热烈欢迎金融业科研工作者积极主动文章投稿！
踊跃发言！
投稿邮箱：
newmedia@fc ** g.com.cn
——金融电子化
文中选自《金融电子化》2019年04月刊
创作者：交行软件开发中心（上海市） 薛巍
创刊词
文中阐述了智能派单系统的组成控制模块及实践结果。
智能派单实践活动环境
由于互联网金融的迅速发展，支撑点信贷业务的后面信息内容系统数量日益巨大，系统作用慢慢复杂，IT运维工作人员需要解决的各种工单也日益增加。工单的处理方法速度是银行客户经理能不能快速清晰地解决客户问题的关键因素，直接关系了顾客满意度。现在大部分银行业都建了一套工单解决系统，IT运维工作人员可以从该系统内对已经提交的工单展开分析、分派、赠股及受理等行为。尽管工单解决系统完成了工单处理数字化，但精准定位工单的问题根源，确定其所属业务流程系统并分派工单仍靠维护人员人力开展。这样的方法主要有以下缺点。
1.分派准确度低。一般工单是依据汇报工作人员所选择的处理系统开展全自动分派，但是由于现阶段金融机构IT化程度高，系统数量大，系统间错综复杂，汇报工作人员通常无 ** 确挑选工单相对应的处理系统，造成分派准确度比较低。工单一旦分派不正确，就需要开展再度赠股，巨大减少其处理高效率。现阶段据统计，初次分派正确工 ** 均处理时长约为6钟头，通过再度赠股的工 ** 均处理时长则大概有16钟头。
2.分派人工成本高。因为程序流程缺点、顾客实际操作等诸多问题，常常会出现许多相近的工单，对于此类工单经验丰富的工作人员能参考历史时间处理措施予以处理。这类取决于工作经验的方式需要花费很多专业的人，另外还必须对没经验工作的人员或是新手开展很多学习培训。此外一定程度的人员流动性又会导致历史的经验的遗失，反复重复的培训过程将导致比较高的人工成本开支。
工单智能派单简述
也可以把工单分派称之为依据工单的现有信息内容同时结合历史时间工单信息和解决标准，最终决定其所属系统的一种需求场景。这和根据海量信息开展现状分析及经验学习，获得数据信息相互关系和规律性人工智能技术性有很高的匹配度。人力智能技术性近些年在语音识别技术、图像识别技术、自然语言理解等各个行业飞速发展，应用领域日益普遍更加成熟。利用人力智能技术改进工单分派从而完成工单智能派单是行得通并有发展前途的应用。
智能派单系统介绍
为推进工单智能派单，我们应该搜集大量历史时间工单信息内容做为剖析目标，在其中非结构化数据的工单叙述是和工单最终解决系统关联最紧密的因素。利用自然语言理解相关应用获得工单叙述信息的特征与工单处理系统的相互关系是促进智能派单系统的关键所在，根据获得的相互关系，只需要将新工单的工单叙述键入智能派单系统，根据智能剖析将工单隶属系统回到处理人供您参考。伴随着智能介绍的准确度提升至一定程度，就可以全部由智能派单系统全自动开展工单分派，不用维护人员人力干预。
结合实际我们应该基本建设布署一套智能派单系统，由于在人力智能行业拥有丰富的开源工具包，如tensorflow、jieba、gensim等，大家采用Python作为编程语言。应用根据Py-thon的Django做为Web应用架构，为已有的工单解决系统给予联机服务以开展智能强烈推荐。此服务项目独立部署并可打开关掉，对该工单解决系统的架构设计基本没有介入性。应用架构如下图1所显示。
图1 智能派单系统运用架构图
智能派单系统主要是由以下几种控制模块组成。
1．数据预处理控制模块。数据预处理包含数据检索及数据预处理。工单管理方法系统中最原始的工单数据信息不能直接用于练习，智能派单系统会把工单的描写文字及其此笔工单正确所属系统提取出去存进数据库系统。因为工单谈话中并非所有文字段落和该工单的所属系统存有联络，因此对进库的信息还要做一次数据预处理来降低不相干信息内容对练习过程的危害。比如叙述文字中的标点符号，特殊字符都要在数据预处理中清除。
2.中文分词控制模块。汉语词义的最基本单位为词，但是为了将工单叙述文字开展向量化，我们应该将工单叙述文字分解成词。结合实际大家采用了jieba分词典去进行文字中文分词，该分词典选用正方向较大匹配原则，根据内嵌字典及可扩展性的内部自定字典完成中文分词。鉴于商业银行的工单有很高的专业能力，工单谈话中存有比较多的专业词语，结合实际大家有针对性地把这些专业词语做为外界自定字典填补到分词典中以提高中文分词的精确性。
