在這種大的背景下，我們建議可以做兩個(gè)布局：

第一：可以把通訊/呼叫等聯(lián)絡(luò)層和AI能力做一個(gè)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(duì)于產(chǎn)品頂層設(shè)計(jì)，我們建議做框架性的設(shè)計(jì)，一平臺(tái)+N中心的架構(gòu)。

AI其實(shí)有一些非常共性的技術(shù)，還有一些數(shù)據(jù)運(yùn)營(yíng)的方法，每一個(gè)應(yīng)用如果從0~1做工程搭建是極其耗時(shí)耗力的過程，創(chuàng)新的成本也是極高的。

可以打造一個(gè)完整AI的中臺(tái)，同時(shí)還附帶多個(gè)中心，比如應(yīng)用中心、知識(shí)中心、數(shù)據(jù)中心。在這些中心里，提供比較完整的運(yùn)營(yíng)方法論，以及將運(yùn)營(yíng)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(tái)，可以考慮跟AI相關(guān)的能力組件、應(yīng)用支撐性的運(yùn)營(yíng)工具，做能力性的下沉，放進(jìn)中臺(tái)，同時(shí)也將一些數(shù)據(jù)標(biāo)注、數(shù)據(jù)清洗放進(jìn)中臺(tái)，從自下而上形成整個(gè)AI平臺(tái)化的架構(gòu)。機(jī)構(gòu)可以借助這個(gè)平臺(tái)化的工具，快速實(shí)現(xiàn)應(yīng)用場(chǎng)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(tái)，助力企業(yè)向平臺(tái)化建設(shè)轉(zhuǎn)型。

搭完AI中臺(tái)之后，可以快速沉淀一套算法能力，一套數(shù)據(jù)運(yùn)營(yíng)方法以及一套訓(xùn)練發(fā)布平臺(tái)。對(duì)前臺(tái)的應(yīng)用來(lái)講，可以快速和底層本地進(jìn)行集成，無(wú)須關(guān)注各種算法調(diào)參和模型評(píng)測(cè)，同時(shí)，通過應(yīng)用來(lái)結(jié)合企業(yè)業(yè)務(wù)場(chǎng)景來(lái)做快速的落地。

總結(jié)：通過構(gòu)建一個(gè)AI中臺(tái)來(lái)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(xiàng)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(cuò)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(shí)踐Q&A

Q：除了應(yīng)用和平臺(tái)，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(duì)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(shí)際上除了NLP常規(guī)的包括分類，聚類，知識(shí)推薦，文本摘要，長(zhǎng)句壓縮，分詞詞性，詞向量等這一系列單項(xiàng)任務(wù)之外，容聯(lián)也一直在探索知識(shí)圖譜的落地。

但我們并不像業(yè)界的二維表格來(lái)做，我們是真正基于知識(shí)圖譜，三元組的實(shí)體提取，實(shí)體之間的關(guān)系建立，然后再到圖庫(kù)的展示，我們會(huì)做一整套的技術(shù)底層的實(shí)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(duì)話系統(tǒng)里面去，形成一個(gè)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(gè)應(yīng)用場(chǎng)景，同時(shí)也能帶來(lái)更好的體驗(yàn)。

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(shí)反向推薦算法來(lái)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(shí)，在算法這一側(cè)，我們一直在解決一個(gè)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(gè)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(gè)思路來(lái)完善語(yǔ)料積累，就是通過文本生成的算法來(lái)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(yǔ)料，不斷反復(fù)這個(gè)過程，能快速適應(yīng)新場(chǎng)景，同時(shí)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(kù)、相似問庫(kù)不斷擴(kuò)充語(yǔ)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(diǎn)是投入很多人維護(hù)話術(shù)，能否用技術(shù)手段來(lái)解決？

我們的AI實(shí)驗(yàn)室在這個(gè)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(duì)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(gè)過程，模型會(huì)越來(lái)越好。使用模型對(duì)話術(shù)進(jìn)行分類，評(píng)分，聚類，聚類之后話術(shù)多樣性也出來(lái)了，但是優(yōu)秀話術(shù)不等于成單話術(shù)，關(guān)鍵是對(duì)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(píng)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(gè)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(duì)話是目前最為流行也是相對(duì)成熟的領(lǐng)域，市場(chǎng)上有很多服務(wù)商做對(duì)話，但真正要做好是非常困難的。除了搭建好對(duì)話系統(tǒng)經(jīng)典架構(gòu)，比如：NLU，DST，DPL，DM，NLG等獨(dú)立子系統(tǒng)，特別是對(duì)話策略模塊要花特別長(zhǎng)時(shí)間打磨，同時(shí)，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(duì)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(gè)最低要求的，比如：?jiǎn)屋喞斫庖蟠笥?5%，整通對(duì)話通過率不能低于85%。如果單獨(dú)講在技術(shù)上做到98%，實(shí)際落地卻無(wú)法達(dá)到用戶要求的最低指標(biāo)，這個(gè)無(wú)法落地的，或者說落地也是毫無(wú)價(jià)值的。

