雷鋒網(wǎng)AI金融評(píng)論按：銀行的業(yè)務(wù)領(lǐng)導(dǎo)看不懂?dāng)?shù)據(jù)報(bào)表，用戶的照片和聲紋注冊(cè)難以通過(guò)，人工智能的運(yùn)用到底誰(shuí)是基礎(chǔ)和關(guān)鍵，對(duì)于這些新技術(shù)的應(yīng)用問(wèn)題，平安銀行零售科技CTO儲(chǔ)量通過(guò)分享其團(tuán)隊(duì)的研發(fā)經(jīng)驗(yàn)給出了答案。正如他所言，很多技術(shù)“還在路上”，那么在傳統(tǒng)銀行的技術(shù)化道路上，有哪些問(wèn)題值得從業(yè)者們關(guān)注和深思呢？

在12月8日第一屆“平安集團(tuán)SMART科技大會(huì)—科技金融Fin Tech論壇”上，儲(chǔ)量分享了平安銀行在新技術(shù)方面的經(jīng)驗(yàn)，為我們細(xì)述了從數(shù)據(jù)基礎(chǔ)、關(guān)鍵技術(shù)再到實(shí)際應(yīng)用的環(huán)環(huán)相扣。

以下為儲(chǔ)量演講全文，雷鋒網(wǎng)AI金融評(píng)論做了不改變?cè)獾木庉嫞?/em>

大數(shù)據(jù)：算力、基礎(chǔ)設(shè)施、數(shù)據(jù)、場(chǎng)景、產(chǎn)品和渠道端的閉環(huán)

建立整個(gè)銀行的大數(shù)據(jù)平臺(tái)，過(guò)程相當(dāng)痛苦——盡管絕大多數(shù)金融機(jī)構(gòu)，很早就會(huì)建立自己的數(shù)據(jù)平臺(tái)，但大數(shù)據(jù)+金融應(yīng)用的細(xì)分領(lǐng)域相當(dāng)復(fù)雜，每一類業(yè)務(wù)場(chǎng)景中會(huì)有很多不同的子項(xiàng)目要研究。平安銀行在此方面已建設(shè)12種主要應(yīng)用場(chǎng)景，譬如風(fēng)險(xiǎn)控制，有與欺詐相關(guān)的，有確認(rèn)客戶身份的，還有很多真正意義上研究市場(chǎng)態(tài)勢(shì)和風(fēng)險(xiǎn)變化的部分。

在平安銀行的大數(shù)據(jù)應(yīng)用上，儲(chǔ)量舉例了幾個(gè)典型應(yīng)用場(chǎng)景：

（從上至下、從左至右分別為：B+報(bào)表平臺(tái)、指標(biāo)平臺(tái)、風(fēng)險(xiǎn)偵測(cè)平臺(tái)和數(shù)據(jù)探索）

B+報(bào)表平臺(tái)

一些會(huì)議經(jīng)常出現(xiàn)如下情況：在討論未來(lái)的業(yè)務(wù)發(fā)展設(shè)想和規(guī)劃時(shí)，一旦試圖以歷史經(jīng)驗(yàn)來(lái)預(yù)測(cè)事件走向和客群規(guī)模，卻卡死在數(shù)據(jù)一環(huán)，命題缺乏支撐。傳統(tǒng)金融行業(yè)原有的數(shù)據(jù)工具和平臺(tái)，普及不夠、自動(dòng)化不夠、時(shí)效性不夠。

在數(shù)據(jù)指標(biāo)應(yīng)用方面，比如傳統(tǒng)金融組織會(huì)把工作交給一個(gè)單獨(dú)的數(shù)據(jù)團(tuán)隊(duì)同事來(lái)做。數(shù)據(jù)團(tuán)隊(duì)可能很熟悉業(yè)務(wù)的指標(biāo)定義和理解，但大部分業(yè)務(wù)領(lǐng)導(dǎo)對(duì)細(xì)節(jié)并不清楚，導(dǎo)致上下溝通時(shí)脫節(jié)，只好讓下屬以需求的形式實(shí)現(xiàn)報(bào)表再做決策。

