智能化矩陣
過去大部分金融機(jī)構(gòu)布局智能化從一個單點——外呼機(jī)器人作為抓手切入整個智能化市場。
隨著金融機(jī)構(gòu)數(shù)字化的不斷深入，單一應(yīng)用不能完全滿足營銷與運營體系建設(shè)，也催生了從過去做單一應(yīng)用，開始向智能應(yīng)用矩陣發(fā)展。
除了外呼機(jī)器人，還有導(dǎo)航機(jī)器人、坐席助手機(jī)器人，陪練機(jī)器人等，還有多渠道接入的客服性機(jī)器人等，這都是從不同的場景出發(fā)，來滿足客服中心橫向發(fā)展的一些應(yīng)用化的產(chǎn)品。
總結(jié)：金融機(jī)構(gòu)無論是對CC還是AICC的采購或選型不是為了做單一應(yīng)用，做單一應(yīng)用稱之為煙囪式的做法，未來會基于平臺會做出更多符合自己業(yè)務(wù)場景的應(yīng)用性產(chǎn)品。
未來趨勢二：產(chǎn)品頂層設(shè)計——從應(yīng)用到垂直化平臺
這幾年金融科技口的人員，對AI的理解、AI的落地場景的探索也越來越深，企業(yè)考慮的不單單是能否解決問題，也要考慮技術(shù)架構(gòu)的前瞻性，拓展性和合理性。
一套系統(tǒng)的建設(shè)在企業(yè)通常是要花很大的人力，財力去建設(shè)的，一旦運行之后，必然要求穩(wěn)定和靈活兼具，但是可靠性和靈活性是在架構(gòu)設(shè)計之初就決定了的，在生產(chǎn)和測試階段再考慮就非常困難了，這個是基石，做不好的話，再往上走，做的越多犯錯的風(fēng)險就越大。
另外，大型的行業(yè)客戶IT技術(shù)架構(gòu)跟互聯(lián)網(wǎng)的IT架構(gòu)風(fēng)格還是有所不同的，核心的幾個點，比如：安全、災(zāi)備、容錯等有較大的區(qū)別，所以，設(shè)計的時候也不能一概而論，還要結(jié)合產(chǎn)品的市場定位來考慮。
過去完全依賴售前去做咨詢服務(wù)，再去做應(yīng)用落地，未來這種方式在真正落地AI的時候?qū)⒎浅Ｍ纯唷?/p>
在這種大的背景下，我們建議可以做兩個布局：
第一：可以把通訊/呼叫等聯(lián)絡(luò)層和AI能力做一個整體分離，通訊解決溝通、連接的問題，AI解決智能化、能力輸出的問題。
第二：對于產(chǎn)品頂層設(shè)計，我們建議做框架性的設(shè)計，一平臺+N中心的架構(gòu)。
AI其實有一些非常共性的技術(shù)，還有一些數(shù)據(jù)運營的方法，每一個應(yīng)用如果從0~1做工程搭建是極其耗時耗力的過程，創(chuàng)新的成本也是極高的。
可以打造一個完整AI的中臺，同時還附帶多個中心，比如應(yīng)用中心、知識中心、數(shù)據(jù)中心。在這些中心里，提供比較完整的運營方法論，以及將運營方法的落地所需要的一系列的工具，包括數(shù)據(jù)爬取，數(shù)據(jù)清洗，還有數(shù)據(jù)標(biāo)注、標(biāo)簽分類等。
搭建AI中臺，可以考慮跟AI相關(guān)的能力組件、應(yīng)用支撐性的運營工具，做能力性的下沉，放進(jìn)中臺，同時也將一些數(shù)據(jù)標(biāo)注、數(shù)據(jù)清洗放進(jìn)中臺，從自下而上形成整個AI平臺化的架構(gòu)。機(jī)構(gòu)可以借助這個平臺化的工具，快速實現(xiàn)應(yīng)用場景的落地，避免了完全從零開始的重復(fù)工作。
這也是容聯(lián)云AI kernel誕生的初衷，我們稱之為AI kernel云梯平臺，助力企業(yè)向平臺化建設(shè)轉(zhuǎn)型。
搭完AI中臺之后，可以快速沉淀一套算法能力，一套數(shù)據(jù)運營方法以及一套訓(xùn)練發(fā)布平臺。對前臺的應(yīng)用來講，可以快速和底層本地進(jìn)行集成，無須關(guān)注各種算法調(diào)參和模型評測，同時，通過應(yīng)用來結(jié)合企業(yè)業(yè)務(wù)場景來做快速的落地。
總結(jié)：通過構(gòu)建一個AI中臺來沉淀一些共享式的服務(wù)，然后提升服務(wù)的復(fù)用率，打破這種煙囪、項目制之間的集成或協(xié)作壁壘。能快速降低潛在業(yè)務(wù)的一些試錯成本，賦予業(yè)務(wù)快速創(chuàng)新的能力，然后能最終提升企業(yè)的效率。
技術(shù)與實踐Q&A
Q：除了應(yīng)用和平臺，AI如何在技術(shù)側(cè)服務(wù)金融機(jī)構(gòu)?
