预计到2030年为金融行业节省超过1万亿美元。
面对机遇,很多银行开始采取行动。但是如何才能最大程度地利用人工智能技术呢?
这时候,银行就面对着同样一个严峻的现实:要想成功部署人工智能应用,光有海量的数据还不够。对于人工智能交付结果而言,数据质量起到了重要的作用,这正是绝大多数组织都在努力解决的难题。
在过去几十年内,各大银行一直在收集数据,因此,数据管理变得极为复杂。数据通常是断续的,并且以不同的格式存储,整个组织布满了无法使用的孤立信息数据库,这使得全银行范围内的研究难以开展,人工智能应用也无法从数据中发现见解。
)」——亚马逊、谷歌和苹果公司等巨头使用的一项技术——可以连接不同的数据库,让它们变得可供搜索。知识图谱还可以连接结构化和非结构化数据,使人工智能应用不仅可以使用内部数据库的信息,还可以使用文本等文档中的信息。
「知识图谱」如何起作用?
知识图谱是知识领域的模型。它映射了企业的所有业务对象和概念,以及它们之间的相互关系。知识图谱被构造为附加的虚拟数据层,位于现有数据库之上,并将数据大规模链接在一起。电子表格等结构化数据,以及文本文档等非结构化数据,都是知识图谱连接的对象。
知识图谱基于知识和概念,因此要想创建良好的知识图谱,必须让整个组织内不同领域的主题专家都参与进来。这增加了对协作的需求,并加强了知识管理领域的共同责任和透明度。而且,由于该技术并不会取代现有的IT系统,而是对它们进行加强,因此具有极高的成本效益。
)定义了金融业务应用程序中有趣的一组业务对象,以及它们之间的相互关系。通过使用FIBO,组织可以使任何描述财务业务的数据变得有意义。
使用语义人工智能的个性化银行服务
知识图谱、自然语言处理(NLP)和人工智能的结合,对于银行业的数字化转型将是至关重要的。
一种特别有趣的趋势是,使用该技术来改善个性化的客户服务。这可以通过使用知识图谱构建推荐系统来完成,在线商店也经常使用类似的推荐系统向用户展示相关产品。
)——蓝纹奶酪中最富盛名的一种,尽管绝大部分的推荐系统可能会向这位用户推荐其他类型的蓝纹奶酪,但是得到知识图谱支持的推荐系统则可能会技高一筹,它可能会推荐一款与特定类型奶酪搭配的葡萄酒。
——在这种情况下,奶酪和葡萄酒及其所有属性,可提供丰富的、额外的语境信息——这会让建议的质量有所不同。
很多银行都在自助服务门户中部署该技术,向客户显示个性化的信息视图,例如新产品和服务。同样,他们还在在线门户中使用知识图谱,以提高客户的金融知识。这些是通过构建数字化助手来实现的,可以帮助客户通过知识中心的语义搜索获得金融知识。
)通过其语义人工智能搜索引擎,帮助客户和分析师们更快地做出更明智的决定。该平台能够快速、高质量地检索大量信息,并提供基于语境的高质量结果。它让客户和分析师能够只关注他们需要的信息,并且提供个性化视觉分析。
),出于多种原因考虑,该行正努力实施知识图以支持其人工智能策略,通过关系发现、内容语境化、以及对数据含义的更好理解,对内容进行自动充实。
但是,银行服务的个性化只是银行业中众多的技术趋势之一。我们还看到该技术出现在与合规性、欺诈检测、风险评估、租赁协议甚至贷款申请等相关的事务中。在所有这些用例中,知识图谱对于实现最佳结果至关重要。
)或“客户360”,它还涉及使用客户的链接和整体视图,丰富语境信息,以便能够进行准确的交流、做出明智的决策、或汇总准确的产品报价。
如何开始利用语义人工智能?
要开始使用语义人工智能,各大银行应该首先定义出具有特定目标的具体用例。通过执行已定义的项目,组织可以了解该技术的全部潜力,并找到应用该技术的其他机会,并最终在整个组织内部署该技术。
因此,有必要在单个用例的基础上评估知识图谱的有用性,同时建立足够的知识,以便在更全面的人工智能策略中纳入这种方法论。
在选择用于管理企业知识图谱的软件时,你应该寻找一种基于标准的解决方案,它既可以与你当前使用的架构互操作,可扩展,且易于学习。引入语义人工智能的最大瓶颈已经不再是技术,而是那些不愿意相信它可以长期为自己服务的人们。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。