2019中国金融科技产业峰会丨北京融汇金信信息技术有限公司CEO罗彤：智能助手赋能金融服务？

2019（第二届）中国金融科技产业峰会于10月31日在北京国际会议中心隆重开幕，北京融汇金信信息技术有限公司CEO罗彤在会上带来了主题为《智能助手赋能金融服务》的演讲。

感谢大家，今天和大家分享一下我们在金融行业使用的金融服务，我们的名字叫智能助

首先，这方面的需求和这方面的迫切需求是近年来随着科学技术的需求，我们应该说是出现的需求。传统上，无论是自动化还是智能化，主要能力都在工具上。例如，我们必须做特定的任务。我们经常做的事情之一是把这个任务做成工具，写的时候用Word使用WPS，用特定的工具完成特定的任务。但是，工具的能力往往是为了解决任务而解决的，现在随着产业的发展，我们经常要做的不是在特定的任务清单中解决的，而是没有特定的软件来完成这个任务，所以我们现在被称为知识的能力，核心是能力

以金融产业为例，如何提高人在工作中的各种效率，我们主要通过产业支持提供服务。从产业内外来看，我们的金融机构内部包括金融机构的对外客户，整体问题是代理服务集团非常大，其次产业知识来源非常多，金融产业特别是金融产业分为互联网金融、块链，传统的医药、制造一个人很难理解所有的产业知识第三，我们需要个性化服务，给人们带来这三个重要问题。我们如何解决它？

让我们先谈谈赋予能力的方法，不仅是特定任务的创造性工作，还能帮助人们做什么。首先，要获得知识，也就是说，我们必须有能力大规模学习我们的产业，如金融产业的相关知识，并自动学习。我们学习知识后，使用知识服务人员和服务世界，我们认为两种自然的交织方式，一种是对话，二种方式是向用户展示更丰富的知识，类似于报告的形式。

我们说产业知识的发展，在知识服务的发展中分为现阶段，回顾历史，90年代末期，当时的企业大多倒下，我们知道留在最后谷歌的企业，提供的主要是关键词知识服务，近年来逐渐的趋势是我们对很多文本中的关键词不满意2007年我自己参加过，当时世界上有很大的热潮，想用机器学习的方法，现在人工智能的方法可以从文本中获得很多知识，当时我们有Powerset、Open-Calais和自己的Uptake队伍，我们想用知识服务客户，我们想用这个打败谷歌。不幸的是，到了2012年，我们也没有失败。这些企业被微软公司、路透社等电子商务企业收购。这可能与当时企业的成熟度有关。2012年谷歌提出了知识地图的概念，谷歌提出了我应该从我所有的文本知识中建立知识，通过知识回答用户的问题，从这里开始，国内近年来听到了很多知识地图的概念，其核心点是我们不满足很多文本和语言，我们想得到知识，知识是我们服务的基础

第二个趋势是我们不满足搜索来获取信息。2015年谷歌Asistant、微软Crotana、苹果Siri希望通过对话提供服务，我们希望对话解决一切。

2016年国外最有名的金融机构Bloomberg退出的方法是通过现有的金融股票数据写报告书，2017年开始使用外部市场，2018年从谷歌公司挖掘副社长作为技术领导者，多次主张Bloomberg的大成果是自动化企业分析报告书，节约了很多人力，带来了很大的价值。2018年以后，我们可以通过预训完成。这是学术。服务形式走向对话，这是大势所趋。

如何走向知识服务，具有服务和学习能力的智能助手应满足这三点:第一，大规模学习产业知识，不是简单的问答机器人，而是人们输入知识回答用户的问题，我们的知识永远不会穷。迄今为止，很多金融产业论坛上有很多金融机构的学生，智力密集型、资金密集型还没有人用人工手段建立金融体系垄断的知识体系。第二个问题是，随着知识服务的形式，第一个是满足对话，第二个是满足更丰富的报告，对话总是一个接一个地进行，报告是我对产业有知识的报告，可以总结知识体系，这是下一代智能助手和知识服务的重要因素。

另一项技术基本本准备好了。2008年，我们带领团队进行旅游领域的语音分析和知识获得。当时，美国的情况是很多爱旅行的高手，想分享很多旅行知识，特意去加利福尼亚讨论重要的问题，他很高兴。当时很多行业的专家都参加了，而且有很多手工特征和传统的机械学习模型，我们花了一年时间只做了旅游产业。

今天是财经领域，财经是很多产业领域，现在这个时候通过弱监管学习和深度学习，我们做产业图谱大概需要四个月的时间，只有两个编辑，这个图谱可以扩展，但是从建立的速度来说，这是科技给我们带来了很大的飞跃。

首先，让我们看看如何通过机器阅读建立知识体系。这是一个示范性的例子。在这个例子中，我们可以看到锂电池。从这篇文章中，我们可以知道锂电池的上游是谁，锂电池可以应用于哪个领域，锂电池的上下关系，即锂电池包括哪个子类，文本中描述的企业锂电池的产业包括哪个企业。以下是这些公司，公司有哪些客户群，这是我们公司生产的产品，最后我们不太愿意说这是广义的知识图像，也就是说，我们可以从这里看到知识，其中锂电池锂电池的行业趋势是什么样的，它不仅是一点，而且是整体的说明，一点