3.模型训练控制模块。利用人力智能技术性对传统文化工单进行练习，可获得规律做为实体模型保留下来是智能派单系统的关键。这一过程实际上是一个文本挖掘的一个过程，关键又由下列三个步骤构成。
（1）文字地表示。为了能让电子计算机能理解预备处理及其中文分词后文字，我们应该将词句向量化表明。在在实践中大家使用word2vec实体模型将词表明为一个固定不动层面的较密空间向量，该空间向量的每一维还包含了词句特点。和传统离散型的one-hot编码方法对比，使用word2vec实体模型开展词向量化在练习速率上更具优势。
（2）svm算法。汉语句子的特点主要表现在词与语义的部分关联性，大家采用TextCNN的方式对词向量开展svm算法，该算法是利用神经网络对文章的词向量开展特征抽取的优化算法。假如溶解后词向量表明为一个D维空间向量，则一句长短为L的文章能够表明为一个L×D的引流矩阵。为了能从一维卷积和中获得不同类型的矩阵的特征值，大家应用可变性总宽且尺寸为N×D的全连接层对于该文字开展svm算法，那样每一个全连接层都是会导出L-N 1个矩阵的特征值。将每一组全连接层获取过的矩阵的特征值的最高值联级可以获得这种情况全连接层最后的矩阵的特征值，然后将每一组全连接层最后矩阵的特征值的最高值联级可以获得该文字最后的矩阵的特征值。
（3）分类算法。因为工单归类是一种相互独立得多类型归类，我们在选择把所有文字的矩阵的特征值键入根据代数式遍布模型的soft ** x分类器进行筛选判断，导出每一个文字相对应的类型并和已经有标签进行比较。通过验证归类过程和结果标明结论，从而持续意见反馈调节模型主要参数，通过很多迭代更新的练习后储存分类准确率最高实体模型以及权重值主要参数。
4.联机服务控制模块。练习所获得的实体模型以文档方式储存在服务器上，为防止每一次开展工单智能强烈推荐的时候都重新加载实体模型，智能派单系统启动了一个联机服务控制模块。该板块运行的时候会预加载实体模型并且为工单解决系统提供一个根据RESTAPI规范化的联网插口。此联网接口键入为待分派工单的描写文字，导出为智能派单系统所介绍的系统，维护人员在工单解决系统上可以依据智能派单系统返回结论对工单开展立即分派解决。
5.大批量同歩控制模块。智能派单系统每日从工单解决系统增量同步受理的工单数据信息，基本内容工单叙述及处理系统。利用最新工单数据信息，智能派单系统能够按时再次练习并升级目前实体模型。与此同时已办结工单最后的处置结果能够发送给智能派单系统，融合此前智能介绍的结论统计分析出现阶段模型具体准确度并剖析派单不正确可能性的缘故。
智能派单系统实践结果
大家布署智能派单系统后展开了试运转，期内系统依据输入工单叙述回到此笔工单应当分配解决系统供IT运维工作人员在派单前进行参照。根据搜集并统计分析试运转结论，我们不难发现智能派单的命中率早已远远高于人力派单，工单整体上的受理高效率也有了一定提高。智能派单系统利用工单受理后反映的结论数据信息能够及时更新实体模型及自我发展，持续优化模型的准确度，最后可以替代人力完成工单的智能分派。根据智能派单系统，我们能提升工单的派单准确度并有效提升工单解决高效率，最后提高顾客满意度，与此同时取代人力派单方式能够一定程度降低人工成本及重复培训成本。
利用人力智能技术进行工单智能派单不仅是对老模式的一个提升，也是一次基本实践探索。除智能派单外，我们还能利用人工智能算法寻找类似工单解决方案可以帮助维护人员解决工单，从而或能够实现系统的智能化运维管理。工单解决是人力智能在商业银行中应用的行业之一，伴随着分布式框架、大数据的发展，人力智能技术性所需的繁杂算率将不会则是瓶颈问题，它在商业银行中的应用都将愈来愈普遍。
有异议可拔打电话：
010-88232440-858 进行了解
《金融电子化》新媒体部：负责人 / 邝源 编写 / 潘婧
扫码咨询与免费使用
申请免费使用
