据澳大利亚联邦银行(Commonwealth Bank)数据科学主管Dan Jermyn说,联邦银行利用人工智能(AI)帮助客户的日常沟通,客户参与度提高了400%。
联邦银行创建了名为客户参与引擎(CEE)的人工智能“旗舰实现”。 CEE是个帮助“协调客户体验”的“中心化决策平台”。
Jermyn周五在悉尼大学举行的首届道德数据科学会议上表示,“我们希望确保我们与他们谈的是正确的一项。这是非常困难的,”。
联邦银行拥有几百万客户,客户可能希望在几十种不同的渠道上谈论几千种不同问题里的某一个问题。
Jermyn表示,“你可以想象一下我们有多少关乎客户的信息,所有的金融交易信息,所有的互动信息等等。”
他还表示,“只要我们可以解码这些信息,那么就可以在任何时间点上找到与客户交谈的最佳方式的答案。”
CEE目前内置在19个通信渠道内,可分析2000亿个数据点,给出 “数千种组合”里下一个要谈的最佳点,可以在“几分之一秒”内做出决定。
在有些情况下,这些信息是提供给客户服务代理用的。
Jermyn 表示,“然后人类接手,接手的东西包括所有那些我们无法用机器复制的技能,社会同理心、那些面对具体一个人时对特殊情况的理解以及什么对他来说是重要的什么不重要、他的情绪状态是什么等的判断等等。“
他表示,“我们真正做的是为我们人类腾出更多时间来做那些真正重要的事情、做人类真正擅长的事情,目的是让每个人都受益。”
他还表示,“可以说,CEE指出了行业中人工智能该做的事情的最佳实施方向。”
在其他的一些情况下,CEE可用于 “智能警报”。
Jermyn给出了联邦银行日常沟通的一个例子,是个智能手机的通知,内容为,“提醒:您的个人贷款还款将在7天后到期。请不要忘记过数以免交付额外滞纳金。”
Jermyn 表示,“我们看到的最大差异高达400%,这时我们开始思考我们该如何决定提出来、对谁提出来、何时以及在什么情况下提出来。”
联邦银行还利用人工智能帮助分析客户对财务状况的认识。
Jermyn 表示,“一个组织里人工智能的道德实施的第二个阶段不仅仅是做你认为是正确的事情。而是要知道你正在做的事情是正确的,是可以适当度量的。”
联邦银行基于现有的研究做了人们对财务福祉的认识方面的工作。联邦银行利用对客户的金融交易和其他指标的了解发现,现实比人们的看法更极端。
一方面,9%的人表示他们的财务状况有问题,但根据联邦银行的一些指标该数据达18%。另一方面,12%的客户表示他们的财务状况很好,但联邦银行认为实际上有15%的客户的财务状况很好。
我们可能会觉得,对财务状况看法影响最大驱动因素是工资和收入。但联邦银行发现,影响客户看法的因素最多的是行为模式,包括支出和储蓄模式以及他们如何管理自己的资金。
Jermyn 表示,“行为模式是这一块的全部。”
Jermyn 还表示,“对我们来言,人工智能最令人兴奋的一个方面就是人工智能实际上可以令我们为我们的客户获取更好的结果。”
他表示,“若无人工智能,我们就无法做到这一点。根本不可能的。”
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。