银行业与机器人：金融服务中自助服务的最大挑战

五年前，任何一家部署机器人的银行对此都十分谨慎。 当时，指派给机器人的任务通常非常有限。 因此，大多数客户咨询仍然直接转给了客户服务座席。 机器人被用于回答基本的问题或实现简单的意图。

如今，银行在机器人方面更具雄心，而市场也支持这一雄心。 使用自然语言理解 (NLU) 和机器人来加速自动化的企业级程序还需要数年时间才能完全实现。 但是，考虑到它可能带来的结果，为了在整个企业中实现价值最大化，这点等待是值得的。

接下来我们将来了解金融服务行业 (FSI) 在机器人方面所特有的五大重点领域。

1. 繁杂的意图

不同于其他垂直行业，银行业必须应对各种各样数量庞大的潜在意图，因为该行业通常涵盖了多方面的业务。 想想一家金融机构中的所有工作任务：零售银行业务、活期存款账户、信用卡服务、抵押贷款或财富管理。

这其中每一项业务都有一整个意图库。 在为金融机构构建机器人时，举个例子，假如拿零售连锁店来对比，您的意图库可能会十倍于为零售连锁店服务的机器人。 在零售业，客户要做的通常是寻找产品、进行购买或退回产品。 即使零售商出售 1,000 种产品，所有这些产品仍有相同的流程。 存在不同意图的情况较少。

而金融服务则会复杂一些。 与抵押贷款相关的意图肯定不同于与人寿保险、财富管理或信用卡服务相关的意图。 例如，您可能会想对信用卡上的费用提出异议，或者为您的抵押贷款重新贷款。 在整个过程中，其中每一项任务都有单独的意图。

这可能会令人望而却步，但我们也有方法来使其管理起来更加容易。 许多专门从事金融服务的技术供应商已经建立了现成的意图和语句库。 此外，这些供应商可能已经预先构建了与银行经常使用的后端系统的集成。 但这并不意味着与专攻金融服务机器人的供应商合作可以解决所有潜在问题。

大型银行通常使用多种语言为客户提供支持；不同地理区域中的银行可能会有特定的、并不通用的本地语言。 对机器人的适当调整、质量保证和可用性测试仍然是成功的关键。 如果机器人提供了脱节的客户体验，那么通常是因为该公司在这一关键的培训和质量保证阶段过于仓促草率。

2. 机器人实现和 FSI 后端系统

识别意图并填充槽位只是战斗的一半。 并且有时是最简单的一半。 当您想要将机器人与后端系统绑定以实现意图时，情况尤其如此。 试想一下，假如您的客户想要将资金从活期存款账户转到储蓄账户。

识别客户想要转移特定金额的资金以及围绕此次转移的所有详细信息，即已完成意图识别和槽位填充的挑战。 但这并非机器人任务的终点。 它必须真正实现该请求。 这意味着需要与 FSI 后端系统集成来执行此意图。 而其关键挑战在于确保每一个系统接口都遵守安全合规要求和通信协议。

简化流程可以解决这一问题。 一些公司，如 Oracle、ServiceNow 和 Salesforce 等已将多个后端系统的接口整合在一起，实质上已成为通信代理。 这意味着您的机器人可能不需要与 10 个不同的系统进行通信。

3. 数据安全、隐私与合规

尽管许多机构的机器人之旅始自常见问题解答 (FAQ) 或是礼宾机器人，但真正的挑战还要来自交易机器人，因为银行有更高的安全标准。 而在这些交易机器人的产品化方面，我们并无捷径可走。 不过，我们还是有一些最佳做法的。

第一步是将所有意图分为需要识别和验证 (ID/V) 的意图以及不需要识别和验证的意图。 这将厘清您在机器人生态系统中需要遵守的安全配置文件。

第二步是对将要填充槽位的信息类型或机器人将要提供的信息类型进行分类，从 PCI 合规性和数据隐私法规的角度来确定所需的信息类型。

第三步是确定您将用于实现意图的所有系统，并从安全/风险的角度对每个系统进行分类。

提前收集这些信息可为您与安全和合规团队进行必要的讨论做好准备。 您需要这些团队合作完成这项工作；他们也应成为决定允许事宜的最终权威。 在制定任何雄心勃勃的计划之前，请先做好功课，并与他们进行协商。

4. 引导模型风险治理

长期以来，银行一直在其业务运营中使用着复杂的模型和数据科学。 模型风险治理便是在多年前诞生于这一背景之下：当时，银行率先开始使用人工智能 (AI) 算法进行风险评估，比如评估银行是否应该向您提供贷款。 如果该算法不能正常运行，便会产生无法预料的后果，从而使银行陷入危险境地。 现在，模型风险治理是一个具有严格关口控制的正式流程。 当提出一种 AI 算法（任何类型的 AI 工具或机器学习算法）时，银行必须通过一个非常详尽而冗长的流程来保护自己。

举个例子，如果您有一个项目要在六个月内完成，请尽早与您的内部模型风险治理团队沟通， 并询问他们需要多长时间来走完流程。 您应该将此纳入您的项目时间表中。

模型风险治理起初并不是针对机器人的。 但如今机器人和所有使用 AI 模型的服务都已卷入其中。 如果某个流程或系统正在进行计算、预测或分析，那么它便可以归类为模型。

最后，您有责任引导这一流程，并为模型风险治理团队提供所有必要的信息。 这些信息可能包括调整、测试和质量保证流程；数据源信息；数据清理流程；以及有关如何消除模型中不公平或不道德偏差风险的详细流程。

5. 如何开始

考虑到上述各种挑战，您可能会想知道应从哪里开始，以及如何走向复杂的最终状态。

我们建议最好从提供最多提升机会的业务部门开始入手。 例如，许多大型银行都有一个保险部门，而该部门的技术往往不那么先进。 添加一个能够简单地共享基本信息或提高交互效率的机器人，对于简化客户体验以及将座席从枯燥的任务中解放出来可能会颇有价值。 这类简单的 FAQ 机器人并非交易机器人；它以一种更为复杂的方式帮助客户获得常见问题的解答。 此外，当需要升级到人工座席时，机器人还能保留有价值的语境，用于随后的阶段中。

与此同时，建议在风险较低、成功率较高的领域，计划构建更具雄心的交易机器人。 这可确保您在进入交易机器人领域时取得成功。 “阶段 2”完成后，您将获得更好地评估机器人部署所必要的经验，以应对更具挑战性或风险更高的用例。

结论

金融服务行业十分复杂；它受到严格的监管，并且非常保守和害怕风险。 然而，使用机器人的自动化所带来的业务优势也显而易见。 早期采用者已经证明了这一点，他们的成功也促使更多的金融服务机构加入进来。 但真正的成功取决于是否有一个能够解决行业特定挑战的合理策略。