Customer interaction and support is crucial in just about every single industry. Companies increasingly grow to depend on AI and machine learning algorithms to process large amounts of data, ultimately to achieve the goal of understanding customer needs.
客户互动和支持在几乎每一个行业都是至关重要的。各种公司越来越依赖人工智能和机器学习算法处理大量的数据,以最终实现了解客户需求的目标。
在最近一集的AI Today播客里,Thrivent公司的首席数据官(CDO)Sravan Kasarla谈到他在金融服务行业与AI(人工智能)合作的经验并分享了他对AI的应用和未来的看法。他还将在2021年6月3日(星期四)即将举行的人工智能数据活动中发言。如果读者想与Sravan直接互动,可以在网上免费注册。Sravan作为财富500强金融服务机构的CDO利用了他在数据分析和咨询方面的背景,他负责数据工程所有领域以及如何利用人工智能和ML(机器学习)来帮助创建一个反应更迅速的企业。
首席数据官Sravan Kasarla (图:Thrivent Financial Sravan Kasarla)
业务方面最关键的是了解与客户或潜在客户互动的最佳方式,因此,金融服务行业利用人工智能帮助确定目标受众并不奇怪。由于存在大量的客户信息,要对堆积如山的数据进行分类进而确定相关信息可能是一项艰巨的任务。人工智能和机器学习算法可以派上用场,二者可用来自动挖掘这些数据、发现模式并提供很准确的信息。
合适的受众确定后,确定和定制相关的产品和服务十分重要。Sravan解释说,为了提供最佳体验,关键在于将所有不同的互动结合起来并将这些点连接起来,以确定下一个最佳行动。例如,如果一个客户访问公司网站重置密码但不成功,适当的下一步是在同一客户打电话寻求帮助时将这一信息转达给经手人。提取和传达这些信息对建立一个行动链非常重要,原因是经手人被告知这一活动时就能够以更直接的方式帮助客户,无须花时间解释不相关的产品或服务,向这时的客户介绍不相关的产品或服务可能会令客户进一步沮丧。人工智能可用于这一类的客户意向建模,目的是预测客户需求,以提供最佳服务并对受众做到更好地整体理解。
加强信任
对于企业成功的了解其实不是简单的交易或政策,而是要建立和加强与客户的长期关系。这种类型的关系是通过咨询个性化建立的,这一块是人工智能发挥作用的另一个领域。金融服务业可以用类似于营销界的广告超个性化的方法利用人工智能工具为每个潜在客户或客户定制信息。
在正确的时间提供正确的产品或服务是每个组织的目标,人工智能则可以为做这些决策时依赖的知识提供动力。在提供个性化的投资策略方面尤其如此。客户利用人工智能驱动的机器人顾问可以根据他们的财务状况和未来目标获得有关投资和其他决定的个性化指导。甚至在完全自动化的机器人顾问阶段之前,经过人工智能增强的人类代理可以令建议过程更加高效和准确,此外还可以为个人客户提供量身定制的建议。
AI驱动的决策
时下的企业需要的是,能够在正确的时间和地点利用数据和人工智能对不断变化的需求作出反应。要建立一个反应迅速的企业,关键基础则是来自于了解和连接所有的互动和多种形式的数据。为了奠定一个强大的基础,企业必须聚焦无摩擦数据流。不妨设想成一条“数据高速公路”,所有参与方在每个过程里都能不断地了解情况,以确保每个人在每一个时刻都能得到最新的数据。为了做到这一点,企业必须在数字世界中跟随客户,并利用数据将各种点连接起来。这需要从客户在线活动里建立对客户需求的了解并跟踪生活事件的变化,所有这些都需要人工智能的帮助。企业通过提出适当的问题而实现为客户带来财务的清晰目标。
从长远来看,建立反应更迅速的企业意味着努力实现一个反应更迅速的世界,这是人工智能的未来,不仅在金融服务领域是这样,在所有行业都是这样。Sravan Kasarla表示,“最终,人工智能将令人类的生活更舒适、更方便及更有成效,因而我们都可以专注于生活里对我们来说更重要的事情。” Sravan Kasarla强调表示,力量来自于数据与算法的结合。这不仅仅事关让企业快速获利,而是事关做出影响深远的重大预测,比如大流行病的影响会持续多久,或者如何在问题出现之前发现趋势。人工智能的使用可以帮助人类进行这些前瞻性的行动并创造相应的智能,以提高客户体验和关系。归根结底,人工智能的未来在于努力实现人类的整体利益,这就是在我们的世界里真正的智能技术进步和采用越来越重要的原因。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。