人工智能在銀行工單處理系統(tǒng)中的應(yīng)用與探索

人工智能在銀行工單處理系統(tǒng)中的應(yīng)用與探系作者：楊兆明，于磊，袁純良來源：《中國金融電腦》2017年第9期目前，以機(jī)器學(xué)習(xí)為代表的人工智能技術(shù)在全球興起熱潮，其理論、技術(shù)和應(yīng)用場景都有了長足發(fā)展。特別是依靠海量數(shù)據(jù)和強(qiáng)大的分布式計算能力，人工智能已在語音識別、圖像識別、自然語言處理、人機(jī)對弈、自動駕駛等領(lǐng)域取得顯著或者突破性進(jìn)展，使得傳統(tǒng)的經(jīng)驗(yàn)密集型行業(yè)迎來了智能化改造的歷史機(jī)遇。人工智能在銀行領(lǐng)域的影響也在不斷擴(kuò)大，已形成了量化投資、智能柜臺、智能客服等新型業(yè)務(wù)模式，為客戶提供了嶄新的體驗(yàn)。銀行服務(wù)智能化已經(jīng)是大勢所趨。商業(yè)銀行的工單處理是與客戶體驗(yàn)息息相關(guān)的重要工作，要求處理人員具有豐富的金融知識和很強(qiáng)的分析能力，是一項(xiàng)經(jīng)驗(yàn)密集型工作，適合進(jìn)行智能化改造。本文結(jié)合實(shí)際工作，就人工智能在商業(yè)銀行工單處理系統(tǒng)中的應(yīng)用進(jìn)行探討。一、商業(yè)銀行工單處理現(xiàn)狀及問題大型商業(yè)銀行每年需要處理數(shù)以萬計的工單。目前的工單處理系統(tǒng)僅在工單報送、審批、存檔等辦公事務(wù)性環(huán)節(jié)實(shí)現(xiàn)了自動化，在最主要的問題分析處理環(huán)節(jié)，還是主要依靠人工。隨著IT系統(tǒng)規(guī)模日趨龐大以及新業(yè)務(wù)功能與日俱增，大型商業(yè)銀行每日需處理的工單數(shù)量呈上升趨勢，維護(hù)人員處理工單的難度逐漸增加。從我們處理工單的實(shí)際情況看，以下幾方面問題日益突出：（1）工單所屬系統(tǒng)的識別準(zhǔn)確性不高。目前工單分派是根據(jù)業(yè)務(wù)人員填寫的工單所屬系統(tǒng)進(jìn)行自動分派，導(dǎo)致工單分類的準(zhǔn)確度不高，經(jīng)常出現(xiàn)工單分派錯誤的情況，影響了工單的順利流轉(zhuǎn)。（2）問題定位不夠準(zhǔn)確。由于處理人員經(jīng)驗(yàn)不足，可能造成問題定位不準(zhǔn)確，形成有偏差的解決方案。這不但無助于解決問題，還進(jìn)一步降低了客戶體驗(yàn)，增加了系統(tǒng)運(yùn)行風(fēng)險。（3）不能快速匹配歷史工單。由于軟件缺陷、客戶誤操作等問題，相似的工單會重復(fù)出現(xiàn)，這是工單處理工作中的常見現(xiàn)象。有經(jīng)驗(yàn)的處理人員經(jīng)歷了長時間的經(jīng)驗(yàn)積累，或者知識總結(jié)，能很快找到類似的歷史工單，參照歷史處理方案進(jìn)行處理，確保處理高效率。由于人員的流動性，新的人員無法在短期內(nèi)具備這種能力，造成了低效的重復(fù)勞動。這些問題，對工單流轉(zhuǎn)效率和處理質(zhì)量造成了影響。特別是需要多個團(tuán)隊配合的工單，如果部分環(huán)節(jié)處理不及時，會延長工單處理的時間，從而降低服務(wù)質(zhì)量，影響銀行形象。二、商業(yè)銀行工單處理智能化概述工單處理智能化需求客戶是銀行賴以生存和發(fā)展的基礎(chǔ)，完善客戶體驗(yàn)是銀行提高服務(wù)質(zhì)量的根本目標(biāo)。作為銀行信息科技體系技術(shù)支持部門，和客戶最直接的聯(lián)系就是工單處理系統(tǒng)，維護(hù)人員通過工單處理系統(tǒng)接收、分析、處理客戶反映的問題。