「广州哪里有正规小三侦探公司」「金融客服AI新玩法」LSTM+DSSM算法、多模态情感交互

【新智元导读】目前，金融业智能客服创业公司大量涌现，一方面表明行业整体科技壁垒较低，另一方面，也表明智能客服的在金融领域的应用商业场景也有很大的研发空间。如何在建立科技壁垒的同时研发更多的商业场景，是创业公司才能脱颖而出关键。

目前，人工智能已经在金融领域渗透：智能客服、智能投顾、人脸支付、智能安防等，已经处于商业化阶段。在这种应用场景中，智能客服属于获客机会最大的业务。

埃森哲（Accenture）去年的《全球消费者消费渠道与行业调研》显示，在银行、保险等金融市场，有七成的消费者愿意选择人工智能客服为人们的消费决策提供建议。正因极其，市场上显现出长期的智能客服创业公司。

创业公司广泛存在一方面表明行业整体科技壁垒较低，另一方面，也表明智能客服的在金融领域的应用商业场景也有很大的研发空间。如何在建立科技壁垒的同时研发更多的商业场景，是创业公司才能脱颖而出关键。

三大痛点：传统NLP技巧对动机跟语意理解不足、缺少深度学习练习模型数据、无法准确认知用户情绪

通常意义上的智能客服平台有语音客服、文字客服两大形态，其核心科技主要由语音识别、自然语言处理、语音合成组成（部分还涵盖至计算机视觉）。其中语音识别与语音合成技术相对非常成熟，但英文的词义理解由于英语自身的复杂性（诸如分词、歧义、缺乏形态差异、结构松散等），技术难度较大，也被这些业内人士誉为人工智能皇冠上的明珠，也是能够推动高质量人机交互的关键。

智能客服平台框架（图据恒生研究院）

对于智能客服机器人而言，语义理解与动机识别决定了对话机器人的提问准确率。随着深度学习在自然语言处理中的利用，训练数据的品质也作为了智能客服开发的关键。特别是服务于金融、电商等垂直市场的智能客服，相关领域的访谈训练数据的质量直接决定了深度学习模型的练习质量。深度学习的利用也作为区分新一代智能客服区与特色以关键词、模版为核心的问答机器人的关键。

另一方面，客服知识库是智能客服的核数据，它储存了所有的难题和相应的答案。用户的回答，将匹配到知识库中的弊端，从而将正确的答案返回给客户。知识库的好坏直接决定了智能客服的服务品质跟客户体验。

回到金融领域，智能客服的应用解决了金融企业有限的真人客服与庞大的客户服务意愿之间的冲突，以及24小时在线的难题。通过智能客服还能将海量的客户对话数据转换为业务洞察，为前端的准确营销与大幅的业务优化提供参考根据。

不过，智能客服在金融领域的应用一直遭遇一些挑战：

1、由于金融领域涵盖的专业知识与术语众多，传统NLP技巧能够精确理解语义与用户意图。

例如，客户问“中国联通的股票据说要涨？”在分词上，普通的NLP可能会将这句话分为中国联通的股／票据／说要跌？。分词上的出错会直接妨碍到语义的确切理解「情感网站」，让智能客服无法理解问句背后的真实动机，并做出回答或处罚那些技能跟服务。

2、缺乏深度学习建模训练数据。

单纯从业务数据上来讲，金融的数据特别是交易信息数据比较大，这和金融业务信息化较早有关。但客户的业务咨询数据、客服数据、金融产品的导购对话数据，长期没有得到充分加强，也缺少积累和研发，因此只用来进行深度学习的练习数据并不充裕。

3、无法准确认知客户情绪（如电话客服系统）。

金融领域，人类情绪极易随着金融产业行业的波动而起伏不定，经常难免带有情绪与客服沟通，因此具有情感识别与预测的人性化人机交互体验就变得更为重要。当智能客服普遍没有感情时，一个稍微有些“感情”的智能客服平台都会更容易被选择。

技术新招：语言学运用、LSTM+DSSM算法、多模态情感交互等

针对前述问题，在语境理解方面，目前非常新锐的做法是以特色的NLP技术打底，加上语言学结构，结合新的机器学习、深度学习、以及金融知识图谱的方式，融合地去把整个语义理解抽象化后做卷积。