B+報(bào)表最重要是解放實(shí)際上業(yè)務(wù)高層領(lǐng)導(dǎo)的生產(chǎn)力，讓他們自己通過(guò)手工自助工具直接看到他需要的數(shù)據(jù)，決策更加高效。儲(chǔ)量稱，從今年年初到8月份，他們一直致力于研究B+報(bào)表，目前已在行內(nèi)有所推廣。如果要做到更高的時(shí)效性，T+1甚至T+0，并且隨時(shí)組合不同的條件，把數(shù)據(jù)帶出來(lái)，需要花更多精力打磨。

指標(biāo)平臺(tái)

這一平臺(tái)主要是市場(chǎng)營(yíng)銷?，F(xiàn)在平安主推線上，這部分營(yíng)銷對(duì)于傳統(tǒng)業(yè)務(wù)而言，需要一套成體系的營(yíng)銷平臺(tái)支持。其中很重要的是，如何通過(guò)指標(biāo)體系將不同的客戶實(shí)時(shí)篩選出來(lái)。而這些指標(biāo)體系的建設(shè)需要花時(shí)間把基礎(chǔ)能力和指標(biāo)定義出來(lái)：客群畫像、客戶類型，做到基本以秒級(jí)篩選出幾萬(wàn)、幾十萬(wàn)甚至幾百萬(wàn)客戶的列表。這需要大數(shù)據(jù)作支撐的，傳統(tǒng)數(shù)據(jù)庫(kù)架構(gòu)系統(tǒng)無(wú)法完成這一點(diǎn)。

風(fēng)險(xiǎn)偵測(cè)平臺(tái)

每天系統(tǒng)處理的客戶交易有幾百萬(wàn)甚至上千萬(wàn)，所有的刷卡、轉(zhuǎn)帳記錄、登陸記錄，會(huì)變成可能存在風(fēng)險(xiǎn)的點(diǎn)，需要非常強(qiáng)的實(shí)時(shí)運(yùn)算能力，建立風(fēng)險(xiǎn)偵測(cè)體系平臺(tái)。這一平臺(tái)是毫秒級(jí)全天后監(jiān)控，累計(jì)做了八億筆交易記錄風(fēng)險(xiǎn)決策，以及6500萬(wàn)的比對(duì)。這些東西的業(yè)務(wù)價(jià)值，背后需要非常強(qiáng)的實(shí)時(shí)的風(fēng)險(xiǎn)決策引擎來(lái)實(shí)現(xiàn)。

目前平安銀行的引擎還不算最高效的——美國(guó)運(yùn)通公司的風(fēng)險(xiǎn)模型和引擎，可以在兩毫秒之內(nèi)完成12000個(gè)決策數(shù)的模型運(yùn)算。其單個(gè)服務(wù)器節(jié)點(diǎn)，每秒可以接受64000筆這樣的請(qǐng)求，這對(duì)基礎(chǔ)平臺(tái)及其應(yīng)用架構(gòu)能力要求極高。平安銀行目前風(fēng)險(xiǎn)偵測(cè)還不夠強(qiáng)，基礎(chǔ)開(kāi)源框架在風(fēng)險(xiǎn)高維運(yùn)算能力方面是偏弱的。盡管當(dāng)前業(yè)務(wù)尚無(wú)如此復(fù)雜的規(guī)則需求，但未來(lái)用AI、機(jī)器學(xué)習(xí)訓(xùn)練算法，真正實(shí)時(shí)運(yùn)行時(shí)，最終產(chǎn)生的引擎對(duì)運(yùn)行資源的消耗會(huì)越來(lái)越大，沒(méi)有基礎(chǔ)平臺(tái)支撐是做不到的。

數(shù)據(jù)探索

我們正在做知識(shí)圖譜，金融的結(jié)構(gòu)化以及非結(jié)構(gòu)化數(shù)據(jù)怎么形成圖片，以高緯度方式關(guān)聯(lián)查找。

