隨著人工智能的發展，一些銀行選擇將機器人應用于催收業務，搭建智能化催收團隊，以解決人工催收成本高、效果不穩定、合規性難以考量的問題。但隨之也出現了不少顧慮：機器人要多久才能“上崗”？AI夠智能嗎？能達到甚至超越人工坐席的催收效果嗎？容聯云為某大型銀行提供的外呼機器人整體解決方案，使這些問題有了極具說服力的答案。
該大型銀行多年來不斷探索銀行傳統經營活動的數智化轉型之路，并始終走在前列。面對行方的海量用戶名單和嚴苛運營指標，容聯云在2個月的時間里，通過建設期、提升期、試運營、運營期等不同階段的優化迭代，讓機器人更懂用戶需求，為銀行客戶提供了良好的工程化和交付落地體驗。
四步規劃覆蓋人工智能應用運營全周期
1、建設期
想要訓練出更智能、更懂用戶需求的語音機器人，第一步是做好準備工作。為了讓機器人采集足夠的客戶意向，同時達到接近于人工坐席溝通效果，需要先梳理業務流程：
整理出主要業務邏輯框架，標記關鍵流程節點
通過收集更多真實的交互記錄，不斷補充每個節點會出現的分支，填充分支流程，最終形成可覆蓋絕大多數用戶軌跡的完整業務流程圖
在該行催收流程的設計中，容聯云最終梳理出千余個場景路徑、上百個用戶標簽，要通過數千個電話才能遍歷所有節點。
之后則是準備數據集。語料是搭建智能客服場景的基礎材料，真實語料要通過圈定類型、收集、預處理、標注、質量評估等步驟，才能用于模型訓練。處理后的語料將分成用于做模型訓練的訓練集，和用于評測模型準確率的測試集，并在模型中進行閉環訓練，同時進行配置業務規則、配置對話流程、配置標簽等對話流程設計。
隨后進入冒煙測試階段，如遇到識別問題就標注后回流模型優化，遇到邏輯問題則修改對話流程配置，直到全流程跑通、冒煙測試完成。
2、提升期
此后，便進入了第二步——人工智能應用流程批量測試的提升期。容聯云對AI產品進行話術邏輯調優、NLP和ASR等各個方面的優化。
通過一次次的數據收集、評估、調優、驗證，不斷提升話術銜接自然度、話術播報流暢性、話術邏輯合理性、質檢標注的新意圖等指標；通過數據回流、模型訓練評測進行模型迭代，糾正訓練集，提升NLP意圖識別的能力；通過語言模型訓練、熱詞訓練、聲學模型訓練，提升識別準確率。
在項目的實際工作中，容聯云通過用例測試，校驗場景邏輯及基本語料覆蓋情況。每天記錄未通過用例測試的問題并當天處理；當天無法處理的就盡快處理后邀請業務復測，每天回復優化進度、同步復測結果，并在用例測試結束后郵件同步盲測計劃。
盲測即模擬真實業務發生場景，進行自主發散測試。容聯云的訓練師在首輪盲測時給出質檢報表和測試結果分析，并基于當前識別效果不佳的意圖提出測試建議，后續盲測中則會每天監控指標、同步質檢報表。
經過以上復雜而精細的流程，在提升期內，業務流程準確率提升近十個百分點。
3、試運營
在生產環境驗收測試通過后，AI產品將先進行小批量投產，試運營2-3周，觀察效果和使用穩定性。小批量投產期間，同步進行AI效果優化，效果趨于穩定后進行大批量的投產使用。
4、運營期
在進入批量正使用后，項目便進入運營期。運營期智能客服使用效果逐漸趨向穩定，運營工作重點是監測日常使用情況，關注指標穩定性，并結合線上真實數據穩健提升效果指標。
在流程交互效果趨于穩定時，日質檢量即可適當縮減。釋放出的多余人力便可圍繞業務目標，通過分析發現局部話術存在的問題，定期調優話術邏輯，促進業務正向增長。
AI能力+底層通訊技術 構建獨特競爭優勢
除了過硬的技術和專業化的交付運營團隊，語音機器人也有一定的通訊層門檻和能力要求，這正是容聯云深耕多年的優勢領域。
容聯云的CC能力領先，單服務器性能好，處理能力1200并發，通過模塊的疊加可以支持30000個以上的并發，整個集群可以隨著客戶需求彈性水平擴容；全年故障率低，具有較高穩定性；內置錄音，訓練師可以直接質檢、復檢，保障使用效率。
雖然2020年疫情黑天鵝席卷而來，但該行項目仍然順利投產上百個機器人進入試運營。容聯的訓練師團隊，每日對上千通通話進行標注、質檢形成數據集，并不斷優化迭代。智能外呼不僅能提供自然流暢的對話體驗，對未接通用戶、承諾還款用戶短信提醒，還能在首催后，通過豐富的數據制定差異化復催策略，提升催收效果，并為上游系統提供精細化運營的分析依據。據統計，容聯云外呼機器人能完成的工作量是人工坐席的2倍，但卻能降低90%的成本。統一標準的話術也降低了合規風險。
經過三年的沉淀和發展，目前容聯云在該銀行部署的機器人已達到數千個，并隨著客戶需求仍在擴容中。優異的使用效果也吸引越來越多的部門接入機器人，未來，容犀機器人在該行應用的業務場景將不斷拓展，從最初的催收向分期、發卡、信審、客服等眾多場景延伸。