工單處理的效率和質(zhì)量，直接影響到客戶對銀行的認(rèn)可度。鑒于目前工單處理系統(tǒng)中存在的問題，有必要考慮在工單處理系統(tǒng)中應(yīng)用人工智能技術(shù)，以提高工作效率和質(zhì)量，提升客戶體驗(yàn)。同時，商業(yè)銀行積累了大量的歷史工單數(shù)據(jù)，這些數(shù)據(jù)既有問題描述信息，又有問題歸屬分類，還有問題解決方案，構(gòu)成了工單問題及處理方案的全景信息。海量歷史工單數(shù)據(jù)中蘊(yùn)含了工單處理需要的大部分業(yè)務(wù)知識和處理規(guī)則，為人工智能特別是機(jī)器學(xué)習(xí)提供了極好的數(shù)據(jù)來源。從必要性及可行性上看，商業(yè)銀行工單處理智能化改造正逢其時。從商業(yè)銀行同業(yè)情況來看，工單處理智能化目前處于研究和起步階段。隨著各銀行對提高工單處理的效率和質(zhì)量日益重視，工單處理智能化將展現(xiàn)出很好的應(yīng)用前景。工單處理智能化涉及的技術(shù)領(lǐng)域工單處理智能化是在傳統(tǒng)的工單處理流程基礎(chǔ)上，用人工智能技術(shù)手段分析、處理工單，實(shí)現(xiàn)自動匹配類似工單、自動推送解決方案、自動匯總工單類型等功能，達(dá)到減少工作量、提高工作效率和提升服務(wù)質(zhì)量的目標(biāo)。工單處理智能化首先要解決的問題是：如何從非結(jié)構(gòu)化的工單描述（一連串語言符號）中獲取問題工單描述信息特征和解決方案信息特征。因此工單處理智能化技術(shù)首先涉及人工智能的自然語言處理領(lǐng)域。當(dāng)然，工單智能化的語言識別不同于一般的機(jī)器翻譯或者專家系統(tǒng)自然語言接口，它描述的內(nèi)容有很強(qiáng)的領(lǐng)域范疇，即銀行業(yè)務(wù)領(lǐng)域、IT技術(shù)領(lǐng)域，工單描述語言中的上下文關(guān)聯(lián)和語義環(huán)境，和專業(yè)領(lǐng)域有很強(qiáng)的關(guān)聯(lián)關(guān)系。同時，工單描述語言分析還需要減少無效詞匯對語義理解的干擾，使得銀行工單處理智能化需要適合自身特點(diǎn)的自然語言處理能力。在獲取工單描述文字的特征信息后，智能工單處理系統(tǒng)需要對特征進(jìn)行分析、分類，以確定工單歸屬系統(tǒng)或者所屬類型。同時，還需要從歷史工單數(shù)據(jù)中匹配出該類型工單及其解決方案，供處理人員參考。這里涉及的特征提取、分類和匹配，屬于人工智能的機(jī)器學(xué)習(xí)領(lǐng)域。三、智能工單處理系統(tǒng)簡介為了提高工單處理的效率和質(zhì)量，提升客戶體驗(yàn)，也為了順應(yīng)人工智能技術(shù)在銀行領(lǐng)域應(yīng)用的潮流，我們在現(xiàn)有的銀行工單處理系統(tǒng)中引入了人工智能技術(shù)，設(shè)計、開發(fā)了智能工單處理系統(tǒng)。該系統(tǒng)將大量非結(jié)構(gòu)化的工單描述信息和知識庫中的知識條目，通過機(jī)器學(xué)習(xí)算法加以分析處理，實(shí)現(xiàn)工單自動轉(zhuǎn)派及方案智能推薦。同時，通過對工單描述主題歸類，挖掘出有價值的信息，為工單分派與處理方案提供數(shù)據(jù)與決策支持，提升分派工單的準(zhǔn)確性。智能工單系統(tǒng)采用常見的WEB+MySQLforAIX架構(gòu)。為便于實(shí)現(xiàn)統(tǒng)計分析功能，采用R語言為開發(fā)語言。應(yīng)用架構(gòu)通過運(yùn)維流程管理平臺擴(kuò)展接口，可以設(shè)置參數(shù)實(shí)現(xiàn)工單處理智能化實(shí)時切換，實(shí)現(xiàn)了運(yùn)維流程管理平臺和智能工單處理系統(tǒng)的松耦合協(xié)同工作。