現(xiàn)在金融行業(yè)許多欺詐均為團(tuán)伙作案，業(yè)內(nèi)有灰色產(chǎn)業(yè)和黑色產(chǎn)業(yè)鏈條。他舉例北京分行的盜刷團(tuán)伙，作案時(shí)會(huì)把好幾個(gè)不同的被盜客戶信息輸入到系統(tǒng)里，看他的資金被盜在行內(nèi)甚至到行外其他行的帳戶鏈路，會(huì)發(fā)現(xiàn)幾個(gè)關(guān)鍵任務(wù)，它可能就是被拿來(lái)洗臟錢的黑色帳戶。找到這個(gè)帳戶，再讓公安介入調(diào)查，順藤摸瓜把人抓到。我們利用數(shù)據(jù)探索知識(shí)圖譜，快速定位可疑行為較為密集的帳戶。

平安銀行零售的大數(shù)據(jù)應(yīng)用體系架構(gòu)，是從最基礎(chǔ)的大數(shù)據(jù)運(yùn)算能力開(kāi)始，從下往上是基礎(chǔ)設(shè)施、基礎(chǔ)數(shù)據(jù)匯聚、數(shù)據(jù)產(chǎn)品，再往上是應(yīng)用場(chǎng)景和應(yīng)用產(chǎn)品，最終到渠道端可以真正實(shí)現(xiàn)閉環(huán)。

經(jīng)驗(yàn)分享：技術(shù)+業(yè)務(wù)雙管齊下，平臺(tái)支撐和數(shù)據(jù)治理并行    

第一，戰(zhàn)略清晰。對(duì)于一家組織來(lái)說(shuō)，到底需要投入多大的資源來(lái)完成大數(shù)據(jù)平臺(tái)建設(shè)。比如平安團(tuán)隊(duì)年初開(kāi)始建立平臺(tái)時(shí)，團(tuán)隊(duì)至少要100人，運(yùn)算節(jié)點(diǎn)服務(wù)器資源需要上千萬(wàn)投入，當(dāng)時(shí)一次性采購(gòu)接近5000、6000萬(wàn)。其中牽扯之多需要上層領(lǐng)導(dǎo)決策，所以要有清晰戰(zhàn)略。團(tuán)隊(duì)內(nèi)部會(huì)按能力相應(yīng)細(xì)分，每一個(gè)小組會(huì)專注負(fù)責(zé)一個(gè)領(lǐng)域的產(chǎn)品或者技術(shù)的孵化。大數(shù)據(jù)要在業(yè)務(wù)領(lǐng)域發(fā)揮價(jià)值，如果光靠技術(shù)是不夠的，還需要有人對(duì)業(yè)務(wù)的基礎(chǔ)數(shù)據(jù)比較了解。大數(shù)據(jù)技術(shù)團(tuán)隊(duì)可以通過(guò)招聘很快獲取，但需要有傳統(tǒng)團(tuán)隊(duì)加入進(jìn)去幫助一起做孵化。我們把傳統(tǒng)零售報(bào)表團(tuán)隊(duì)并到大數(shù)據(jù)團(tuán)隊(duì)，快速讓新招聘的同事對(duì)業(yè)務(wù)有所了解，把基礎(chǔ)數(shù)據(jù)治理做起來(lái)。

第二，較強(qiáng)平臺(tái)能力支撐。這方面投入一開(kāi)始可能會(huì)比較巨大，儲(chǔ)量團(tuán)隊(duì)所構(gòu)建的開(kāi)源Hadoop基本上是全戰(zhàn)術(shù)的基礎(chǔ)框架。每日新增數(shù)據(jù)量大概100T，包括金融數(shù)據(jù)、非金融數(shù)據(jù)、客戶行為數(shù)據(jù)還有生產(chǎn)環(huán)境的各種日志。每日任務(wù)數(shù)大概7萬(wàn)多，有300多個(gè)用戶，進(jìn)行相關(guān)數(shù)據(jù)探索工作。每秒鐘有20萬(wàn)筆日志匯集到系統(tǒng)里，把所有客戶行為日志加上所有系統(tǒng)日志都進(jìn)入到數(shù)據(jù)平臺(tái)以備分析。這一能力建設(shè)對(duì)基礎(chǔ)架構(gòu)壓力較大，目前團(tuán)隊(duì)仍在擴(kuò)容。

