相较于传统的AI技术,以大模型为代表的生成式AI技术所带来的变化,不仅体现在参数规模上,更体现在算法演进所呈现出的“智慧涌现”的效应,技术的跨越式发展为金融科技创新提供了更加广阔的空间。
客服中心与远程银行一直以来都是银行业科技创新与金融服务深度融合的典范,积极落地大模型等新一代人工智能技术。根据中国银行业协会近期发布的**《中国银行业客服中心与远程银行发展报告(2023)》,据不完全统计,已有29%的客服中心与远程银行开始探索应用大模型技术,主要应用在知识运营、内容总结、智能工单等领域**。
在大模型技术的浪潮下,智能客服已经成为银行大模型探索必不可少的场景之一。根据沙丘智库发布的《[2024年金融业生成式AI技术应用跟踪报告]》,智能客服是当前银行业落地多且产生阶段性成果的第二大场景。
沙丘智库长期跟踪调研大模型技术的发展,旨在帮助企业快速了解大模型最新、最全面的落地情况。沙丘智库通过研究工商银行、邮储银行、微众银行、江苏银行等4家银行“大模型+智能客服”应用实践,旨在为其他银行提供参考。
▎案例1:中国工商银行对客服务员工智能辅助系统建设实践
工商银行对客服务员工智能辅助系统是以工商银行企业级数据中台为数据基底,依托工商银行的机器学习平台、大数据平台,利用大数据分析、机器学习、大模型、智能语音处理等技术,构建事前精准预测客户需求、事中实时辅助员工服务客户、事后精准提升辅助能力和服务质量等全流程的对客服务智能辅助能力。同时,通过工程化方法,不同渠道的对客服务员工可依据岗位需要灵活配置所需功能模块、即插即用地对接各对客服务系统,为对客服务员工提供差异化的智能辅助。
目前,对客服务员工智能辅助系统已在工行电话银行座席、文字座席、音视频座席、工银e服务、客户之声等多个触点推广使用,已惠及全行座席和基层用户。
▎案例2:中国邮储银行大模型应用实践
通过建设客服大模型,邮储银行打造可陪伴、懂场景、有温度的陪伴型数字员工,利用检索增强、会话智能、智能体等技术,以手机银行数字客服为基础,扩展至企业手机银行小微易贷助手、企业手机银行预约开户助手、邮你同赢票据议价助手,此外还从线上向线下扩展,上线柜面ITM数字员工,结合数字员工和大模型技术赋能网点客户,实现全面降本增效和赋能营销。
▎案例3:微众银行AI Agent实践
在客服场景,微众银行打造智能语音机器人Agent、相似问题生成Agent、摘要和小结生成Agent,服务于终端用户和内部客服,大幅提高服务效率和效果。
以摘要和小结生成Agent为例:
在客服场景中,坐席完成一通对话之后需要编写服务摘要和服务小结,需要占用一分钟左右时间。通过使用Agent自动生成摘要,客服人员只需简单修改即可上交,摘要生成合格率达到90%、小结生成准确率达到98%,可节省100人天,大幅提高坐席作业效率。
▎案例4:江苏银行利用大模型提高智能客服应答准确率
统的问答机器人存在知识库问题匹配不精确、提问语义理解不足、不具备上下文理解与答案抽取能力的三大痛点。
江苏银行基于大模型的智能客服解决方案首先运用智慧小苏L1模型,对用户提问进行向量检索,在知识库中匹配到的向量检索内容形成对L2模型的提示工程。L2模型在该场景经过微调训练,知识反馈融入到提示工程后,通过L2模型进行反馈和输出。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。