在互联网高速发展和数字化转型的背景下,通过多种客服渠道为客户提供“普惠化”、规模化”、“高效率"的服务,是金融机构必须长期面对的难题。中信建投证券搭建智能化客户服务平台(以下简称“平台”),在底层实现了跨业务线、跨系统、多渠道、全媒体的数据接入,并在此基础上构建了Al知识中台,为各业务场景持续提供知识快速生产服务。
平台涵盖公司服务的全生命周期。事前智“慧”,利用全渠道客户数据,构建客户画像,并基于客户画像构建以客户为中心的知识中台,实现对客户心声和意图的事前分析;事中智“助”,基于人机协同模式,在全渠道的客户服务过程中,提供智能服务手段和实时的沟通辅助;事后智“学”,对全员服务过程进行全面分析,寻找最优的营销服务策略,通过智能质检进行合规监控和分析,通过智能培训提升员工的服务技能。
图:智能化客户服务平台服务模式
平台采用web rte高品质音视频技术,创新视频、语音、文本三通道,支持 SIP /TCP /HTTP /WEBSOCKET多协议传输模式,这是中信建投证券客户服务平台实践的一次探索性尝试。中信建投在业务、科技联动的模式下,不断前进探索,完成了多项突破性进展。采用业内领先的智能语音识别、语音合成、语义识别、知识图谱技术使得系统的整体识别率稳定保持在90%以上。具备多轮对话扩展能力,具备ASR噪音智能识别技术,具备常用交互流程打断功能。
平台解决了四个问题:
其一,基于人机协作的理念构建系统,最大化实现人工和智能的优势互补,有效提升系统整体的服务效率。
其二,通过智能技术,有效解决电话/在线客服、电话回访等业务工作量大、人力培训成本高等问题,降低了企业成本,提升了服务效率。
其三,发展探索覆盖客服全流程的业务模式。服务质检覆盖全渠道客服过程,做到最大限度规避合规风险;数据埋点分析覆盖全流程服务,为管理者提供决策支撑,持续优化各个服务节点及服务流程。
其四,构建以客户为中心、跨业务线的客服知识,实现员工服务时对知识随用随取”的目标,提高知识资源的配置效率,助力公司财富管理转型。
平台具有三大创新点:
其一,全流程服务及分析:业务模式覆盖客户服务全过程,实现实时的话术推荐、合规提醒,并对员工进行业务流程导航。同时为服务过程建立数字化监控和分析手段,为管理者提供服务优化的决策手段。
其二,人机协作机制:多种智能技术手段(包括ASR、NLP、TTS等)与人工服务深度融合,全面覆盖客户服务渠道,为客户提供全天候、高质量的服务,缓解客服中心人力资源压力。
其三,以客户为中心的知识沉淀机制:基于Al知识中台,利用自然语义理解、知识图谱等技术重建以客户为中心的知识系统。降低员工学习成本,提升客服综合业务能力。
目前Al客服平台已经赋能多个业务部门,截至2022年底,智能化客户服务平台语音识别准确率达到90%以上,接管了25%的人工座席工作量、30%的人工电话回访量,降本增效效果明显。通过智能合规质检系统,实现了合规问题找得准、找得全、找得快,提高合规审核人员的审核效率,降低漏检、误检所带来的额外工作负担,目前质检系统每周可全量质检 6万通会话数据,替代80%的质检工作,获得了合规审核人员的认可。通过对全流程客服数据的持续分析,构建服务闭环,提升服务触达效率,提升服务质量。2023年智能化客户服务平台服务触达成功率同比提升15%,服务满意度同比提升10%。
疫情期间,智能机器人发挥了重要的作用,保证了各项服务接通率维持在正常水平,项目为证券行业提供实践方案和数据支撑,为行业智能化客服建设提供经验。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。