第一，構(gòu)建從應(yīng)用到對話引擎，到NLP引擎這種算力算法的一體化解決方案。
我們要再做垂直領(lǐng)域更深層算法的拓展，實際上除了NLP常規(guī)的包括分類，聚類，知識推薦，文本摘要，長句壓縮，分詞詞性，詞向量等這一系列單項任務(wù)之外，容聯(lián)也一直在探索知識圖譜的落地。
但我們并不像業(yè)界的二維表格來做，我們是真正基于知識圖譜，三元組的實體提取，實體之間的關(guān)系建立，然后再到圖庫的展示，我們會做一整套的技術(shù)底層的實踐和落地。有了這些技術(shù)之后，再考慮把這些技術(shù)應(yīng)用到對話系統(tǒng)里面去，形成一個完整的KBQA的應(yīng)用，讓它們能完成包括多維度，多渠道支持的輸出，這樣能豐富整個應(yīng)用場景，同時也能帶來更好的體驗。
第二，提供機(jī)器標(biāo)注和反向推薦的一些算法。
在去做數(shù)據(jù)標(biāo)注的過程中，可以通過機(jī)器初標(biāo)和知識反向推薦算法來輔助人工，快速的進(jìn)行標(biāo)注，不需要完全的從頭到尾的去做標(biāo)注，同時，在算法這一側(cè)，我們一直在解決一個什么問題呢?過去，我們一直在說AI是離不開大數(shù)據(jù)的，但其本質(zhì)原因就在于AI現(xiàn)在的深度學(xué)習(xí)需要大量的數(shù)據(jù)。自從Google推出transformer這種模型之后，它有了預(yù)訓(xùn)練模型之后，所需的數(shù)據(jù)量大大在減少，每一個標(biāo)簽僅需要少量樣本就可以搭建初版模型進(jìn)行系統(tǒng)冷啟。
我們現(xiàn)在還有一個思路來完善語料積累，就是通過文本生成的算法來輔助數(shù)據(jù)標(biāo)注人員。在人工少量標(biāo)注的情況下，進(jìn)行標(biāo)簽的擴(kuò)充，再通過聚類算法整合發(fā)散語料，不斷反復(fù)這個過程，能快速適應(yīng)新場景，同時保證維持模型的效果。當(dāng)然我們還提供了數(shù)據(jù)增強(qiáng)方法，結(jié)合我們自己的詞庫、相似問庫不斷擴(kuò)充語料的多樣性和豐富性，通過機(jī)器做了大量前期工作，人工的工作量自然就降低了。
Q：很多機(jī)構(gòu)的痛點是投入很多人維護(hù)話術(shù)，能否用技術(shù)手段來解決?
