的金融部门是人工智能的早期采用者。在交易中使用算法，以及多数大型金融公司已经拥有软件开发团队的事实，可能有助于该行业向数据科学和人工智能应用的转变。
金融领域其他人工智能用例的出现，如聊天机器人和对话界面，似乎也提高了人们的兴趣自然语言处理（NLP）。NLP可以让一个公司，以争取见解通过总结文件或在网络上衡量品牌相关的情绪。
此外，采用NLP以及其他类型的人工智能应用程序可能对企业在市场上继续竞争的能力很重要。一些专家认为，在面临竞争时，利用最新的ML和AI技术来改变他们的业务是一种可怕的情况。我们采访了谢尔盖Gribov在火石资本，如何针对我们的播客这种破坏生存，这些潜在危险的合作伙伴，人工智能在银行业。当被问及是否认为每一家企业都需要加入采用每一种人工智能工具的“军备竞赛”时，格里波夫说，
“没有什么能阻止(一些)银行赶上(其它银行)。我不知道如果没有人工智能的广泛应用，你能做什么来坚持很多年。品牌很重要，但是为了建立你的品牌，你需要使用所有这些技术，而我们的人已经在使用这些技术了。”
我们还采访了彼得Hoopes他阐述了NLP可能会给金融领域的客户服务带来的一些价值。我们将在解释未来的一些概念时提及我们与他的谈话。
在本文中，我们将首先概述金融中的自然语言处理，然后讨论NLP在保险公司、银行和其他金融机构中的两个突出应用。这些应用程序的功能如下:
- 搜寻客户支援查询
- 分析Trader-Client交互
我们还深入研究的共同挑战之一，企业在面对金融与NLP和机器学习项目：“黑盒子“机器学习。金融领域的商业领袖会发现，许多商业上可用的人工智能和ML产品基本上都是黑盒，在黑盒中，实际上不可能检查或理解算法是如何完成它所完成的工作的。我们还讨论了金融企业如何适应黑盒挑战。
欲知更多有关目前在更具体的金融服务银行部门使用的人工智能应用程序的信息，我们的读者可以下载行政摘要为我们的人工智能在银行供应商记分卡和能力地图报告。
搜寻客户支援查询
在金融领域的企业在历史上，由于规定收取大量关于客户，金融交易和市场，在很多情况下的数据。这包括来电，电子邮件，短信或社交媒体的聊天记录客户交互的记录。
大型金融机构有数百万张来自全球各地客户的客户服务票。每一张票都可能与公司内部的一个或多个部门相关。此外，这些客户服务请求通过各种沟通渠道进入;例如，客户可以在网站上打电话或填写客户服务表格。
金融机构以客户支持票的自由文本形式收集数据，并收集客户描述其问题的电话记录。传入请求的庞大规模使得手动读取每个票据并采取行动变得非常困难。
NLP和机器学习软件能帮助自动使计算机分析这些客户的服务信息并分类，然后理想情况下，预测未来最好的行动。
例如，假设摩根大通收到来自世界各地客户的大量客户服务请求。从理论上讲，NLP软件可以帮助银行筛选所有客户信息，并自动识别出客户最关心的问题。
例如，该软件可能会发现，在过去一个月里，客户经常将某个产品与另一个品牌进行比较。然后，该软件就可以把票发送给产品或营销团队。
另一个例子是由铁山，他们称之为铁山洞察。该公司声称他们的平台允许他们客户的用户群组织，并通过一个搜索界面运行它之后访问他们的企业数据。这可以适用于客户的支持数据的数据存储，以帮助代理商认识什么问题客户所面临的图案。下面的视频包括自己的本次发行的解释：
提取关于客户满意度的真实见解的挑战性方面可能在于开发NLP算法，以便在阅读客户消息时理解上下文。
举例来说，如果金融机构希望了解客户如何通过阅读客户的反馈感到自己的财富管理团队，NLP算法可能需要进行调整“理解”一定的财务条款和一般贸易术语。
这可能比看起来要困难得多，特别是因为客户可能会以几种不同的方式请求相同的请求。可以训练NLP算法来自动识别和分类这些客户查询。如果大量的信息以“我的配偶”之类的短语开头，比如“我的伴侣”或“我的丈夫/妻子”，那么NLP算法就可以被训练来标记这些查询，并向处理联合账户的团队发送警报。
同样重要的是要注意，大多数AI软件功能的精度测量到合理“的置信水平;”该软件可能不能够准确地执行任务的100％的时间的。
针对特定任务调整NLP应用程序
对于应用于对大量文档进行分类的NLP软件，可能需要调整算法，以考虑软件可能无法做出决策的边缘情况。
例如，如果一家大型金融公司使用NLP软件自动标注并提取自己的门户网站，从开放式的形式顶部客户投诉，该软件可能会通过使用标记的句子的数据集训练。
该软件可能识别出与“粗鲁”一词类似的词语通常与某一特定分支机构的客户服务团队的投诉有关，从而允许金融公司采取行动，为该分支机构引入更好的培训计划。
另一个选择可能是使用人类专家来训练软件更快地识别更复杂的关联。然后，该软件可以通过分析每个客户信息的相关部分，预测每个标签的概率得分，从而开始自动标记新的客户信息。
考虑的情况客户投诉的信息说,网上交易平台没有一个良好的界面,但客户服务代表非常有助于解决这一问题,软件可能会确定句子中的积极和消极情绪,但是人类主题专家可能会更好地识别哪些内部部门标签需要被添加到每个句子。
在某些情况下，软件预测每个消息的正确思想的可能性很低。让人力财务主题专家对这些“低可信度案例”进行分类，可能会让软件“学会”更准确地识别和分类。
