金融机构在数据可访问性方面面临挑战。他们希望利用他们的大量数据，以便他们的员工(如客户服务代理)能够快速找到他们需要的信息。
没有可靠的方法来搜索信息，例如大型卖场，高价值的员工浪费时间研究这可能是不完整的信息。这就是说，智能搜索技术可以帮助金融机构改造自己的传统数据库到访问的资源为员工。
在本文中，我们将讨论核心业务流程是如何进行的银行和金融可以通过智能搜索应用程序进行转换。此外，本文还探讨了AI可以为搜索提供的特定功能。它解释了人工智能可能无法做到的，而传统的搜索应用程序无法做到的，以及银行或金融机构可以在何处应用这些功能。
本文基于Daniel Faggella为辛尼卡通知2019年客户活动。Sinequa是一家在巴黎成立的人工智能搜索供应商，总部位于纽约，他要求Daniel在企业搜索中展示人工智能的景观，并在巴黎和纽约展示。这个滑台关于这份说明载列如下:
- 企业搜索-过去和现在:传统企业搜索应用程序与当今智能搜索应用程序的区别(和相似点)。
- 用例:在银行和金融业目前使用的智能搜索解决方案。
我们的企业搜索技术的讨论与传统的企业级搜索的解释开始，它是如何演变成智能搜索。
企业搜索 - 过去和现在
传统搜索–然后
旧的搜索应用程序通常会搜索结构化文档，例如贷款申请表.他们强调可预测的格式，并将关键字直接匹配到企业文档中。而且，在那个时候，只有原生的数字文本是可搜索的，而不是扫描的打印和手写。在扫描文档和其他非结构化数据类型变得可搜索之前，还需要几年的时间。
在机器学习之前，“智能”搜索应用程序无法处理像当前系统那样多的元数据。这使得搜索复杂的主题变得困难。此外，还手动将元数据应用于文档。这是一个耗时的过程，一个公司希望能够在未来搜索的文件需要这个过程。在许多情况下，情况仍然如此。
智能搜索-现在
当前的搜索应用程序现在可以处理各种文件类型中的各种结构化和非结构化内容，并强调分类以便进一步访问。这些应用程序还可以使用元数据丰富文档，允许概念搜索和自动文档组织。
过去的困难今天依然存在
人工智能和机器学习是不是解决所有搜索相关的业务问题。尽管进行了大量的搜索应用程序如何在几年发展，公司仍然面临一些相同的困难，在过去。与采用智能搜索应用的困难包括集成，定义元数据，并确定需要什么数据来搜索一个银行或金融机构要搜索的文件。
人工智能初创公司和其他刚进入智能搜索领域的供应商往往低估了他们的客户可能面临的采用困难。克服这些挑战可能是一项艰巨的工作，我们发现许多刚开始智能搜索的公司并不考虑这样做所需的承诺。
这些公司经常推销他们的AI应用，容易在企业内部部署。然而，很可能，他们这样做是因为他们还没有完成带来的AI应用到企业的全面的过程。他们可能没有运行与数据基础设施（一ML问题的常见问题几乎所有的企业数据的科学领导者的斗争与)或定义它们的用例(说起来容易做起来难，需要大量的业务上下文主题专家)。
什么AI和ML带给企业搜索
人工智能和机器学习对企业搜索的潜在影响可以理解为两个重要的能力:
- 使更多的信息可访问-使用诸如光学字符识别、机器视觉、扫描文档和分析更多数据类型等技术，使数据具有数字可访问性。AI应用程序也可以通过自动向企业数据的积压添加元数据来实现这一点。
- 使公司能够提出更深层次的问题能够搜索更广泛的概念，而不是严格的关键字。这有助于找到关于一般主题的见解，而不是简单地包括一些术语的每个文档。员工可以搜索与单个关键字直接相关的文档和信息。
通过观察过去搜索应用程序与现在搜索应用程序之间的差异，我们可以看出，人工智能可以帮助银行拓宽获取数据的渠道。与此同时，这项技术可能会改变员工搜索数据的方式，从而进一步利用这种访问方式。
用例概述
浓缩和分类
对银行和金融机构进行智能搜索的一个用例是数据充实和分类。文档需要使用元数据或描述文档内数据的数据进行标记。元数据允许员工使用带有关键字和过滤器的搜索查询来搜索文档。
传统上，这些文档需要用元数据手动标记，通常是在上传或在理想情况下创建它们时。但这种情况并不总是发生，因此，银行的数字生态系统可能会变得非常混乱。员工忘记给文档加上标签或标签不正确，使他们在需要时很难找到。
人工智能可能会改善这一过程，但世行领导人仍需要决定他们希望在文件上标记哪种元数据。例如，客户服务部门的领导可能希望将呼叫中心日志标记为关于客户面临的问题类型和呼叫者的情绪状态的元数据。
一旦他们确定的元数据的类别，在部门主题专家可以开始与这个元数据标记文档，一旦完成，就可以养活这些标记的文件到机器学习算法，将权力的智能搜索引擎。那么银行将留下可以自动化，提高了搜索和发现过程的两个部分搜索应用：
- 富集 -当员工上传或创建文档时，智能搜索应用程序可以用元数据自动标记文档，立即为搜索做好准备。应用程序还可以运行旧的文档，并自动向它们添加元数据。
