人工智能新探索 打造银行智能工单

杨兆明 于磊 袁纯良

目前，以机器学习为代表的人工智能技术在全球兴起热潮，其理论、技术和应用场景都有了长足发展。特别是依靠海量数据和强大的分布式计算能力，人工智能已在语音识别、图像识别、自然语言处理、人机对弈、自动驾驶等领域取得显著或者突破性进展，使得传统的经验密集型行业迎来了智能化改造的历史机遇。

银行服务智能化已经是大势所趋。商业银行的工单处理是与客户体验息息相关的重要工作，要求处理人员具有丰富的金融知识和很强的分析能力，是一项经验密集型工作，适合进行智能化改造。本文结合实际工作，就人工智能在商业银行工单处理系统中的应用进行探讨。

人工工单的桎梏

大型商业银行每年需要处理数以万计的工单。然而，目前的工单处理系统仅在工单报送、审批、存档等办公事务性环节实现了自动化，在最主要的问题分析处理环节，还是主要依靠人工。

随着IT系统规模日趋庞大以及新业务功能与日俱增，大型商业银行每日需处理的工单数量呈上升趋势，维护人员处理工单的难度逐渐增加。从我们处理工单的实际情况看，以下几方面问题日益突出：工单所属系统的识别准确性不高；问题定位不够准确；不能快速匹配历史工单。

这些问题，对工单流转效率和处理质量造成了影响。特别是需要多个团队配合的工单，如果部分环节处理不及时，会延长工单处理的时间，从而降低服务质量，影响银行形象。

工单处理智能化的需求

客户是银行赖以生存和发展的基础，完善客户体验是银行提高服务质量的根本目标。作为银行信息科技体系技术支持部门，和客户最直接的联系就是工单处理系统，维护人员通过工单处理系统接收、分析、处理客户反映的问题。工单处理的效率和质量，直接影响到客户对银行的认可度。鉴于目前工单处理系统中存在的问题，有必要考虑在工单处理系统中应用人工智能技术，以提高工作效率和质量，提升客户体验。

同时，商业银行积累了大量的历史工单数据，这些数据既有问题描述信息，又有问题归属分类，还有问题解决方案，构成了工单问题及处理方案的全景信息。海量历史工单数据中蕴含了工单处理需要的大部分业务知识和处理规则，为人工智能特別是机器学习提供了极好的数据来源。从必要性及可行性上看，商业银行工单处理智能化改造正逢其时。

从商业银行同业情况来看，工单处理智能化目前处于研究和起步阶段。随着各银行对提高工单处理的效率和质量日益重视，工单处理智能化将展现出很好的应用前景。

工单处理智能化是在传统的工单处理流程基础上，用人工智能技术手段分析、处理工单，实现自动匹配类似工单、自动推送解决方案、自动汇总工单类型等功能，达到减少工作量、提高工作效率和提升服务质量的目标。

工单处理智能化首先要解决的问题是：如何从非结构化的工单描述（一连串语言符号）中获取问题工单描述信息特征和解决方案信息特征。因此工单处理智能化技术首先涉及人工智能的自然语言处理领域。当然，工单智能化的语言识别不同于一般的机器翻译或者专家系统自然语言接口，它描述的内容有很强的领域范畴，即银行业务领域、IT技术领域，工单描述语言中的上下文关联和语义环境，和专业领域有很强的关联关系。同时，工单描述语言分析还需要减少无效词汇对语义理解的干扰，使得银行工单处理智能化需要适合自身特点的自然语言处理能力。

在获取工单描述文字的特征信息后，智能工单处理系统需要对特征进行分析、分类，以确定工单归属系统或者所属类型。同时，还需要从历史工单数据中匹配出该类型工单及其解决方案，供处理人员参考。这里涉及的特征提取、分类和匹配，属于人工智能的机器学习领域。

为了提高工单处理的效率和质量，提升客户体验，也为了顺应人工智能技术在银行领域应用的潮流，我们在现有的银行工单处理系统中引入了人工智能技术，设计、开发了智能工单处理系统。该系统将大量非结构化的工单描述信息和知识库中的知识条目，通过机器学习算法加以分析处理，实现工单自动转派及方案智能推荐。同时，通过对工单描述主题归类，挖掘出有价值的信息，为工单分派与处理方案提供数据与决策支持，提升分派工单的准确性。智能工单系统采用常见的WEB+MySQL for AIX架构。为便于实现统计分析功能，采用R语言为开发语言。

人工智能显神通

在智能工单处理系统中，工单主题模型及主题库是体现系统“智能”的功能模块。智能化功能模块采用的模型和算法，就是人工智能应用在本系统的关键技术；模块的智能水平决定了本系统工作的效率和质量。

从理论上讲，本系统的智能化功能模块是以统计论和概率论为基础，利用机器学习算法让机器具有类似人类的自动“学习”能力——对已知的训练数据做统计分析从而获得规律，再运用规律对未知数据做预测分析。其基本过程是：标注——利用人工对一批文档进行了准确分类，以作为训练集（进行机器学习的材料）；训练——计算机从这些文档中挖掘出一些能够有效分类的规则，生成分类器（总结出的规则集合）；分类——将生成的分类器应用在有待分类的文档集合中，获取文档的分类结果，该系统以海量历史工单数据为训练集，进行了文本分词、去干扰等预处理；在此基础上进行特征分类训练，实现了特征向量的自动匹配。

实践表明，在银行工单处理系统中，一旦应用了人工智能技术，能够显著提高工单处理效率，减少流转环节，并挖掘潜在生产问题，促进生产维护工作。

我们的智能工单处理系统使用了机器学习的主题模型实现了工单主题特征的提取、分类和匹配。而在当前人工智能热潮中，神经网络特别是深度学习网络的应用领域越来越广泛。深度学习是近十年来人工智能发展的新成果，在近期赢得了广泛关注，适合解决复杂、非线性的分类或者回归问题，比如图像识别、语音识别、语音合成、人机对弈等。随着分布式计算资源的增长，深度神经网络朝着网络更多、层次更深、训练算法更复杂的方向发展，复杂特征的提取能力更强。我们下一步将关注和研究如何将深度学习应用于智能工单处理并取得更好效果。主要研究工作包括扩展训练数据集、确定技术框架选型、调整神经网络参数值以及解决训练中的优化问题。

为顺应智慧银行的发展潮流，将来还可以开展人工智能技术在更多银行领域的应用和研究，为业务部门提供更多有价值的信息。比如，在海量金融业务交易记录中进行数据挖掘，自动发现模式，实现交易风险识别、客户价值分析以及授信决策支撑等功能。人工智能技术在银行领域的应用，将促进应用系统维护工作智能化转型，推动商业银行的产品和服务竞争力迈上新台阶。

相关链接

随着IT系统规模日趋庞大以及新业务功能与日俱增，大型商业银行每日需处理的工单数量呈上升趋势。为了提高工单处理的效率和质量，提升客户体验，也为了顺应人工智能技术在银行领域应用的潮流，我们在现有的银行工单处理系统中引入了人工智能技术，设计、开发了智能工单处理系统。