Artefact 主办的金融人工智能峰会Artefact 2024年9月17日——巴黎

来自BNP Paribas集团首席数据官Hugues Even、Giskard首席技术官Matteo Dora、Mistral AI欧洲、中东及非洲（EMEA）企业业务负责人Guillaume Bour、GoogleCloud、中东及非洲南部Cloud Cloud 负责人Anne-Laure Giret，Artefact合伙人兼生成式AI负责人Hanan Ouazan的圆桌讨论中的关键要点。

人工智能语言模型助力客户服务

本次讨论重点阐述了人工智能语言模型在客户服务领域发挥的变革性作用，着重探讨了其在各行业（尤其是银行业）的实际应用及面临的挑战。讨论强调了利用人工智能实现客户互动的自动化与优化，例如通过电子邮件和语音渠道，借助能够理解上下文、优先处理任务并提供回复建议的工具，从而提升工作效率和客户满意度。

人工智能辅助电子邮件和语音处理

Hugues 介绍了人工智能如何通过分类、排序和分发邮件来协助处理电子邮件，同时还会提供回复建议供审核。在语音交互方面，人工智能会生成通话后摘要、待办事项以及可供未来会议参考的洞察。这些工具通过分析交互内容和语气，帮助银行提升服务质量，从而超越了传统的客户反馈方式。

人工智能优化关键银行业务流程

此次对话还探讨了人工智能在贷款申请和客户开户等关键银行业务流程中的作用。人工智能借助语言模型和计算机视觉技术，协助核验文件并交叉核对信息，从而简化这些流程。与会者强调，生成式人工智能的作用正从简单的预设脚本聊天机器人，演变为能够处理各类咨询并提供更个性化服务的先进对话助手。

向基于大型语言模型（LLM）的对话式助手转型

此次讨论的一个关键结论是，行业正向基于大型语言模型（LLMs）的对话式助手转型，这类助手相比以往的聊天机器人能提供更具动态性的响应。然而，这些模型需要针对特定场景和行业进行微调，这要求采取诸如低秩适应等调整措施。讨论强调了保持对这些人工智能系统控制权的重要性，特别是在涉及敏感数据时，并突出了与Mistral等人工智能供应商开展合作以确保数据安全和性能的必要性。

在生产环境中扩展人工智能面临的挑战

在生产环境中大规模部署人工智能面临诸多挑战，例如数据治理、性能和安全性。在确保网络安全的同时，保持人工智能模型的效率和可解释性，对于大规模部署至关重要。讨论指出，需要持续更新模型以满足不断变化的客户和监管需求，并且对用户进行人工智能工具的教育是取得成功的关键。

优化模型规模以实现成本效益

为应对人工智能性能方面的挑战，纪尧姆·布尔（Guillaume Bour）指出，在保持准确性和成本效益的同时缩减模型规模，是实现规模化的关键。他还提到，将小型模型与协调的工作流相结合，可以优化性能，在不牺牲质量的前提下降低成本。可观测性和监控系统对于在实时生产环境中维护这些模型至关重要。

通过严格测试缓解人工智能的“幻觉”

最后，文章探讨了人工智能“幻觉”——即提供错误信息——这一问题。为了在与客户的互动中避免此类错误，必须进行严格的测试。像BNP和Discard这样的公司之间的合作，确保了人工智能系统在部署前经过全面测试，从而降低风险。部署后的监控同样至关重要，以便随着时间的推移发现并解决问题，因为客户需求、法规以及外部环境的变化都会影响人工智能的性能。