- 分类-机器学习算法还可以将元数据聚类成更广泛的类别。因此，上传和创建的文档可以自动组织到文件夹中，并允许使用关键字进行更轻松的搜索。
例如：数据保密
银行和金融机构可以使用智能搜索应用程序来限制访问基于不同层次的保密的企业数据。
他们可以使用这些组作为文档的阈值，这样阈值越高，他们拥有的访问权限就越多。最高层将是最机密的，除非有明确的定义，否则几乎没有人可以访问。
中间水平可能让人们某些类别的访问基础上，他们需要做好自己的工作什么的某些文件。例如，对于金融服务的客户经理可能没有访问到银行的利润和损失的信息。底部水平将使得大多数或所有员工访问公开访问的数据，如客户服务人员。
一旦确定了阈值，该公司的主题专家和数据科学家就可以开始根据其保密级别在数据库中标记各种文档。然后，公司可以使用标记的数据来训练算法，以遍历数据库的其余部分，并在特定阈值下找到标记的所有文档之间的共性。然后，该算法可以确定哪些其他文档符合这些模式或涉及类似的主题。
统一的客户观
智能搜索的另一个用例是获得供应商市场作为客户的统一视图。客户数据通常分散在不同的数据竖井中，以结构化和非结构化格式(例如交易历史记录或抵押贷款应用程序)显示。
这使得公司员工，尤其是那些每天与客户打交道的员工，在与客户打交道时，很难知道公司是否掌握了客户的所有信息。例如，一个理财经理可能很难找到他们需要的有关客户的所有信息，以便为他们的投资组合做出最佳决策。
当我们研究银行业智能搜索应用程序的供应商前景时，我们发现该领域75%的产品都包含客户信息检索功能。统一的观点似乎是银行和金融机构在客户服务和财富管理用例方面的共鸣点。
例如:呼叫中心
A unified view of a customer may allow a call center agent to not only pull up a customer’s contact record in a CRM, but also their past emails with the company, call logs on their past phone calls with the company, and, in some cases, sentiment analysis information on these conversations.
因此，呼叫中心的工作人员会对如何处理客户有更好的想法;他们可能会了解到，一位愤怒的客户经常打电话来询问透支费的问题，并决定退还客户这笔费用，而不是让他们不停地打电话到支持热线，占用代理的时间。
在未来，这个用例可能会发展成呼叫中心或实时聊天员工的自动化培训。员工们会得到如何最好地处理客户的建议，甚至是如何销售他们的产品。人工智能软件可能不会自行决定是否向愤怒的客户退款，而是向员工推荐这种做法。
概念和高级实体搜索
第三用例为智能搜索是搜索更宽的概念和短语，而不是单个的单词或实体的能力。员工可以查找文件更上下文自然语言短语，而不是仅仅搜索特定的关键字。
例如，员工可以在搜索应用程序中搜索“愤怒的客户在6月到8月之间出现帐户登录问题”，软件可以为符合条件的客户提供一个通话记录列表。这种功能对于查找与可能出现在散布在整个数据库中的各种文档中的概念相关的更多信息非常有用，特别是当以相切的方式讨论这些概念时。
示例:搜索与LIBOR相关的文档
在银行业中，2021日落LIBOR可能有合规部门争先恐后地搜索引用它，这样他们可能会更新或管理的事务后，LIBOR国家合同。在许多情况下，它可能仍然是很简单的找到所有LIBOR相关的文件，并通过严格的关键字搜索更新。
然而，数据库中可能有许多文档包含与LIBOR相关的讨论，但这些文档并没有特别提到通常可能与LIBOR相关的任何关键字。使用传统关键词搜索软件的员工可能会漏掉这些文件，
智能企业搜索软件，可以帮助员工找到这些文件。主题专家可以先找到那些看起来只建议LIBOR相关的讨论，并标注这些文档的文档。
然后，数据科学家可以通过搜索软件背后的机器学习算法来运行这些标记过的数据，这将训练软件识别文档中与libor相关的讨论的模式。因此，员工可以在搜索应用程序中键入“LIBOR”，该软件将返回与LIBOR相关的文件，合规官员希望掌握这些文件。
这样一来，员工就不必猜测其结果的实际引用LIBOR他没有直接提到它，通过文件手动阅读以了解LIBOR相关的讨论。相反，他们会寻找LIBOR作为一个概念，算法将搜索与该概念实体/短语的企业数据库。
这篇文章是由Sinequa赞助，写，编辑出版对准我们的透明Emerj赞助的内容指南.了解更多关于到达我们的ai集中执行观众的信息Emerj广告页面.
标题图片来源：Kim Komando
