人工智能技术在银行客服中心的应用风险

人工智能技术在银行客服中心的应用风险

一、人工智能在客服中心的应用现状
1、人工智能对金融业的影响
建立金融大数据系统，提升金融金融多媒体数据处理与理解能力。创新智能金融产品和服务，发展金融新业态。鼓励金融行业应用智能客服、智能监控等技术和装备。建立金融风险智能预警与防控系统。
对于金融领域来讲，人工智能的应用主要包括智能客服、智能网点、智能营销、智能风控几大块。
概要: 新一代人工智能发展规划
2、人工智能在客服中心应用场景
（1）智能客服机器人
使用自然语言理解技术，在大语料库的基础上，基于场景和业务模型开发上下文关联模型，从而实现自然叙述、智能理解这一目的。
实现由系统自动理解客户问题并进行解答和办理简单业务，如查询余额。
主要应用于网站、微信、网银、手机APP登渠道的自动问答机器人。
（2）智能语音导航
主要利用语音识别技术和自然语言理解技术理解客户语音，并根据客户的需求导航到相应节点或者引导客户完成业务办理。
主要应用在自助语音服务、手机银行APP和智能设备上。
自助语音应用
主要通过与IVR的集成实现自助语音菜单的“扁平化”，提升用户满意度
通过与客户的交互帮助客户办理相关业务，实现问题的咨询。
手机银行应用
主要为在手机银行APP上集成智能语音系统，从而实现为客户导航到手机银行相关功能，为客户办理相关业务。
（3）智能营销催收机器人-外呼机器人
通过业务场景的设计，实现自动外呼客户进行客户身份核实、催收、业务通知、满意度调查、产品营销等。
伴随着银行的转型、网贷业务的发展，主动联系客户进行关怀、营销和催收的需求会大量增长，外呼机器人是满足这些增长需求并同时控制人力成本的较好选择。
（4）智能辅助
主要应用在客服领域，机器人实时监听坐席与客户的对话。
当客户提出问题后，机器人实时理解客户的问题，并给出相关回答建议给坐席。
机器人可以实时监听坐席的话术，当发现坐席使用了违禁词、服务过程不合规或者有引起客户不满意的行为时，可以实时提醒和介入处理，从而起到推动客户服务标准的实施、提高客户满意度的作用。
（5）智能质检
基于语音识别技术实现对全量录音文件的文字转写，以及对转换后的文字进行数据分析挖掘。
发现坐席有没有使用违禁词、是否有不符合规范要求、对坐席的情绪进行监控。
分析客户来电原因、超长通话、重复来电、超长静音等通话的原因。
挖掘客户投诉原因。
对趋势进行预测，对热点问题进行分析。
挖掘潜在的营销机会。
二、目前应用中所面临的风险
1、语音识别误差带来的风险
关键字的识别错误
转账金额的识别错误，可能会给客户带来损失，从而给银行带来操作风险及声誉风险。
2、机器人回答误差带来的风险
存在不能识别客户问题或出现误答客户问题的情况。
若因为机器人的误答造成客户与机器人之间产生纠纷，恐会引起客户不满和投诉。
3、自动外呼业务带来的风险
外呼机器人通过智能语义理解技术与客户进行单轮FAQ或多轮对话交互，在缺少人工干预的情况下，如果业务模型设置不当，可能造成客户理解差异从而带来业务纠纷风险。
4、银行资料泄露风险
无论是语音识别还是客户人脸识别，都需要大量的数据材料进行模型训练，这些材料都来自于银行平时积累的各类客户数据。
这些数据包含着大量的客户隐私，一旦外泄，可能带来巨大的风险。
目前对于语音识别的模型机器学习训练，往往需要依赖供应商将寻来的材料拿到行外进行，留下了信息泄露的隐患。
5、第三方产品带来的自主可控风险
银行大多不具备自己开发人工智能算法的能力，基本采用外购人工智能算法或产品与业务系统进行整合集成的方式来实现人工智能应用。
这类产品对于银行来说都是黑盒，无法做到自主可控。
6、深度学习技术带来的效果不确定性风险
人工智能的效果验证缺乏有效的手段，从而带来不确定性风险。
7、客户满意度下降风险
在极大地节省人力的同时，强制分流导致的服务体验下降，也带来了客户满意度下降的风险。
三、应对策略
1、语音识别误差风险应对
控制语音识别业务的应用范围，将人工智能技术限定在查询等低风险的业务上。
对于高风险的业务，需要增加确认环节。
例如，在手机银行上转账业务最后需要有确认页面由客户确认。
2、机器人误答风险应对
机器人处理简单业务，复杂业务让人工来处理。
优化知识，让客户从回复中就能判断出这个知识是不是自己所提问题的答案。
提醒客户为其服务的是机器人。
3、自动外呼业务风险应对
加大模型训练的投入，提高模型训练人员的能力。对于一个业务场景设计完成后可以先试用，试用过程中不断优化。待模型成熟后再推广，采用迭代的方式不断快速优化过程。
对于一些重要场景，例如营销场景，可以通过机器人先筛选客户，当发现客户有购买意愿时转入人工，由人工提供专业的服务和营销。
可采取全过程录音方式记录外呼过程，对于容易引起歧义的业务场景，要结合按键确认等方式确认客户意图。
4、银行资料泄露风险应对
建立银行自有的人工智能深度学习平台，将数据限定在银行内部，尽量不出行。
确实由于不具备条件需要出行的数据，一定要做好数据脱敏工作，另外要做好数据跟踪和数据管控，确保数据不被挪作他用。
5、自主可控风险应对
人工智能像语音识别、自然语言理解都是基础服务级的应用，功能相对单一。设计上这类系统相对稳定，业务功能和个性化需求由业务系统来实现。
银行应该加强人工智能应用层人才队伍建设，为实现人工智能应用层的自主掌控打下基础。
6、深度学习效果不确定性风险应对
对于深度学习效果的确定，可以有针对性地建立自动化测试平台，并通过确定的测试集，不断测试并比较结果以判断深度学习的效果。
7、客户满意度下降风险应对
将现在横向增加机器人知识来解决客户问题的方式改成垂直领域服务，对业务进行梳理、分类、分析。
对于简单并且机器人已经能够解决的任务由机器人来解决，对于复杂且机器人还很难解决的问题优先由人工来解决。
制定相应的服务标准，当机器人对某种业务的服务能力达到服务标准要求后，再将该业务交给机器人处理。
增加对于机器人的客户服务评价，用来评价机器人的服务效果，以及获取客户的反馈。进一步优化机器人。