移动互联网的发展引领着碎片化时代的到来，时间与信息的碎片化使得客户被不断细分、媒介不断小众化。在快节奏的社会生活中，人们只会在零星的时间进行相关信息的浏览，与此同时，互联网与金融深度融合，银行与客户的线下触点不断减少，传统渠道触点时代一去不复返，在全触点时代如何利用碎片化时间有效地俘获客户？如何让金融业与人工智能完美结合，碰撞出全新的火花？AI发展又将给传统银行业带来怎样的影响与改变？一切都值得我们去寻找答案。
根据应用范围和领域的不同，目前AI应用方向可以分为强人工智能和弱人工智能。对于强人工智能而言，机器能够变得完全拟人化，就像身边的朋友一样，能完成人类可以完成的许多事情。它既能听懂说话（语音识别），也能看懂表情（人脸识别），而且不仅能做到理解心理，还能做出正确的回应，甚至做情感分析，做未来规划。这一切看上去很美，但如果要实现，还要考虑方方面面的问题。因为强人工智能的成熟是整个人工智能发展的奇点，也就是说，达到这个奇点之后，人工智能技术才会呈现指数级增长，朝着超人工智能方向继续发展……所以目前举例强人工智能相对还比较遥远，需要我们不断去训练还处在弱人工智能阶段的AI，从具体的应用方面来进行AI训练，来推动银行服务的转型和升级。此时我们就需要AI训练团队、训练方法和训练逻辑。
训练目标：让机器更懂人性
随着AI（即人工智能技术）的广泛应用，人工智能训练师这一职业也应运而生。虽然目前人工智能训练师属于互联网科技公司中设立的高级岗位，但其并不要求专业的技术背景。不需会编程也不需要写代码，只需要协助算法工程师等技术岗位，通过工作，使产品达到最优，使用效果达到最佳，可以说，这是AI带来的一个非技术类的新职位，而从目前来看，从事该职位的人员主要来源于具有一定经验的产品经理群体。
据传，人工智能训练师这一职位最早于三年前开设于BAT的某部门，随后，各大公司纷纷效仿，尤其是发展较为成熟的智能客服类公司，其对于AI训练师的需求量旺盛且需求增长迅速，在未来，人工智能训练师的人才缺口将成倍增长。人工智能训练师通过业务梳理、数据分析、知识挖掘、训练评测等各类方法，不断提升智能产品在业务应用中的解决问题能力，可以形象地比喻他们训练机器，使机器变得更聪明，从而帮助企业更迅速地处理业务，更高效地达成目标。
人工智能训练师的门槛看似不高，不要求其像算法工程师那样具备专业的技术背景，也不严格限制其行业背景，但其实这一岗位对分析能力、沟通能力、创新能力等都有着非常高的要求。
成为人工智能训练师的第一步，就是要学习业务，只有熟悉本行业的业务，了解本行业的问题，才能在训练人工智能软件的过程中，通过线上聊天记录等精准提炼分析业务问题，并输出恰当适用的解答话术和方案。
在熟悉业务的基础上，亲身使用人工智能产品，简单了解软件的基本算法和各个功能点，并且结合实际业务需求，对于出现的问题及时给出优化解决方案。
此外，人工智能分析师要培养自身较强的分析能力，通过使用数据分析工具，对人工智能产品使用及配置情况进行深入分析，并基于数据分析的结果，不断优化改进功能。
最后，具备调整模型的能力，是人工智能训练师更为高级的要求。通过配套的训练师辅助工具，对用户语料进行分析和标注，提升算法性能和人工智能产品的使用效果。
训练方法：基于需求洞察的机器学习
人工智能是一个高速迭代发展的新领域，对人工智能训练师的要求也正不断更新。而在众多要求之中，最为核心的是学习能力。作为一名合格的人工智能训练师，必须具备自我驱动的学习能力，在日常就不断学习智能产品、算法等相关知识点，工作起来才能更加得心应手。
当前，经过训练师专门训练的人工智能产品，作为智能客服广泛应用于金融领域。从银行线上的智能客服到线下网点配备的智能机器人，人工智能正不断发挥着潜力，以更好地服务客户。归根结底，无论是线上的智能客服还是线下机器人终究是服务于客户的产品，以客户需求为导向来设计产品，而人工智能训练师根据产品需实现的功能进行训练，那么对于训练师的工作内容则可以依照客户需求—产品功能—训练师工作的思维进行分析。
在训练过程中，按照产品和服务的质量特性，我们可以将客户需求分为五种类型：
魅力属性：让用户意想不到，如果不提供此需求，用户满意度不会降低；当提供此需求，用户满意度会有很大的提升。
期望属性：当提供此需求，用户满意度会提升；当不提供此需求，用户满意度会降低。
必备属性：当提供此需求，用户满意度不会提升；当不提供此需求，用户满意度会大幅降低。
无差异属性：无论提供或不提供此需求，用户满意度都不会发生改变，用户根本不在意。
反向属性：用户根本没有此需求，提供后用户满意度反而会下降。