圖1為應(yīng)用架構(gòu)系統(tǒng)邏輯關(guān)系。系統(tǒng)功能（1）批量功能智能工單處理系統(tǒng)定期通過批量接口從運(yùn)維流程管理平臺獲取歷史工單數(shù)據(jù)，包含工單內(nèi)容、解決方案和所屬系統(tǒng)等內(nèi)容。導(dǎo)入觸發(fā)條件可以指定為一段時間（如每周或每月），也可以指定新增歷史工單達(dá)到一定數(shù)量（如新增1000個工單）。智能工單處理系統(tǒng)對導(dǎo)入的歷史工單數(shù)據(jù)進(jìn)行特征提取和分類批量計算，用計算結(jié)果修正現(xiàn)有的主題模型。主題模型每次更新后，通過統(tǒng)計批量程序繪制出當(dāng)前的工單主題特征全景圖，同時更新工單主題庫和知識條目庫。（2）聯(lián)機(jī)功能聯(lián)機(jī)功能是向運(yùn)維流程管理平臺的工單分派、工單處理提供的自動化功能。平臺分派工單時，先調(diào)用智能工單處理系統(tǒng)提供的聯(lián)機(jī)接口，輸入待分派工單的信息；然后智能工單處理系統(tǒng)返回該工單所屬系統(tǒng)信息，運(yùn)維流程管理平臺將該工單分派給相應(yīng)的團(tuán)隊處理。維護(hù)人員在處理工單時，平臺先調(diào)用智能工單處理系統(tǒng)的接口，輸入工單信息，智能處理系統(tǒng)返回該工單所屬知識條目、最匹配類似歷史工單等相關(guān)信息，供處理人員參考。四、系統(tǒng)中的人工智能技術(shù)及實(shí)現(xiàn)在智能工單處理系統(tǒng)中，工單主題模型及主題庫是體現(xiàn)系統(tǒng)“智能”的功能模塊。智能化功能模塊采用的模型和算法，就是人工智能應(yīng)用在本系統(tǒng)的關(guān)鍵技術(shù)；模塊的智能水平?jīng)Q定了本系統(tǒng)工作的效率和質(zhì)量。從理論上講，本系統(tǒng)的智能化功能模塊是以統(tǒng)計論和概率論為基礎(chǔ)，利用機(jī)器學(xué)習(xí)算法讓機(jī)器具有類似人類的自動“學(xué)習(xí)”能力一一對已知的訓(xùn)練數(shù)據(jù)做統(tǒng)計分析從而獲得規(guī)律，再運(yùn)用規(guī)律對未知數(shù)據(jù)做預(yù)測分析。其基本過程是：標(biāo)注一一利用人工對一批文檔進(jìn)行了準(zhǔn)確分類，以作為訓(xùn)練集（進(jìn)行機(jī)器學(xué)習(xí)的材料）；訓(xùn)練一一計算機(jī)從這些文檔中挖掘出一些能夠有效分類的規(guī)則，生成分類器（總結(jié)出的規(guī)則集合）；分類一一將生成的分類器應(yīng)用在有待分類的文檔集合中，獲取文檔的分類結(jié)果，該系統(tǒng)以海量歷史工單數(shù)據(jù)為訓(xùn)練集，進(jìn)行了文本分詞、去干擾等預(yù)處理；在此基礎(chǔ)上進(jìn)行特征分類訓(xùn)練，實(shí)現(xiàn)了特征向量的自動匹配。本系統(tǒng)智能化機(jī)器學(xué)習(xí)功能主要流程圖2所示。確定訓(xùn)練樣本集為保證足夠的訓(xùn)練樣本數(shù)量，也為保證較新的數(shù)據(jù)時效性，我們確定以運(yùn)維流程管理平臺近幾年的工單數(shù)據(jù)作為智能工單處理系統(tǒng)的數(shù)據(jù)訓(xùn)練樣本集，總量約5萬。工單數(shù)據(jù)的主要字段包括：工單ID、類別、子類、條目、請求描述、所屬系統(tǒng)、處理團(tuán)隊、申請來源類別、申請來源名稱、報送原因分類、處理方式分類、解決方案描述、是否變更等共50個左右的數(shù)據(jù)項(xiàng)。