「创投市场」| AI 建模实际应用场景及效益,深度( 四 )


「创投市场」| AI 建模实际应用场景及效益,深度
文章图片
大型人工智能科技公司提倡将大量的数据存储在它们的云计算平台上 , 并同时按采集到的海量数据调试一个能广泛应用的平台 。 此种商业模式 , 虽有可行性 , 但同时也面临着一些根本的挑战 。 例如如何能保证数据的安全 , 特别是金融行业和其它对数据保密要求高的行业 , 同时这些大型的人工智能公司现今也不断的扩张他们的业务领域 , 将数据提供给此类的云平台 , 也加速了他们的竞争力来切入不同的商业领域 , 这样的担忧也是使得这样的方法无法获得更多商业应用的数据 , 从而不能提供一个通用的应用人工智能系统 。 据此普强提出发展一种可重复复用的机制 , 将这个机制灵活的应用到每一个客户业务场景上 , 当这个机制应用到特定场景上时 , 会按已成功的案例 , 做梳理业务逻辑并同时在客户内的私有云上采集数据 , 再用成功案例的深度学习神经网络 , 机器学习算法架构来训练、测试、验证模型 , 最终上线运行业务逻辑 , 提升业务价值及效益 。 这样的机制主要包含两项重要元素 , 方法论和计算技术框架:l方法论:对行业及业务场景整理出流程和规则 , 并按此流程和规则采集积累海量的数据 。 l计算技术框架:按实际应用场景 , 建立算法框架 , 框架是由各类已验证后的神经网络和机器学习算法构成的体系 , 对每一应用场景作全框架计算测试评估 , 研判出最优的神经网络架构和机器学习算法 , 并同时调试参数和配置 。 普强在金融及相关领域 , 积累十年以上的人工智能行业落地经验 , 专注于垂直领域 , 归纳成功的案例、相关的业务流程规则和算法算力需求 , 建立起一套完整的机制 。 随着客户的业务需求变化和成功案例积累 , 不断的扩充加强优化此机制 , 作快速的迭代 。 五、成功案例分享A保险公司为名列世界500强的保险公司(在本文开头已有提及) , 普强将语义分析机制应用在A保险公司的电销业务里 , 项目一期应用在A保险公司两个主要的业务区:BJ市和TJ市 。 对大约250万的客户电销通话录音(约400万通录音)作落地实施 , 其中包括了下列的步骤:l业务梳理:与客户业务人员交流 , 以对客户的业务做深度的了解 , 与普强机制框架对接 。 l分析流程建立:分析客户业务 , 建立流程 , 优化流程 。 l客户特征筛选:基于普强的业务成功案例 , 使用大数据分析 , 抽取潜在具有购买意愿客户特征 。 l成交相关度计算:经由普强大数据分析框架计算客户特征与成交的相关度 , 排序客户特征的优先顺序 。 l模型建模/训练:普强计算技术框架对最优最先进的神经网络架构和机器学习算法 , 作架构和算法评估 , 测试不同架构和算法的效益优劣 , 及计算资源需求以及是否能达到客户的时效要求等工作 , 最终推荐最优的架构/算法 。 l测试:使用海量的数据不断的测试 , 并调优参数 , 达到准确率、召回率等测试标准的要求 , 并依照业务模式计算相对的业务效益 。 l验证:实际推送普强业务流程算法推荐的潜在客户 , 验证成交率 。 l上线:将最终验证通过的整体机制上线 , 进入实际业务运行 。 与使用普强机制前业务情况对比的成效如下:l精准的推荐占总量约15%的潜在有购买意愿的优质客户 。 l推荐的15%的客户覆盖了90%的业绩 。 l节省了80%+的电销电话 , 人员时间 。 l并减少了对没有意向购买客户的干扰 。 l确定了潜在购买客户的特征 , 作话术优化的依据 , 有定向的与客户对话以确认是否是有所确定的特征 。 l发掘了电销流程的缺失:发现高购买意向客户的跟踪力度不及时或遗漏的情况 , 建立追踪系统及时找回遗漏的潜在客户并跟进 。 六、结语随着计算力和云存储容量的大幅提升 , 海量数据的收集 , 使得以往不能突破的人工智能问题均得到突破:如语音识别、图像识别、语义理解等领域 。 借着这些突破 , 许多商业场景都能应用这些最新的人工智能突破 , 而产生实际的商业效应 。 本文中叙述了语音识别和语义理解在特定的垂直领域中的应用 , 并详述案例和其应用的效益 。 此种效应随着科技的进步和突破 , 必能扩及更多的场景和商业应用 。 本文中所述的方法论和技术计算框架也必定会不断的迭代更新和扩充 , 带给实际的业务更多的效益 。


推荐阅读