第三，元數(shù)據(jù)治理。一家金融機(jī)構(gòu)的所有歷史數(shù)據(jù)結(jié)果，在建立之初，對(duì)于里面指標(biāo)的定義、每一個(gè)記錄怎么產(chǎn)生的，基本邏輯是不清晰的。那時(shí)大數(shù)據(jù)無(wú)法直接幫助業(yè)務(wù)，必須有一個(gè)團(tuán)隊(duì)專門把數(shù)據(jù)清理出來(lái)。企業(yè)數(shù)據(jù)治理的一致性、準(zhǔn)確性、完整性都需要有人管，這樣大數(shù)據(jù)團(tuán)隊(duì)深度參與業(yè)務(wù)才能清楚了解。像華為很早以前開(kāi)始做全世界范圍內(nèi)的各種文檔、數(shù)據(jù)治理，就做得很好。

AI：50%數(shù)據(jù)準(zhǔn)備/業(yè)務(wù)場(chǎng)景+30%算法研發(fā)+20%工程化

儲(chǔ)量主要從圖像、語(yǔ)音、文本、圖譜幾部分進(jìn)行介紹。圖譜在風(fēng)險(xiǎn)和精準(zhǔn)營(yíng)銷上，分成客群推薦和產(chǎn)品推薦兩方面。這是我們認(rèn)為未來(lái)，像智能算法實(shí)踐方面會(huì)經(jīng)歷的三個(gè)過(guò)程，是閉環(huán)的迭代的。

業(yè)務(wù)場(chǎng)景和數(shù)據(jù)準(zhǔn)備

這個(gè)50%實(shí)際上是以今天在這個(gè)時(shí)間過(guò)程中理解要做好這件事情，成功的基礎(chǔ)可能50%是來(lái)自于這個(gè)環(huán)節(jié)的?；A(chǔ)數(shù)據(jù)和應(yīng)用場(chǎng)景的發(fā)現(xiàn)，對(duì)做智能算法實(shí)踐，有50%是靠這個(gè)成功的。如果沒(méi)有好的數(shù)據(jù)治理，沒(méi)有找到好的業(yè)務(wù)場(chǎng)景，光有技術(shù)或者算法是做不出結(jié)果的。

第一，AI的算法和東西要解決業(yè)務(wù)問(wèn)題，需要業(yè)務(wù)深度參與。

第二，訓(xùn)練算法不能沒(méi)有基礎(chǔ)數(shù)據(jù)。后文將舉例說(shuō)明聲紋的數(shù)據(jù)樣本對(duì)算法訓(xùn)練的影響?，F(xiàn)在所謂AI算法，大部分是針對(duì)某一個(gè)具體場(chǎng)景和具體問(wèn)題建立算法。這種算法建立的能力是非常工程化的事情，需要專家參與，構(gòu)建真正具備能力的隊(duì)伍。

第三，工程化。工程化能力之重要，體現(xiàn)在算法能不能快速上線，上線之后能否快速跟運(yùn)行中的業(yè)務(wù)并行，并行之后能不能把生產(chǎn)結(jié)果跟實(shí)際結(jié)果拿回?cái)?shù)據(jù)源，進(jìn)行下一步訓(xùn)練。如果沒(méi)有好的工程化過(guò)程，業(yè)務(wù)是不敢上這些算法的。因?yàn)檫@些算法都是代替原來(lái)人工流程，憑人的經(jīng)驗(yàn)總結(jié)出來(lái)的業(yè)務(wù)規(guī)則。業(yè)務(wù)是會(huì)擔(dān)心出錯(cuò)的，尤其是風(fēng)控，算法一旦產(chǎn)生波動(dòng)，可能產(chǎn)生的（誤差）是幾億、幾十億的。如果好的工程化能力并行，維持傳統(tǒng)部分，算法路徑也同步進(jìn)行，兩邊并行進(jìn)行灰度認(rèn)證，把兩邊不一致的東西拿出來(lái)讓業(yè)務(wù)再做第三輪判斷到底哪邊是對(duì)的。這樣可以讓整個(gè)算法上線試運(yùn)行加快。