歷史工單導(dǎo)出后的數(shù)據(jù)為XML純文本，便于后續(xù)的文本分析和web展現(xiàn)。工單文本預(yù)處理文本預(yù)處理主要包括文本分詞和分詞過濾兩項(xiàng)工作，主要作用是按照行業(yè)詞匯集將工單文本進(jìn)行詞匯劃分，然后將結(jié)果中那些對語義識別無效或者有害的分詞去掉，以實(shí)現(xiàn)工單特征信息的充分暴露，便于下一階段的特征分析、分類工作。（1）中文分詞在使用向量模型表示文檔時，首先要對文檔進(jìn)行詞匯化處理。我們選用了常見的Rwordseg作為智能工單系統(tǒng)的文本分詞工具，它的核心算法采用隱馬爾科夫模型（HiddenMarkovModel,HMM），適用于人名識別、地名識別、組織機(jī)構(gòu)名識別、多級詞性標(biāo)注、關(guān)鍵詞提取、指紋提取等領(lǐng)域，并能很好地支持R語言及中文字符集。為突出工單數(shù)據(jù)的金融行業(yè)特征，我們使用了CFA金融專業(yè)詞典作為自定義詞典，使得系統(tǒng)具備了良好的金融行業(yè)分詞能力。（2）分詞過濾工單描述文本中有大量的問題特征無關(guān)詞匯，比如大部分的感嘆詞、形容詞、連詞，以及客戶姓名、地名等停用詞、公共詞，或者低頻詞、專有詞。這些詞匯經(jīng)常出現(xiàn)，但幾乎不包含任何工單問題特征信息，還可能弱化工單特征信息的表現(xiàn)，影響特征分析和分類。我們收集了此類詞匯（含規(guī)則）數(shù)百個，形成了干擾詞匯（規(guī)則）集，便于對分詞結(jié)果進(jìn)行過濾操作。經(jīng)過文本預(yù)處理之后，工單數(shù)據(jù)已初步顯現(xiàn)出主題特征信息，可以進(jìn)行主題特征分析、分類工作了。設(shè)置特征向量權(quán)值由于每類詞匯對工單主題的影響是不一樣的，因此工單主題特征的每個向量的權(quán)重值也是不同的。在完成分詞之后，我們對詞語的位置信息做進(jìn)一步的發(fā)掘，需要確定記錄位置信息的方式以及各個位置的詞在反映主題時的相對重要性。標(biāo)題、摘要和結(jié)論、正文等文章各個部分的位置權(quán)重是各不相同的，當(dāng)軟件逐詞掃描統(tǒng)計詞頻時，記錄每個詞的位置信息。適當(dāng)?shù)?、有區(qū)分的設(shè)置特征向量權(quán)值，能夠顯著提高特征分析的準(zhǔn)確性。主題特征提取主題特征提取是人工智能模式識別領(lǐng)域的重要方法，它通過分析不同文檔中的各類詞匯出現(xiàn)的頻率或者概率，找到文檔類型和詞匯之間的內(nèi)在關(guān)聯(lián)規(guī)則，從而實(shí)現(xiàn)對文檔特征的分析和提取。在智能工單處理系統(tǒng)采用了主題模型在海量訓(xùn)練數(shù)據(jù)中自動尋找出文字間的語義主題，以及對工單中的主題進(jìn)行分析。主題模型就是將工單數(shù)據(jù)訓(xùn)練集中每篇文檔的主題以概率分布的形式給出，從而通過分析一些文檔抽取出它們的主題后，便可以根據(jù)主題進(jìn)行主題聚類或文本分類。主題模型中，一篇文檔是由一組詞構(gòu)成，詞與詞之間沒有先后順序的關(guān)系。此外，一篇文檔可以包含多個主題，文檔中每一個詞都由其中的一個主題生成。從概率模型上講，每個工單文檔的每個詞都是通過“以一定概率選擇了某個主題，并從這個主題中以一定概率選擇某個詞語”這樣一個過程得到的。那么，如果要生成一篇文檔，它里面的每個詞語出現(xiàn)的概率為（p為加權(quán)后的概率）：州對郊)=￡佝沿如麗地瑜上靴供七祁解Sttw：揶冊，祝就臉岫牖酗對任意一篇文檔，左邊的矩陣是已知的，右邊的兩個矩陣未知。而主題模型就是用大量已知的“詞語i文檔”矩陣，通過一系列的訓(xùn)練，推理出右邊的“詞語i主題”矩陣和“主題i文檔”矩陣。