當(dāng)然還有坐席輔助場(chǎng)景和智能陪練場(chǎng)景下，話術(shù)推薦和思路導(dǎo)航的準(zhǔn)確率也是有個(gè)最低要求的，甚至還要跟過去人工業(yè)務(wù)指標(biāo)對(duì)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(lái)的成本節(jié)約，或者在營(yíng)銷場(chǎng)景下AI對(duì)業(yè)務(wù)實(shí)際轉(zhuǎn)化率跟人工差距太大，這個(gè)時(shí)候是不能貿(mào)然上AI。

所以對(duì)話目前一定是在限定領(lǐng)域限定場(chǎng)景的任務(wù)型對(duì)話系統(tǒng)，背后依賴場(chǎng)景數(shù)據(jù)和VUI收斂問法、業(yè)務(wù)話術(shù)庫(kù)的支撐才能達(dá)到用戶的要求。

Q：這些技術(shù)在實(shí)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(gè)生產(chǎn)系統(tǒng)

比如說催收?qǐng)鼍暗拇呋芈剩斯み^去的催回率是多少呢？業(yè)界有一個(gè)標(biāo)準(zhǔn)，在M1一M2階段大概在70%左右，這是一個(gè)相對(duì)比較合理的，因?yàn)榍捌谌斯ぬ嵝丫佣啵蟾啪S持在這個(gè)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(duì)比下，AI的價(jià)值就非常大了。

拿我們?cè)诜?wù)某大型銀行舉例，整個(gè)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(gè)生產(chǎn)系統(tǒng)，用它來(lái)進(jìn)行生產(chǎn)，會(huì)帶來(lái)極大效率的提升，替代了過去銀行在M0一M1這個(gè)階段2000席BPO外包，帶來(lái)極大的提升。

營(yíng)銷線索路徑標(biāo)簽化后推廣成功率大幅提升

具體到某個(gè)環(huán)節(jié)的改善，比如說營(yíng)銷線索的路徑標(biāo)簽化。簡(jiǎn)單來(lái)講，在營(yíng)銷環(huán)節(jié)，為客戶去做用戶畫像的標(biāo)簽，對(duì)二輪篩選就會(huì)有很大的提升。

比如說我們?cè)谀炒笮捅ｋU(xiǎn)公司實(shí)施百萬(wàn)醫(yī)療險(xiǎn)營(yíng)銷場(chǎng)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(wàn)醫(yī)療險(xiǎn)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(lái)的，再用人工去跟進(jìn)，基本也能跟人工去持平，但是會(huì)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(huì)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(xiǎn)營(yíng)銷場(chǎng)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(gè)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(gè)時(shí)候AI在生產(chǎn)方面就能帶來(lái)極大的效率提升，這也是企業(yè)會(huì)為此買單的一個(gè)重要的原因，也是AI落地的最佳實(shí)踐。

Q：除了算法算力的工程化，AI的運(yùn)營(yíng)有沒有可復(fù)制的方法論？

AI不運(yùn)營(yíng)，效果=0，有章可循，有跡可查

我們一直在強(qiáng)調(diào)AI和運(yùn)營(yíng)目前這個(gè)階段其實(shí)是密不可分的。因?yàn)槲覀兲幍倪@個(gè)時(shí)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(shí)離不開大量數(shù)據(jù)的支撐。

如果我們做一個(gè)測(cè)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(gè)數(shù)據(jù)的測(cè)試下，會(huì)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(gè)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(yǔ)料之后，馬上就越過了85%，當(dāng)放到200條的時(shí)候，躍升到90%。

AI在運(yùn)營(yíng)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(lái)的最為簡(jiǎn)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(yùn)營(yíng)工作在AI智能化趨勢(shì)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(gè)咨詢公司做的事情，他們可能會(huì)輸出一套咨詢理論，其實(shí)運(yùn)營(yíng)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(lái)的，也不是包裝出來(lái)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(duì)比較完整的數(shù)據(jù)運(yùn)營(yíng)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(gè)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(yíng)過程中以及流程制度執(zhí)行過程中就會(huì)會(huì)生產(chǎn)有很多的數(shù)據(jù)，比如：企業(yè)的人事管理，名冊(cè)，客戶資料，知識(shí)庫(kù)，wiki等很多知識(shí)和數(shù)據(jù)，但這些知識(shí)都沒有有效利用起來(lái)，都是割離的。但如果圍繞NLP技術(shù)進(jìn)行語(yǔ)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(shí)，有了結(jié)構(gòu)化知識(shí)，就可以落地很多有價(jià)值的應(yīng)用場(chǎng)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(duì)接到對(duì)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)。