當(dāng)你的算法越來(lái)越復(fù)雜，算法維度越來(lái)越高，條件越來(lái)越復(fù)雜時(shí)，工程化能力決定結(jié)果能不能跑出來(lái)。比如設(shè)置出12000個(gè)決策數(shù)的規(guī)則，如果在系統(tǒng)上要跑30秒，從線上化角度這個(gè)東西就不可用了。運(yùn)通把工程化用到極致，他們?cè)贏I方面還在探索，但工程化能力太強(qiáng)，強(qiáng)到2毫秒120000的模型可以算出來(lái)。

儲(chǔ)量總結(jié)他在AI建設(shè)方面的經(jīng)驗(yàn)，表示：

• 業(yè)務(wù)場(chǎng)景是AI的基礎(chǔ)和起點(diǎn)：一定要找業(yè)務(wù)談清楚這個(gè)場(chǎng)景到底是什么，解決什么問(wèn)題；

• 強(qiáng)大的數(shù)據(jù)平臺(tái)能力是支撐AI訓(xùn)練的關(guān)鍵：需要用到海量、跨多業(yè)務(wù)線的數(shù)據(jù)，以及強(qiáng)大的運(yùn)算能力來(lái)構(gòu)建復(fù)雜模型；

• 專業(yè)的隊(duì)伍密切合作推進(jìn)AI在業(yè)務(wù)中的應(yīng)用和迭代；

• 工程化能力不可缺失：業(yè)務(wù)場(chǎng)景的選擇，快速開(kāi)發(fā)、測(cè)試和上線的能力，以及模型的持續(xù)學(xué)習(xí)和優(yōu)化。

人臉識(shí)別技術(shù)應(yīng)用的“那些坑”

基本所有的APP都在用人臉進(jìn)行相應(yīng)識(shí)別。目前每月有1600萬(wàn)的調(diào)用量，基本上每天有幾十萬(wàn)次，包括開(kāi)戶、貸款客戶核申，閾值大概在62.24。

對(duì)于金融行業(yè)，最擔(dān)心的是不該開(kāi)戶時(shí)給人家開(kāi)了戶，引狼入室。平安的線上通過(guò)率在85%。大部分的算法都是96.8%。

大家以為身份證照片都應(yīng)該跟自己身份證長(zhǎng)得一樣，但實(shí)際上所調(diào)用的公安部身份證照片是我大學(xué)時(shí)候申請(qǐng)的照片，差距比較大肯定不容易通過(guò)。后來(lái)再調(diào)用人行的版本，兩邊數(shù)據(jù)源一起做對(duì)比，兩種算法一起用，才能提升線上的比對(duì)成功率。

在人臉識(shí)別方面，分享如下幾點(diǎn)：

• 活體SDK的重要性：業(yè)務(wù)方最怕的是別人可以偽冒。生物識(shí)別技術(shù)的出現(xiàn)也催生了生物仿生這個(gè)對(duì)立學(xué)科，該學(xué)科的發(fā)展一定會(huì)對(duì)生物識(shí)別產(chǎn)生沖擊。對(duì)于使用生物識(shí)別的組織來(lái)說(shuō)，要建立相應(yīng)的科學(xué)算法去解決，對(duì)立的對(duì)立是什么，要不要再訓(xùn)練下一代，判斷生物仿生算法與否，如何識(shí)別出所有業(yè)內(nèi)能仿生的技術(shù)，以及合成解決方案的本身特征并加以排除。