通过机器学习了这么多知识后，很大的困难是如何维持它，也就是说，没有人知道所有的产业，很多专业机构都很难维持，所以我们使用了方法。钛白粉下游产业不是塑料吗？这是很多人无法判断的。我们做的很多方法是列出来自哪个文本，一般运营者看这个文本，还是判断你的信息获得知识的关系，我们用这个方法。你可以看到行业细分为什么有凤香型，因为它来自这篇文章。通过这种方法保证或者我们不适用所有行业的专业人员来维护行业的知识体系。这里所有的东西都来自文本中的自动阅读和提取。

现在通过建设的知识体系复盖了130万人以上的关系，很多旧数据现在有120万人以上的关系，细分的产业产品有6、7万人，公司有数万人。

我认为可以比较的是现在的行业状况，现在的行业状况一般是我们国内的行业知识图像大部分是手工制作的，现在的状况是这样，或者是垂直的领域，很少复盖整体，我认为这是比较好的突破。

第二个国外非百科类图谱建立，主要是卡耐基梅隆大学有这样的体系，有200多万个实例关系。百科全书的知识来自维基百科全书和百度百科全书。数据相对规则，易于获取，但一般行业知识相对稀少。

当你建立了一个知识体系，我们把这个知识体系加上我们拥有的结构化数据，我认为这构成了非常大的知识服务能力，通过对话可以解决用户的很多问题。让我们看看这个视频。

(播放视频)可以用手机制作APP，用户可以继续对话，多次问我指示的问题，或者结构化数据中的数据，结构化数据和知识相连，可以解决很多问题。第二，你可以做很多简报。我们通过你对知识体系的定义，人们可以分析产业所需的要素，连接知识体系构成这样的报告。

我们可以看一下我们做的对话助手主要是一个叫知识型，就是我获取知识能够服务你，第二任务型，在我做一些比如说金融产品的特定营销产品或者是某一些特定意义的某种特定提醒的场景，我只是完成一个任务，而不只是告诉你，你问我的问题是什么，我们能做这两个场景，不一定是社交机器人，比如说微软小冰就是能够陪你聊下去。因此，我们认为知识和任务是金融助理的关键。

现在我们的翻译水平约为97%。例如，这是对话机器人的场景，大家都可以看到，可以随便问。(视频演示)这些知识来自各种观点的提取，包括这种关系来自这篇文本。这是结构化数据的查询，直接在知识中进行查询。当然，接到电话也能完成任务。

第二，知识系统包含所有数据，根据这些数据和我提取的知识，可以自动制作机器学习的智能文章，可以制作客观的数据和现实的报告，这是白酒行业的报告，可以自动制作这样的文字报告。

这是抽取报告，任何产业都可以一起分析各地的观点，制作这样的简报。

与Bloomberg制作的公司的报告相比，Starbucks根据其客观数据、行情变化和所在产业，这是自动制作的，可以比较的是这个报告，当然没有图表，我们国内很多人都需要图表

在这方面产业发展的最前沿，世界水平一般直接生成数据的现在效果并不特别好。一般来说，我认为在产业上必须提取基于知识图像的同时生成基于信息压缩的机器。此外，报告有很多工业化程度，其成熟度需要很多产业技术，统计学习和人工参与在智能报告中起着很大的作用，不仅是中国，世界也有可能发生这种情况。

金融助手app的效果是，我们在一些金融机构使用的例子是人工处理服务，原本是3万个，下降到300个，顾问减少了95%，用户活跃度提高了5倍，随着服务能力的提高，这种形式也很有趣。

整个过程是这样的。我们实际上想成为真正知识的助手、智能助手和知识的能力，我们的核心是数字化，需要数字化、PDF文件和内容抽取的过程，需要知识化的过程，可以应用。有了这些知识，你可以为人们服务，比如问答机器人、智能报告，还可以提供电话服务。

最后简单分享。我们落地的人工智能产品可能有些企业想做这件事。我反复被各企业的CEO问了这样的问题，希望大家分享。第一，我们应用的原则，大部分场景并不是说我们只要一个低精度，我们往往要求95%以上的精度，90%的精度不好用，意味着一万篇文章有一千篇是错误的。第二大部分问题是小数据，很少标记数据，必须大量人工解决未标记数据的问题。另外，人才的状况特别重要，很多金融机构落地的人工智能应用程序很多，落地缓慢的原因是我们这个产业特别需要的是金融业务，金融场景需要什么，人工智能和机器学习能给我们带来什么，这样的人特别少，无论什么机构，我自己交往的很多机构都能得到这样的人，其实是我们推进产业升级的重要一点，人才最后被制约了

第二个就是落地关键，反复要有业务场景专家还有人工智能的专家，两个人要反复地聊，定义好确定的场景，光人工智能的人不太懂业务，想的都是想当然，业务人员不理解你能干什么。

另外就是反复培训。其馀的是我们常见的问题，各企业问的问题很多，也就是说工具是否开源，大家是否做的一样，其实不然。如何应用知识解决优艾设计网_Photoshop百科问题是大工业应用的方法和技能，这还是不同的。另外，不使用人工智能的技术，核心的判断点是你做的方法是否规则，你的精度为什么不高，因为人工智能的产品不到100%，核心是你的产品中设置了不到100%的人工智能产品最后为什么预测效果只有80%，往往是因为这个问题很难。否则，改变团队提出更高的要求。

我的共享到此结束。非常感谢你。

0