银行业的“智障客服”！！？

喜欢我们，点击上方AINLPer，关注一下，极品干货即刻送达！

😀各位，晚安~

引言

    不知从何时起，当你打银行客服电话的时候不再需要你通过一层一层的按键进行菜单跳转，而是直接通过说的方式就进入到你要办理的业务菜单，例如：当你需要查询银行卡余额的时候，直接说“我要查余额”，系统会自动给你转到输入银行卡和密码的步骤，相比之前一边打电话一边还要找按键着实方便多了。智能机器人有让人褒赞的一面，同时也有让人吐槽的一面，当你想找一个真正的客服小姐姐给你服务的时候，“转人工...转人工...转人工.......”，它就是不给你转，让人特别恼火。

    为什么会有这种改变呢？根据我查询到的一些资料，就这个问题和大家分享一下。

正文开始

1智能对话系统面临的挑战
    在智能对话系统的应用过程中，如果想要与用户进行高效互动，就需要实时准确地获取用户的聊天意图。因此，对用户意图的识别对于整个智能对话系统的高效运行至关重要。其中意图也就是用户当前的期望行为，能够凸显用户当前想要解决的问题，更加具体的讲就是用户在与智能对话系统进行交互的过程中，实时变化的意愿或者行为状态。除此之外，系统对于用户意图的实时、高效获取，还面临着很多挑战。如：基础数据来源匮乏、用户表述不规范、用户意图存在隐含性以及用户意图的多样性等。

    1、基础数据来源匮乏指的是优质的智能对话语料稀少。随着人机对话技术的发展，科技巨头公司都研发了很多类型的对话机器人，但相当一部分都因为实际应用性不强不能被很好的推广，因此很难获取高质量的有效聊天文本，最终用于模型和算法训练的样本少之又少。

    2、对话过程中用户表述不规范。在对话系统中，用户的自然语言表述通常具有口语化强、符号繁杂、语句简短、内容多样等特征，这使得对于用户意图的获取变得更加困难。例如，“我想借点钱”，这种日常口语化的表达，在金融领域对应的意图则是“贷款”或者“办信用卡”。因此，对于用户语言表达的口语化，会使意图识别的难度大大增加。对于“我想办卡”这种简短的描述，用户意图也存在着多种可能，办卡可能是办储蓄卡，也可能是办信用卡或者其他更加细化的类型。这些都是由于用户表达内容过于笼统，影响智能对话系统不能精确识别用户意图的原因。

    3、对话过程中用户意图存在隐含性。随着智能对话系统的业务种类越来越多，在人机对话过程中，有些意图的表述较为明确，而有些意图的表述却包含更加深层次的意思。这种更深层次的意图被称为隐式意图。相对来说，显式意图指的是自然文本的形式，准确的刻画出用户当前的行为意图，包括对话领域、业务类别等特征。隐式意图主要指的是用户没有通过相关实体名词准确表达自己的行为意图，智能对话系统需要根据用户的上下文环境行为分析用户的潜在意图，从而推断出用户的真正意图。例如，“我想办一张储蓄卡”，用户准确的描述显式意图为“办储蓄卡”；“我的银行卡丢了”，这一描述则体现用户的隐式意图为“办银行卡”。由此可以看出，没有明确的领域特征和类别信息的隐式意图识别也是人机对话过程中的关键点。

    4、用户意图具有多样性。在人机对话过程中，用户输入的一句文本可能包含多个问题或者意图。如：“我要挂失再办一张新卡”，这句话虽然简短，但是在日常生活中却十分常见，同时存在“挂失”和“办卡”两种意图。这种在智能对话过程中需要系统一次性检测出一种以上意图的任务被称为多种意图识别。特别是怎样在序列长度较短的文本中快速检测出多个对话意图也是对话系统算法设计过程中的难点。

2AI深度学习算法井喷式发展    深度学习是机器学习的分支，是基于建立和模拟人脑进行分析的特殊机器学习模式，在2012年进入研究的爆发期。相对于传统机器学习以数据为经验来驱动计算机模拟人类的经验决策行为不同，深度学习通过模拟人类的神经元结构来达成数据的处理和结果产出，能处理更为复杂的各类数据进行决策。2018年，研究深度学习领域三位学者荣获第三次图灵奖，其在概念和工程上的重大突破推动了深度神经网络成为计算机领域关键技术，是图像识别、语音识别、自然语言处理等技术获得跳跃式发展的基础。如今深度学习以自动提取特征、神经网络结构、端到端学习等优势，成为当下最热门的算法架构。基于最新的技术架构，可以在一定程度上解决智能对话系统目前面临的挑战，让智能对话系统能够达到对客服务水平。