• 客戶拍照本身的影響很大，在客戶端怎么引導(dǎo)客戶合理使用光線進(jìn)行拍照，對(duì)成功率要求會(huì)提升很大。

• 合理閾值：這應(yīng)該由業(yè)務(wù)決定。到底誤時(shí)率達(dá)到什么樣的水平，接受什么樣的水平，接受什么樣的風(fēng)險(xiǎn)。以前靠人工肉眼識(shí)別做生物判斷也是有誤差的，只是不曾數(shù)據(jù)化，風(fēng)險(xiǎn)團(tuán)隊(duì)因此認(rèn)為人工方法沒(méi)有問(wèn)題，這判斷是不對(duì)的。風(fēng)險(xiǎn)團(tuán)隊(duì)要接受誤差是永遠(yuǎn)存在的，但控制在一定范圍內(nèi)，符合業(yè)務(wù)需要即可。識(shí)別不成功的流程，需要有彌補(bǔ)機(jī)制。就算實(shí)際上成功率只有85%，剩下15%的客戶不能丟掉，尤其是銀行，要有其他應(yīng)對(duì)辦法。比如可能接到音視頻做二次彌補(bǔ)

• 需要有團(tuán)隊(duì)專注在人臉的應(yīng)用團(tuán)隊(duì)，將其工程化。

聲紋識(shí)別落地的困難與解決方案

目前平安在做相應(yīng)的信用卡孵化場(chǎng)景訓(xùn)練，正在考慮是否需要從800席擴(kuò)到2000、3000席。該應(yīng)用8月底上線，真正通過(guò)聲紋注冊(cè)成功的客戶有157萬(wàn)，驗(yàn)證成功的40萬(wàn)。

跟其他傳統(tǒng)聲紋供應(yīng)商不一樣的是，平安不是讓客戶念一串?dāng)?shù)字或者標(biāo)準(zhǔn)文本，而是在對(duì)話過(guò)程中采集聲紋，進(jìn)行聲紋注冊(cè)。聲紋注冊(cè)受制于打電話進(jìn)來(lái)時(shí)背景音的嘈雜程度決定能不能成功，如果是APP注冊(cè)過(guò)程，會(huì)建議顧客站在安靜的環(huán)境，直接采集客戶打電話進(jìn)來(lái)的聲音。該服務(wù)的線上灰度并行測(cè)試（通過(guò)率）大概83%。如果是質(zhì)量達(dá)標(biāo)的語(yǔ)音驗(yàn)證，通過(guò)率是92%?？蛻舻恼f(shuō)話時(shí)長(zhǎng)和背景音也會(huì)影響通過(guò)率。

最開(kāi)始做聲紋識(shí)別，受制于集團(tuán)大部分語(yǔ)音樣本沒(méi)有做語(yǔ)音分離，為此做了額外的算法。語(yǔ)音分離對(duì)于未來(lái)電話平臺(tái)錄音，乃至所有使用語(yǔ)音應(yīng)用的場(chǎng)景十分重要——客戶和客服的聲音不要混在一起錄，分成兩個(gè)文件。

以前無(wú)論是錄音還是日志，大部分組織是出于合規(guī)性要求，用最簡(jiǎn)單最低成本的方法做最好。但現(xiàn)在是大數(shù)據(jù)和算法時(shí)代，未來(lái)業(yè)務(wù)發(fā)展需要對(duì)它進(jìn)行合規(guī)規(guī)劃。人臉有人民銀行公開(kāi)的數(shù)據(jù)庫(kù)，聲紋沒(méi)有官方比對(duì)庫(kù)。注冊(cè)本身需要業(yè)務(wù)自己在場(chǎng)景里把客戶引導(dǎo)注冊(cè)進(jìn)來(lái)，沒(méi)有比對(duì)庫(kù)很成問(wèn)題。

考慮攻克的問(wèn)題之一是，聲紋跨渠道的衰減比較大，現(xiàn)在的聲紋用在APP上不一定能用，電話語(yǔ)言的傳輸和APP文件傳輸保真程度不一樣。電話語(yǔ)音本身讓語(yǔ)音失真了，建立的語(yǔ)音模型沒(méi)法用。

另外，雷鋒網(wǎng)AI金融評(píng)論了解到，之所以平安會(huì)把音視頻作為重點(diǎn)場(chǎng)景，是因?yàn)樗磥?lái)的發(fā)揮價(jià)值很大。社交直播越來(lái)越熱，未來(lái)很多社交，SAT可能真的會(huì)往音視頻社交轉(zhuǎn)移。