我們的AI實驗室在這個方向的一些探索給出了答復(fù)。技術(shù)上可以通過情感分析SPO三元組細(xì)粒度情感標(biāo)簽建模，對歷史話術(shù)做篩選，前期需要少量做標(biāo)注，然后訓(xùn)練，重復(fù)這個過程，模型會越來越好。使用模型對話術(shù)進(jìn)行分類，評分，聚類，聚類之后話術(shù)多樣性也出來了，但是優(yōu)秀話術(shù)不等于成單話術(shù)，關(guān)鍵是對成單話術(shù)做關(guān)聯(lián)關(guān)系的挖掘，得到不同情況下的優(yōu)秀話術(shù)，推薦系統(tǒng)也依賴模型評分做排序，在通過顯式采納和隱式采納不斷反饋給模型做訓(xùn)練。
Q：什么情況下該上AI?什么情況下不該上?有沒有一個邊界指標(biāo)?
絕不貿(mào)然上AI，充分了解當(dāng)前技術(shù)的上限，做出完美匹配方能成功落地
從NLP應(yīng)用角度看，對話是目前最為流行也是相對成熟的領(lǐng)域，市場上有很多服務(wù)商做對話，但真正要做好是非常困難的。除了搭建好對話系統(tǒng)經(jīng)典架構(gòu)，比如：NLU，DST，DPL，DM，NLG等獨立子系統(tǒng)，特別是對話策略模塊要花特別長時間打磨，同時，還要考慮結(jié)合當(dāng)前技術(shù)上限以及用戶的使用下限。
比如說，外呼機(jī)器人，機(jī)器人跟用戶對話的意圖理解準(zhǔn)確率和整通電話所能達(dá)到的通過率有個最低要求的，比如：單輪理解要求大于95%，整通對話通過率不能低于85%。如果單獨講在技術(shù)上做到98%，實際落地卻無法達(dá)到用戶要求的最低指標(biāo)，這個無法落地的，或者說落地也是毫無價值的。
當(dāng)然還有坐席輔助場景和智能陪練場景下，話術(shù)推薦和思路導(dǎo)航的準(zhǔn)確率也是有個最低要求的，甚至還要跟過去人工業(yè)務(wù)指標(biāo)對比，如果人工比AI強(qiáng)出太多，都不足以彌補(bǔ)減少人工帶來的成本節(jié)約，或者在營銷場景下AI對業(yè)務(wù)實際轉(zhuǎn)化率跟人工差距太大，這個時候是不能貿(mào)然上AI。
所以對話目前一定是在限定領(lǐng)域限定場景的任務(wù)型對話系統(tǒng)，背后依賴場景數(shù)據(jù)和VUI收斂問法、業(yè)務(wù)話術(shù)庫的支撐才能達(dá)到用戶的要求。
Q：這些技術(shù)在實際應(yīng)用中產(chǎn)生了什么樣的效果?
AI已經(jīng)真正成為銀行催收部門一個生產(chǎn)系統(tǒng)
比如說催收場景的催回率，人工過去的催回率是多少呢?業(yè)界有一個標(biāo)準(zhǔn)，在M1一M2階段大概在70%左右，這是一個相對比較合理的，因為前期人工提醒居多，大概維持在這個水平，那現(xiàn)在AI的催收，已經(jīng)基本快逼近這樣的數(shù)字了，這樣對比下，AI的價值就非常大了。
拿我們在服務(wù)某大型銀行舉例，整個AI的座席人員，技術(shù)上稱之為并發(fā)數(shù)，已經(jīng)突破了2000席，AI已經(jīng)真正的成為銀行催收部門一個生產(chǎn)系統(tǒng)，用它來進(jìn)行生產(chǎn)，會帶來極大效率的提升，替代了過去銀行在M0一M1這個階段2000席BPO外包，帶來極大的提升。
營銷線索路徑標(biāo)簽化后推廣成功率大幅提升
具體到某個環(huán)節(jié)的改善，比如說營銷線索的路徑標(biāo)簽化。簡單來講，在營銷環(huán)節(jié)，為客戶去做用戶畫像的標(biāo)簽，對二輪篩選就會有很大的提升。