基于上述五种类型的影响因素，我们可以讲机器学习分为三个阶段：基本型需求满足阶段、期望型需求满足阶段、兴奋型需求满足阶段。
必备属性：基本型需求满足阶段
基本型需求是顾客对产品的基本要求，这些需求是必须要实现的。如果此类需求没有得到满足或表现欠佳，客户的不满情绪会急剧增加，并且此类需求得到满足后，可消除客户的不满，但并不能带来客户满意度的增加，因为客户认为这是产品中应该满足的需求或功能。
客户对于银行智能金融客服最基本的需求就是能听懂我，听懂人话并给予相应的回答，也就是能够对客户的问题及时提供解决方案。这个需求看似十分基础，在现实交互场景中缺难以达到理想效果。从线上智能客服来看，客户由于自身的表达能力不足以及对相关专业知识的欠缺，在对问题进行文字内容描述时，无法完整精准表达，而由于数据库中缺乏相关信息的智能客服此时就无法理解客户所提出的问题。同样的，在线下智能机器人应用于实际场景时，在识别人声、读取客户对其所提出的需求，若无法准确的搜集有效信息或者答非所问，那么在客户体验初期就带来较差的用户体验，继而被客户淘汰。
为满足智能客服产品的基本需求，人工智能训练师在这一步要做的就是提供数据标注规则。
首先，在对金融客服产品进行配置前，要对银行业务目前的现状进行了解和分析，获取原始数据信息，了解银行业务中用户咨询问题的分布和占比，了解基本业务办理的流程，从而确定需要客服机器人解决哪些问题，解决到什么程度。
其次，通过算法聚类、标注分析等方式，从数据中提取行业特征场景。人工智能训练师通过花费时间精力，完成日常用户问题的收集和分析，可以将用户的这些问题作分类汇总。将问题需求划分得越明确越细致，越有利于后续数据标注规则的建立。例如，在用户与机器的交流内容中可以将问题大致分为三类。第一类为与业务无关的日常语聊，如查询日期天气、收听新闻播报等，都是日常语聊的范畴；第二类是与银行日常经营有关的业务问题，如对于开卡销户流程介绍、银行理财产品介绍等；最后一类，是任务型问题，如线上取号、线上查询办理相关业务等。
最后，结合银行金融等专业知识，对所细化出的数据需求，确定相对应表达精准、逻辑清晰的数据标注规则。根据所收集归类的各类问题，人工智能训练师接下来将对其进行答案整。对于答案整理，也不是简单的陈述列举，在保证正确性的同时也应当注意语言的艺术性，使人工智能也能带给客户人性化的体验。如交互机器人在回答用户提问时，答案尽量简单口语化，简单明了，控制篇幅。而线上客服回答问题时，注意字体格式统一，并对关键词加粗高亮，在展示操作步骤时，图片优于文字。在答案结尾，可增加下一个问题的用户指导，并以活泼生动的口语化表达带给使用者温馨的体验。
期望属性：期望型需求满足阶段
在此阶段，期望型需求的客户满意度与需求满足度成正比关系。该类需求满足度越高，则客户满意度越高。如果此类需求得到满足或表现良好的话，用户满意度会显着增加；当此类需求得不到满足或表现不好的话，用户的不满也会显着增加。
对于人工智能客服的基本性需求是听懂我并针对提出的问题需求提供正确专业的解决方案，而在从期望型需求角度而言，客户期望所达到的效果则是实现自然交互，自然交互则着重于自然。人们理想中的人工智能机器人总是像电影情节中那样，与客户的交流毫无障碍，对答如流，而不是就一个指令一个问题需反复提问多次，或者是只能按照某一模板形式进行提问。比如客户想进行美元的货币兑换，简洁且直击要害的问题是查询美元今日汇价，客服机器人可以轻松识别并告知正确答案，但现实场景中，客户可能这样说我要500美元，要多少钱？1000块能换多少美元，这样口语话的问题人工智能客服识别起来就有一定的困难，而客户在更换几次说法仍无法解决问题时，就会发现原来这个智能机器人并不智能，大大降低了客户的期望值，也就是人们经常吐槽的智障机器人。
为满足客户期望型需求，实现与人工智能产品的自然交互，人工智能训练师在一步的工作内容则是进行数据验收及管理和积累领域通用数据。
数据验收及管理指的是参与模型搭建和数据验收并负责核心指标和数据的日常跟踪维护。人工智能训练师在完成机器挖掘、知识库配置、对话工厂配置、应用渠道部署、机器人信息设置等一系列工作后，根据原始数据，搭建了基础数据库。在产品落地应用之后，则需获取对于数据效果的反馈、不断优化模型，对其进行跟踪维护。
数据验收主要目的在于优化数据标注，基于用户语料实时更新数据库。例如银行推出了某款新的理财产品，银行现阶段执行新的存贷款利率政策等，都需要对这些变化产生的问题进行梳理，优化金融客服的知识库以及对话工厂。实时监控对话数据，复盘知识库与对话工厂。如产生一些突发的问答场景，智能客服无法精确识别并给出答案，此时，训练师就应当将这些信息及时补充到知识库之中。对于即将遇到的新的央行政策、开展各类活动优惠等问题，要做好预设工作，并在结束后做好知识库的复盘，为下一次优化做准备。