分析Trader-Client交互
NLP实质上也允许大型金融企业自动读取和分类包含自由格式的文本文档。胡普斯提到这需要确定客户投诉可能涉及监管不合规的情况下，大型金融公司的例子。
金融咨询服务，受到严格的监管和最近的变化似乎具有对金融机构的责任，以监测他们的顾问表现的方向扶着。
如果一个大的财务顾问接到客户投诉，如充电用没有明确初始计量收费，企业可能违反了某些规定，吸引罚款或坏的监管评级从监管机构。
NLP软件可以处理数百万个客户服务请求，以识别和分类那些需要立即采取行动以避免监管问题的请求。可以对软件进行培训，使其能够“读取”一条消息，并从文本中自动填充一个表或模式，以列出需要遵从性团队采取行动的客户请求。
胡普斯给出了一个金融服务公司，试图了解交易员和客户端之间的相互作用的例子。这些公司需要确定自己的大致交易商说，他们的客户什么，有什么意见正在给每一个客户。
下面这段5分钟的短片展示了人工智能初创公司Alteryx的预测分析平台是如何工作的。它解释了软件如何预测新的潜在客户，并展示了一个示例工作流，进一步解释了它的功能。
最近发生了一起监管推动从努力确保交易不会给客户给予不好的建议监督机构。NLP可以帮助理解在大规模并深入了解这些客户的互动，如衡量财务顾问的性能。
NLP和机器学习可以用来阅读交易-客户交互的记录，并识别哪些部分与给出的财务建议有关。例如，如果一名交易员说:“我建议你为这些交易下一个买入指令”，那么该软件就可以在金融建议上下文中对这句话进行标记。
NLP算法最有可能识别“购买”和“交易”这两个词，在句子的上下文中以短语“建议你”开头。然后，它可能会将其归类为财务建议。
类似地，该软件还可以帮助识别和提取对话中交易员向客户建议交易行为的部分。该公司可以通读交易员的这些建议信息，以发现任何可能给出错误建议的情况，这可能表明需要改进交易员培训流程。
此外，胡普斯解释说，捕捉来自通话或聊天记录交易商的客户端交互可能与识别欺诈帮助。例如，基于自然语言处理的软件可以帮助金融服务公司识别特定的一系列句子总是在谈话记录显示了对欺诈案件。
利用历史证据和公共数据集，金融公司可以生成一个与欺诈相关的常见单词、短语或主题列表。NLP算法在消息中搜索，以识别包含这些短语中的任何一个单词的句子。
该软件还可以自动交叉引用历史欺诈案例，并在导致欺诈案例的对话中发现以前未识别的模式。
一些供应商还提供软件，使金融机构能够更深入地挖掘他们的数据，并通过诊断工具识别未发现的欺诈模式。它们可能以仪表板的形式出现，允许非技术人员和财务主题专家编辑算法标签的方式。
员工也可以看到意味着同样的事情，并添加或更改某些短语或主题排名名单。该算法学会标签句子更好地与主题专家更多这样的投入。
什么商业领袖应该知道
财务领域的业务领导者可能还需要了解NLP的能力范围以及特定供应商可以提供什么。面向金融部门的供应商提供的NLP软件最常见的方法似乎是，通过提取软件认为有用的文档部分，让金融公司能够对文本进行摘要。
例如，摩根大通宣布他们在内部开发了一个称为COiN的契约抽象软件工具，该工具使用NLP自动提取最有用的契约部分。
大多数这样的软件还允许对文件自动分类的水平。该软件“学习”通过阅读整个文档，并从人类分类实例学习分类的文档。
胡普斯指出，甚至在NLP厂商可能会有级别可供金融公司什么样的能力。有些厂商提供可以执行上述提取和分类任务的软件。但是，该软件可能需要的数据科学家的专长每当算法可能需要进行调整，以适应新的数据。
在金融中的“黑盒子”机器学习
一些供应商提供的NLP软件已经针对特定的行业进行了调整，但是算法的内部工作可能有些不清楚。需要快速集成的金融公司可能会选择这样的供应商，尽管这样做的代价是不能完全理解软件是如何得出结论的。
如今，人工智能供应商常常提供“黑盒”式的NLP软件。“软件可能会接收数据作为输入，算法可能会被调整以计算所需的输出，但理解算法决策过程中的每一步都是非常具有挑战性的。”此外，修改软件以适应新的数据类别需要数据科学专业知识、时间和资源。
一些厂商，如Gamalon，提供NLP和他们声称可以提供的黑盒子的替代机器学习软件。Gamalon的方法涉及允许主题专家来调整通过其UI的算法，而无需编码经验。
在金融AI搜索应用总结思考
NLP可以帮助金融机构寻找大量的结构化，半结构化和非结构化文档和提取数据从他们。
金融行业的很多业务仍然是在纸上完成的。先进的光学字符识别和计算机视觉软件现在可以帮助金融公司数字化这些文件，允许NLP软件搜索它们。
这可能会为大型金融公司开辟一条新的途径，让它们能够从那些此前可能因为无法收集书面数据而未被利用的资源中收集见解。
在某些情况下，即使有了数字数据捕获系统，大型组织也无法手工处理来自各种渠道的大量客户服务票据。
基于nlp的搜索软件可能是允许银行、保险公司和其他金融机构访问它们的大量数字和物理记录的关键，使它们能够大规模地搜索客户支持票和交易-客户交互。
这篇文章是由Gamalon赞助的，并根据我们的《透明》杂志编写、编辑和出版Emerj赞助的内容指南。了解更多关于实现我们的AI-专注于执行我们的观众Emerj广告页面。
标题图片来源：柏林ESMT