3海量基础数据的积累   深度学习算法多采用有监督学习模式，需要标注数据对学习结果进行反馈。在进入AI模型训练前，数据需经过采集标注过程，将多源异构数据转化为可识别的AI训练数据。在银行业中，在客服场景下日均8万的对客服务量，每年可以积累2T的对话数据。得益于海量数据的出现、计算能力的提升，原来复杂度很高的算法终得以落地使用。中国AI基础数据行业市场规模在2020年预估已达到36.3亿元，预计2025年将达到101.1亿元。国内AI基础数据服务主要分为数据集产品和数据资源定制服务，数据集产品往往是AI基础数据服务商根据自身积累产出的标准数据集，以语音数据集为主；数据资源定制服务则可满足客户的定制化需求以保证算法优势。

4恰逢适宜的市场需求
    根据国家统计局显示，2020年中国城镇单位就业职工平均工资已达到97379元，相比于2011年已经上升了133%，企业用人成本不断攀升。另一方面，由于部分客服营销场景的工作形态单一导致的人员不断流失，加大了培训难度，而业务知识繁杂导致专业度难以达标的培训情况又进一步加剧人员流失，人员流动性大与培训难度高已形成人力成本攀升的恶性循环。企业对降本增效的产品需求日益强烈。智能对话机器人可精准解决人工服务现存痛点。

    1）人力工作时长有限，对话机器人可设置24小时在线，不间断地进行客服应答及业务处理。人工渠道运营管理难度大，而对话机器人可实现全渠道接入，支持同一知识库对接，无需在多个接入渠道中来回切换；

    2）用户咨询量波动在高峰时期人力不足会导致服务体验波动，对话机器人可快速解决重复性问题，并根据业务流程，引导用户理清复杂、模糊问题，给予用户直接清晰的问题回复；

    3）数据留存量低且价值难以被有效利用，对话机器人可对语音文本对话数据进行智能分析与质检，帮助企业深度挖掘数据价值。

5智能对话系统实际对客状况
    首先目前在银行业中，智能对话系统大部分的只能办理一些基础的业务，例如：余额、开户行、网点等的查询，理财、基金、活动等的咨询，对于复杂的业务还是需要通过转人工进行办理。但目前被人诟病的就是转人工比较麻烦，说好几次转人工都进入不了人工服务，这是因为很多公司把转人工作为智能对话系统对客服务好坏的关键指标。    然后，目前大部分年轻人尤其是90后，基本都很少打银行的客户服务电话。因为每个人都有手机银行，想要办业务还要打客服电话对于他们来说还是挺麻烦的。那么问题就来了，大部分使用客服电话的都是不怎么会操作手机银行的人，况且作为客户打银行电话本来就是一件需要得到快速响应事情，所以个人觉得应该把转人工流程修改一下，让转人工不在困难。    最后，总的来说目前银行业中的智能对话系统只能说够用，但是还有很多不足。但是这个行业还在不断的发展，目前意图识别的自然语言处理模型、语音合成的TTS模型、语音识别的ASR模型都在不断的更新换代，例如：自然语言处理模型采用最新的BERT模型进行优化提高意图识别、多意图识别能力、语音合成的TTS模型采用多种音库实现不同语音播报效果、语音识别的ASR模型采用中英文混合模型提高英文识别结果。俗话说，有挑战就有机遇，希望你能够坚持自己的方向，努力前行！

6参考文献 [1] 中国对话机器人chatbot行业发展研究报告 2021年[A]. 上海艾瑞市场咨询有限公司.艾瑞咨询系列研究报告（2021年第6期）[C].:上海艾瑞市场咨询有限公司,2021:64.

[2]赵震. 基于金融领域对话系统的意图识别研究[D].电子科技大学,2021.

点击下方链接🔗关注我们

资料整理不易，帮忙点个【赞】、【在看】吧