银行开始部署自然语言处理(NLP)在文本挖掘应用程序中使用企业和客户数据考察客户的情绪来企业搜索。
从历史上看,银行收集了大量客户和公司内部运营的数据。这些文件的很大一部分是文本信息，主要是为合规的原因。
这些数据可能被竖井存储在银行内部的不同业务功能中，并且是有效的资讯搜寻及发现是对传统形式的挑战。人工智能系统可以帮助在庞大的数据存储中导航，从而获得有价值的商业见解。
银行业是文本挖掘技术与传统系统(如自动处理转帐信息(atran)。
这是可能的，因为这些早期系统必须“阅读”和“理解”的信息是相对简单和高度结构化的。使用NLP，可以搜索的信息范围已经扩大到包括半结构化和非结构化的自由文本。
在我们的AI In Banking Vendor Scorecard和Capability Map 2019报告中，我们将77个银行AI Vendor产品按照AI功能进行了分类，包括数据收集和文本数据分析。
我们将在本文中讨论这类AI供应商的产品。用户可以下载行政摘要的报告，以了解更多。
下图显示了在我们的银行研究中提供功能的AI供应商产品的数量。标记为数据收集和分析(文本数据)的列显示了可用于利用自由形式的自然语言文本数据的供应商产品的数量。
数据收集和分析(文本数据)占我们在报告中分类的所有AI供应商产品提供功能的13.48%，占银行AI供应商融资总额的11.49%。
文本和客户数据分析是我们分类的所有AI产品提供功能中最常见的，占所有供应商产品提供功能的近27%。
在这篇文章中，我们将通过以下主题来深入研究银行业的文本挖掘用例:
- 利用企业文本数据
- 利用客户文本数据
- 在文本分析中采用人工智能的最佳实践
我们首先简要介绍文本挖掘应用程序如何使银行更好地访问其企业数据。
银行-企业数据中的文本挖掘
例如，银行可以使用基于nlp的软件从内部搜索特定信息法律文件。有了人工智能解决方案，整个银行的用户只能搜索与财务相关或与欺诈相关的文件摘录。
集成这样的上下文搜索系统可以减少企业内部与信息搜索相关的成本和时间。
银行可以部署NLP解决方案，首先需要将现有的企业文档上传到AI系统。然后对算法进行调整，以识别这些文档中标记为与提取、摘要或抽象相关的属性。
主题问题专家(在本例中是银行的法律和法规遵循团队)需要培训算法，通过首先手动标记每个文档来识别这些模式。
一旦系统被测试和部署，银行的员工就可以在仪表板上根据上下文搜索信息。NLP算法可以根据之前标记的数据集(通常称为元数据)识别搜索查询是否相关。
然后，搜索应用程序可能会为银行的用户输出更详细的搜索结果。
银行业务中的文本挖掘——客户数据
人工智能供应商提供基于NLP的软件，可以帮助分析来自调查、反馈表单和社交媒体的客户反馈，以识别客户情绪。
例如，如果一家银行有数百万条客户对其开放式文本反馈表单的回复，NLP可能有助于缩短审查这些信息所需的时间，并发掘出客户真正想要的新见解。
银行需要将现有的客户信息上传到NLP软件中，以便首先对这些数据进行分类。在情感分析方面，该软件的算法被设计用来分析句子、短语和每个客户信息的其他重要部分，并自动将这些类别标记为积极、消极或中性的情感。
有了这些信息，软件就可以为几个不同的目标输出洞见。
例如，可以设计软件来识别客户的主要问题和投诉，或者客户在谈论什么产品以及如何谈论。
例如，使用NLP软件来阅读社交媒体上的客户反馈，银行可能会发现来自某个特定地理区域的客户帖子异常高。NLP软件可能有助于识别最重要的客户问题是密码和登录问题。然后，银行可以通知该地区的IT团队采取行动解决问题。
供应商聚光灯-专家系统
专家系统为银行和其他金融行业提供基于人工智能的Cogito软件，并以多种能力推销它。其中一个功能是企业搜索，该公司将其称为企业搜索我思发现。
该产品也较少关注外部搜索投资研究。Cogito Discover据称可以帮助法规遵循人员搜索相关的客户信息或合同，他们可以使用这些信息或合同来证明各个业务领域的法规遵循。
Expert System指定Cogito Discover能够在各种来源的文本数据中运行，包括企业文档、电子邮件通信和web页面。
此外，该公司还强调了Cogito据称可以对文本数据和文档进行分类，并丰富文本数据及其元数据的能力。例如，用户可以将一个新文档上传到系统中，Cogito Discover似乎能够组织该文档，从而可以使用Cogito Discover搜索功能进行搜索。目前还不清楚该产品是如何做到这一点的，但它并不超出基于机器学习的软件的能力范围。
文本挖掘应用程序的采用注意事项
维萨数据产品高级总监Nishant Chandra博士认为，处理这样一个人工智能项目的最佳方法是，首先看看NLP存在哪些学术用例，以及哪些可以用于银行应用程序。他说:
我们想要做的是将学术用例应用到工业AI的生产中，并使其变得非常有用。例如，在自然语言处理文档摘要时，用户可以找到关键字并对其进行摘要。对此的分层方法是获取该文档并创建上下文。这可以应用于银行文档，以便从文档中搜索和检索上下文信息。
银行家需要明白，NLP系统需要大量的维护和服务，才能做到准确无误。
在企业应用程序中，此类软件可能需要理解银行术语。在面向客户的应用程序中，可能需要对软件进行调整，以识别模糊的客户信息中的情绪。
为了克服这些障碍，培训软件需要数据反馈循环和不断迭代的算法主题专家。
银行可能会发现，即使部署了解决方案，对软件的修改也是不可避免的。例如，客户的偏好可能会改变，或者客户可能会在社交媒体上使用一个新的缩写或符号，这需要为软件提供上下文以“理解”它。
银行可能还会收购一个新的通信渠道，比如聊天机器人，或者重组它们的组织和内部数据流。所有这些都需要对NLP算法进行进一步的升级和调整。
NLP解决方案在银行业相当成熟。在我们的报告中，NLP产品在供应商产品提供功能中所占比例最大。基于人工智能的信息搜索和发现、文本挖掘和自然语言生成(NLG)是该技术的应用，现在由于人工智能和机器学习技术而成为可能。
标题图片来源:Amvik解决方案