我們選擇用線性判別式分析算法(LinearDiscriminantAnalysis,LDA)進(jìn)行工單主題分類。LDA也叫做Fisher線性判別(FisherLinearDiscriminant,FLD)，是模式識別領(lǐng)域的經(jīng)典算法。LDA的基本思想是將高維的模式樣本投影到最佳鑒別矢量空間，以達(dá)到抽取分類信息和壓縮特征空間維數(shù)的效果，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類內(nèi)距離，即模式在該空間中有最佳的可分離性。工單主題特征屬于高維向量空間，適合采用LDA算法進(jìn)行主題分類。訓(xùn)練分類器計算機(jī)從這些文檔中挖掘出一些能夠有效分類的規(guī)則，生成分類器(總結(jié)出的規(guī)則集合)；工單主題的分類是通過對分類器進(jìn)行大量有標(biāo)簽的數(shù)據(jù)訓(xùn)練實(shí)現(xiàn)的。五、智能工單處理系統(tǒng)的成效我們對智能工單處理系統(tǒng)的智能模塊進(jìn)行了訓(xùn)練，并將訓(xùn)練好的系統(tǒng)投入運(yùn)維流程管理平臺進(jìn)行了試運(yùn)行，取得了良好效果。自動預(yù)測工單歸屬分派，減少流轉(zhuǎn)次數(shù)工單分配歸屬系統(tǒng)時，不再簡單依靠報送人填寫的系統(tǒng)名稱，而是結(jié)合工單具體描述問題，確定工單歸屬系統(tǒng)，并分配到相應(yīng)團(tuán)隊。統(tǒng)計結(jié)果顯示，應(yīng)用智能工單處理系統(tǒng)后，工單首次分配錯誤率大幅降低，顯著減少了誤分配次數(shù)。統(tǒng)計工單主題分布，挖掘潛在生產(chǎn)問題智能工單處理系統(tǒng)可以通過批量方式統(tǒng)計提取指定工單集的主題分布全景圖。通過主題分布全景圖，可以直觀地看出每個主題對應(yīng)的工單分布情況，包括數(shù)量以及變化。維護(hù)人員通過重點(diǎn)關(guān)注分布全景圖中那些工單數(shù)量很多，或者近期數(shù)量變化顯著的工單類型，分析此類工單的產(chǎn)生原因，比如是否存在系統(tǒng)問題，或者用戶誤操作問題等，利于及時處理問題，提高系統(tǒng)的可用性及穩(wěn)定性，提升客戶體驗(yàn)。匹配歷史工單，提高處理效率智能工單處理系統(tǒng)可以對每個新報送的工單進(jìn)行通過特征提取，從歷史工單庫中匹配出最類似的工單。處理人員可以參考?xì)v史工單的問題描述、解決方案等重要信息，大大提高了工單處理效率。智能工單處理系統(tǒng)已成為了維護(hù)人員常用的實(shí)用工具。提供知識條目預(yù)測，提升解決方案準(zhǔn)確性智能工單處理系統(tǒng)通過優(yōu)化工單處理流程，建立并豐富了流程平臺知識庫中知識條目。系統(tǒng)通過對每一張工單對應(yīng)知識庫知識條目的學(xué)習(xí)，不斷提高推薦知識條目的準(zhǔn)確性。隨著工單種類的數(shù)量的不斷增多，知識庫條目的不斷豐富，解決方法匹配程度也會越來越高。實(shí)踐表明，在銀行工單處理系統(tǒng)中應(yīng)用人工智能技術(shù)，能夠顯著提高工單處理效率，減少流轉(zhuǎn)環(huán)節(jié)，并挖掘潛在生產(chǎn)問題，促進(jìn)生產(chǎn)維護(hù)工作。我們的智能工單處理系統(tǒng)使用了機(jī)器學(xué)習(xí)的主題模型實(shí)現(xiàn)了工單主題特征的提取、分類和匹配。而在當(dāng)前人工智能熱潮中，神經(jīng)網(wǎng)絡(luò)特別是深度學(xué)習(xí)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域越來越廣泛。深度