比如說我們在某大型保險公司實施百萬醫(yī)療險營銷場景的外呼任務(wù)，目前的并發(fā)路數(shù)已經(jīng)到了600多路，過去百萬醫(yī)療險人工座席的推廣成功率在7%，現(xiàn)在AI已經(jīng)可以做到5%，這就是用AI篩選出來的，再用人工去跟進(jìn)，基本也能跟人工去持平，但是會節(jié)省了大量的第一次篩選的工作。第一次篩選的工作反復(fù)的高掛機(jī)率會極大打擊人工坐席的信心和情緒，因此，人機(jī)協(xié)同模式在保險營銷場景得到了極大的推廣。
有了AI指標(biāo)，再結(jié)合業(yè)務(wù)指標(biāo)，兩個指標(biāo)一旦做了平衡，比如AI指標(biāo)準(zhǔn)確召回已經(jīng)達(dá)到了雙85或者雙90，這個時候AI在生產(chǎn)方面就能帶來極大的效率提升，這也是企業(yè)會為此買單的一個重要的原因，也是AI落地的最佳實踐。
Q：除了算法算力的工程化，AI的運營有沒有可復(fù)制的方法論?
AI不運營，效果=0，有章可循，有跡可查
我們一直在強(qiáng)調(diào)AI和運營目前這個階段其實是密不可分的。因為我們處的這個時代，雖然說趕上了AI的第五次浪潮，但是AI技術(shù)本身，還是有比較明顯的短板，背后其實離不開大量數(shù)據(jù)的支撐。
如果我們做一個測試，在現(xiàn)在的預(yù)訓(xùn)練模型之下，大概在50~100條或200條這樣一個數(shù)據(jù)的測試下，會發(fā)現(xiàn)在算法基本保持一致的情況下，50條數(shù)據(jù)大概有一個初版模型，沒有經(jīng)過任何優(yōu)化，就能達(dá)到接近80%。放100條語料之后，馬上就越過了85%，當(dāng)放到200條的時候，躍升到90%。
AI在運營過程中要有數(shù)據(jù)的支持，用高質(zhì)量數(shù)據(jù)提升算法指標(biāo)來的最為簡單和直接，甚至好過了算法調(diào)參的各種詭異表現(xiàn)。因此要不斷的去做數(shù)據(jù)的回流。所以運營工作在AI智能化趨勢上是極其重要的，甚至說比算法可能還要重要。這部分可以形成一套AI落地的方法論。
這樣特別像一個咨詢公司做的事情，他們可能會輸出一套咨詢理論，其實運營方法就是AI的咨詢理論。這套理論是有章可循，有跡可查的，不是憑空來的，也不是包裝出來的，是可以輸出也是可以賦能，輔助現(xiàn)在的AI算法，形成一套相對比較完整的數(shù)據(jù)運營方式，這是從算法之外，工程之外，做智能化產(chǎn)品最大的一個收獲。
Q：現(xiàn)在都在談企業(yè)數(shù)字化，AI賦能下的企業(yè)數(shù)字化是什么樣子的?
企業(yè)數(shù)字化到底在數(shù)字化什么?企業(yè)本身在經(jīng)營過程中以及流程制度執(zhí)行過程中就會會生產(chǎn)有很多的數(shù)據(jù)，比如：企業(yè)的人事管理，名冊，客戶資料，知識庫，wiki等很多知識和數(shù)據(jù)，但這些知識都沒有有效利用起來，都是割離的。但如果圍繞NLP技術(shù)進(jìn)行語義的理解與挖掘，就可以幫企業(yè)去整理構(gòu)建結(jié)構(gòu)化知識，有了結(jié)構(gòu)化知識，就可以落地很多有價值的應(yīng)用場景，甚至說可以直接基于企業(yè)文檔閱讀理解，做檢索和查詢，然后再對接到對話機(jī)器人，以它為窗口可以去橫跨企業(yè)的很多業(yè)務(wù)。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