在這方面的嘗試，音視頻本身的應(yīng)用場(chǎng)景里出現(xiàn)的問(wèn)題有：

• 掉線，跟通話時(shí)長(zhǎng)、環(huán)境，密切相關(guān)；

• 平臺(tái)上待處理任務(wù)排隊(duì)，如果處理不好音視頻能力會(huì)受影響。

• 未來(lái)要建立一個(gè)公共網(wǎng)關(guān)平臺(tái)，以便跟媒體第三方，尤其是做直播的客戶需要使用的APP進(jìn)行合作。大家現(xiàn)在的音視頻技術(shù)方案都不太一樣，如果沒(méi)有公共平臺(tái)把不同音視頻接入，最終轉(zhuǎn)換成統(tǒng)一的方案，后臺(tái)的座席系統(tǒng)開(kāi)發(fā)非常痛苦。儲(chǔ)量表示，現(xiàn)在已經(jīng)做到集團(tuán)APP音視頻解決方案，和原來(lái)銀行引入另外一個(gè)廠商的解決方案，從客戶端、服務(wù)端不用變更，在中間做自己編解碼的轉(zhuǎn)換。

機(jī)器人“聽(tīng)說(shuō)看動(dòng)”四難點(diǎn)

這部分在銀行內(nèi)部沒(méi)有真正大規(guī)模使用。業(yè)務(wù)認(rèn)為的機(jī)器人可以代替簡(jiǎn)單的人工勞動(dòng)，比如大堂經(jīng)理，可以做服務(wù)引導(dǎo)。可以用標(biāo)準(zhǔn)化方式接觸客戶，批量方式降低人力支持，通過(guò)軟件部署代替人員培訓(xùn)。這都是業(yè)務(wù)認(rèn)為真正意義上機(jī)器人可以達(dá)到的效果。但從實(shí)際技術(shù)角度出發(fā)，目前機(jī)器人在能力方面還遠(yuǎn)達(dá)不到真正代替人的場(chǎng)景，它的體驗(yàn)并不能真正做到我們希望業(yè)務(wù)做到的事。

這里面有幾個(gè)問(wèn)題：

• “聽(tīng)”：人聽(tīng)話知道誰(shuí)在說(shuō)什么，可以自己定位要跟誰(shuí)說(shuō)話，但機(jī)器人不一樣，它聽(tīng)到各種各樣的聲音，所有的信號(hào)輸入進(jìn)去，不知道誰(shuí)在說(shuō)什么。對(duì)于機(jī)器人來(lái)說(shuō)怎么處理一對(duì)多的對(duì)話，是大的難題。

• “說(shuō)”：機(jī)器人要說(shuō)什么或者需要表達(dá)什么東西，是需要在背后有一套很強(qiáng)的知識(shí)庫(kù)或者智能算法支持，但目前這個(gè)做得不是很好，我們還在做訓(xùn)練。

• “看”：機(jī)器人有一個(gè)感知，看的能力也會(huì)受到環(huán)境的影響。

• “動(dòng)”：機(jī)器人現(xiàn)在越來(lái)越大，一不小心撞到凳子桌子就算了，萬(wàn)一撞到人，安全上是很大的問(wèn)題。因?yàn)楣こ袒膯?wèn)題，機(jī)器人的迭代會(huì)很慢。

最后總結(jié)幾點(diǎn)：

• 一，業(yè)務(wù)和IT團(tuán)隊(duì)要共同協(xié)商，新技術(shù)引入時(shí)需要給到團(tuán)隊(duì)一些靈活度，一旦限制很多KPI，大家的動(dòng)作就走樣了，不一定能做出好的結(jié)果。

• 二，需要投入專屬團(tuán)隊(duì)，投入多少，研究結(jié)果就有多深。

• 三，新技術(shù)本身不是一成不變的，需要花時(shí)間慢慢積累。不要想著今天什么東西用了，明天業(yè)務(wù)問(wèn)題都解決了。新技術(shù)應(yīng)用不是一個(gè)IT的問(wèn)題，是業(yè)務(wù)問(wèn)題，一定要通過(guò)業(yè)務(wù)合作的方式完成。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。