2017-【智能金融分会场】知识赋予金融智能思考力_12页-2mb

文档内容总结

核心内容概述

该文档围绕“知识赋予金融智能思考力”的主题，介绍了如何通过知识构建来提升金融领域的智能机器人能力。文档重点探讨了金融智能机器人的发展现状、构建知识系统的关键难点以及实现知识与用户意图关联的策略。

主要观点

1. 金融智能机器人的核心在于知识，而非语义

• 知识是理解用户意图的关键：机器需要通过知识而非单纯的语义理解来做出判断和回应。
• 知识机器人与向量机器人的区别：知识机器人能够基于已有知识进行推理，而向量机器人则仅依赖数据统计，无法进行深度思考。
• 无法思考的机器不具备真正的智力：机器如果没有知识支撑，就无法进行有效的决策和分析。

2. 构建金融机器人知识的难点

• 确定垂直领域知识范围：需要精准界定机器人服务的领域，如股票、投资等。
• 构建图谱化的知识结构：知识应以结构化的方式组织，便于机器理解和应用。
• 理解用户意图并与知识关联：机器需要准确识别用户的问题并将其映射到相应的知识体系中。
• 实现机器的自我优化与升级：机器人应具备持续学习和更新知识的能力，以适应不断变化的市场环境。

3. 知识赋予机器智能的必要性

• 忽略知识将导致重大失误：没有知识基础，机器无法进行有效的分析和判断。
• 知识是智能的基石：只有具备丰富的知识，机器才能像人类一样进行思考和推理。

关键信息

金融智能机器人的案例介绍

• 股小量：一个专注于炒股和投资的对话型机器人。
• 上线时间：2016年9月。
• 用户规模：拥有145万用户。
• 合作机构：12家金融机构采购其解决方案。
• 应用场景：微信、微博、APP、H5、论坛等。

知识机器人的回答方式

• 语言表达：将知识转化为自然、易懂的人类语言。
• 图形表达：通过图形化方式帮助用户更直观地理解信息。

发展误区与建议

• 误区一：盲目堆砌数据量，认为数据量越大越能建立统计关系。
• 误区二：相信初期可以快速积累知识，忽视知识体系的系统性构建。
• 误区三：认为开发人工智能是低成本、高产出的过程。
• 误区四：认为机器会自动学习和优化，无需人工干预。

建议

• 重视知识的质量与结构：构建高质量、结构化的知识体系是实现金融智能的核心。
• 请一个好老师：知识的积累和优化需要专业指导，优秀的导师能带来显著的成果。
• “天才老师” vs “蠢材老师”：导师的能力直接影响机器人的智能水平，选择合适的导师至关重要。

总结

文档强调了知识在金融智能机器人发展中的核心地位，并指出构建知识系统的关键难点。通过知识的积累与优化，金融机器人可以实现更精准的意图理解与更智能的决策支持。同时，文档提醒开发者避免常见的误区，重视知识的质量与结构，选择优秀的导师来引导机器人的成长。最终，金融智能机器人应以人类语言和图形的方式向用户传达信息，实现真正的智能思考。