在验收数据，优化标注规则之后投入实际应用场景，上线优化模型，并继续跟踪调整数据，积累细分领域通用数据。积累领域通用数据是根据细分领域的数据应用要求，从已有数据中挑选符合要求的通用数据（适用于同领域内不同客户/用户），形成数据的沉淀和积累。
在这一阶段，人工智能训练师可以定期抽查用户聊天记录，记录分析未能解决问题的原因，通过业务评价系统，邀请用户对智能客服的满意度进行打分，对于出现的不满意的情况，深入挖掘原因，积累数据，通过评价抽样分析优化金融客服的使用体验。经过不同领域的数据应用要求，我们会发现在线机器人遵循答案简单易懂的设计原则，而热线机器人遵循交互设计原则，在应用开启后，训练师不断沉淀积累有效数据，不断进行测试调优，才能使机器人越来越聪明，实现客户与智能客服的自然交互，达到客户对人工智能客服的期望值。
魅力属性：兴奋型需求满足阶段
兴奋型需求是指客户获得意想不到的需求满足，这类需求一经满足，即使产品表现并不完善，也能带来用户满意度的急剧提高，反之，也不会带来不满。因此，这些额外功能往往代表用户的潜在需求，如果潜在需求得到满足，会促使客户需求的满意度达到高值，对产品的信任度也随之大涨，从而建立最忠实的客户群。
要使得人工智能客服满足客户的兴奋型需求，探究客户潜在需求点是关键一步。那么我们从客户的角度出发，从听懂我、可以为我解决我所提出的问题，到我可以与你流畅对话，实现自然交互，接着你什么样的举动会让我感到惊喜呢？想必是了解我，不仅仅是听懂我的话，是了解我、懂我并在适当时候关心我，对人工智能产品赋予人的温度。
在这一阶段，人工智能训练师不仅仅需要数据能力、行业知识、分析能力、沟通能力，在实现这部分客户需求时，更重要的则是训练师的洞察能力、创新能力以及对AI技术的理解能力。客户在人工智能客服交过程中哪些时点可以嵌入，嵌入的内容形式如何体现对客户的关心，让客户感觉到服务的温度，感受到自己的特殊待遇这需要训练师对日常交互场景有着较强的观察能力和细腻的情感。比如，在厅堂直接接触的客户的智能机器人，除了被动的回答客户所提出的问题，还可以主动出击把握客户可能的情感点，如较冷的下雨天，当客户取号后坐着等候时，则可以主动问候客户今天天很冷哦，那边有热水，要不要我带你去倒一杯喝着暖和暖和？，相比于简单的天气播报，这样简单的问候更具有温度，更能触动客户。再如，针对到店客户年纪普遍偏大的网点，训练师在对人工智能机器人进行设计的时候，也可以引入方言的设计，在与年纪偏大的客户对话交流时穿插几句熟悉的方言，让客户感到温馨并惊喜。因此，要发掘客户这些细微的需求点、兴奋点，则需要训练师自身平时有积极发现服务细节的习惯，同时也要熟知AI技术边界，了解哪些需求是可以实现并运用的，哪些需求基于目前的技术限制还不能实现。赋予人工智能产品以温度，在客户产品服务过程中制造惊喜，也是未来训练师应侧重实现的功能。
AI+：打造极致金服的未来展望
当下，AI之风正盛，为各行各业带来日新月异的变化。金融服务的便利化水平不断提升，客户体验感和满意度不断提高，我们见证者人工智能解决一个又一个有意义的难题。人工智能与金融服务创新相结合，量化交易、智能投顾等应用正改变着传统投资理财方式。这其中其实是一个循环的过程：我们先训练行业大数据，然后在训练行业大数据的过程中我们同时有了算法经验，然后知道如何去调参，怎么去解决收敛问题；接下来是将AI的能力导入进去，进行监督学习，然后得出一些新的规律和方法，再应用回行业中去；然后在新的环境和场景下，基于新的规律和方法，又能够积累新的数据，重新走这个闭环。这就是一个不断自我闭环，不断优化前进的一个过程。
在未来，机器学习在金融领域必将大有作为。客服机器人的广泛应用必将成为一种趋势，聊天机器人或是对话式界面能够解决客户服务中的许多工作。通过聊天形式帮助客户解答问题，在提升接待效率的同时，也无形中拉近着客户与银行间的距离，增进情感联系。而这一切的实现，离不开人工智能训练师这一新型职业，他们以科学的方法，不断优化机器人应用，使其协助银行更好地服务客户，提升效率的同时减少了人力成本，对传统银行在信息化时代下转型升级，打造数字化智慧网点功不可没。
科技进步的同时，人类的智慧也必须跟上其步伐，始终保持理性的思考，保持良好的学习能力，才能用好人工智能这一工具，使其造福于人类，造福于生活。在行业AI领域的特质中，AI训练的方法日新月异，助理金融转型的模式也千差万别，但所有的方法和模式，归因在一个逻辑起点上，那便是服务，只有服务好客户，AI才有未来。
