網上有很多關于工行特約商戶pos機是什么意思,工行里的數字員工是怎么來的的知識，也有很多人為大家解答關于工行特約商戶pos機是什么意思的問題，今天pos機之家(www.tonybus.com)為大家整理了關于這方面的知識，讓我們一起來看下吧!
本文目錄一覽：
工行特約商戶pos機是什么意思
導語：
對于銀行業來說，數字員工可以通過自然語言對話、語音等低門檻的人機交互模式，降低企業中后臺軟件的操作復雜度，達到節省企業用工成本的目的。那么，數字員工應該如何構建呢？
《新程序員 005：開源深度指南&新金融背后的技術力量》特邀中國工行軟件研發中心來分享他們在數字化員工建設方面的實踐與總結，通過
對意圖識別、對話抽取、模型蒸餾、回流學習等技術的介紹，對用戶理解進行了深入探索。
作者 | 工行軟件開發中心 責編 | 張紅月
出品 | 《新程序員》編輯部
近年來，商業銀行在經營精細化管理上的要求日益增加，因而中后臺業務系統處理的功能也日趨復雜，業務人員參與到業務開展中的勞動成本日漸增高。為解決這些痛點問題，中國工商銀行開展了數字員工的探索，通過大數據平臺、機器學習等基礎技術底座，依據數據中臺的數據資產，實現通過對話交互方式快速獲取數據資產、調度業務服務的業務處理模式。
同時，為實現數字員工響應迅速、交互體驗良好的效果，工行軟件開發中心在技術上通過NLP多輪對話實現了理解用戶意圖，并通過良好的人機交互工程設計，達到了這一目標。
本文節選自《新程序員 005：開源深度指南&新金融背后的技術力量》，本期雜志將開源開發者最關注的核心開發者與技術棧，以及與企業最關心的開源行業化應用以及商業化前景、治理風險等問題進行深度解析。
與此同時，還將圍繞“新金融背后的科技力量”帶來最前沿的觀點、實踐案例與技術剖析！小伙伴可掃碼下方二維碼提前預定！
用戶理解探索：意圖識別、對話抽取、模型蒸餾、回流學習
數字人作為用自然語言與用戶交互的人工智能系統，基于用戶意圖識別、對話實體抽取、模型蒸餾、回流數據學習等核心技術組成的AI中樞，通過人機交互來完成與用戶的溝通。
智能對話交互的模型算法部分包括實時聯機和離線兩部分(見圖1)，實時聯機部分是對用戶請求實時響應，離線部分主要完成模型訓練、測試與知識庫整理。
圖1智能對話交互框架
智能對話交互體系的技術核心要點主要有以下四個方面：
用戶意圖識別
用戶意圖識別是指通過文本分類的方法將問題分到對應的意圖種類，準確識別用戶真實意圖，縮短交互時間，提升用戶體驗。在中后臺業務場景中，意圖識別一般分為2層，領域識別和每個領域下的用戶行為意圖識別。領域識別通常發生在多個業務方接入，但不同業務方之間未做節點物理隔離的場景，需要根據用戶請求判斷屬于哪個業務領域。每個領域下的用戶行為意圖識別是指業務領域下對服務進一步劃分，如信貸領域下的泛知識查詢、業務知識檢索、報表錄入與下載、閑聊等。從領域識別到領域下的用戶行為意圖識別，用戶意圖得以更精確地識別，數字人得以更好地理解用戶，更智能地提供相關服務。
在模型選擇方面，綜合考慮數據特點、業務場景等因素，最終選擇BERT模型作為意圖識別模型結構（見圖2）。BERT模型是一種自編碼語言模型，采用transformer encoder部分，通過Masked語言模型和next sentence預測兩個任務預訓練，快速遷移到下游任務中。實踐中結合特定場景的數據對該模型進行微調，即可達到良好的效果。
圖2 BERT模型
在模型訓練方面，主要有樣本準備、文本預處理等步驟。樣本準備包括：收集業務數據，為每條數據打上業務標簽；采用文本相似度、關鍵詞抽取等方式擴充數據集；主動學習方法，閉環標注。準備好樣本后，需要對文本進行預處理，包括樣本清洗、分詞、去除停用詞、預訓練語義詞向量初始化等。
對話實體抽取
在銀行中后臺業務場景中，用戶對話通常有報表下載等任務需求，且這些任務需求對話通常有若干語義槽的槽位需要填充，當有槽位未填充時，需要回復話術引導用戶回答，填滿所有槽位。每一個槽位對應一種實體，對槽位填充的過程即對話實體抽取過程。
在模型選擇方面，綜合考慮數據量級、工程建設等因素，最終選擇BERT+CRF模型作為實體抽取模型結構（見圖3）。Bert模型通過海量數據的預訓練，學習到普適性的知識，再通過上層添加CRF約束，對token級別的識別具有良好的效果。
圖3 BERT+CRF模型
在模型訓練方面，與用戶意圖識別類似，包括樣本準備、文本預處理過程等步驟，此處不再贅述。
模型蒸餾
為提升模型運行效率，同時考慮到生產環境對模型容量等的限制，在業務場景中通常需要對模型進行蒸餾。
模型蒸餾采用Teacher-Student遷移學習方法（見圖4），將Teacher模型的性能遷移到Student模型上，因Teacher模型網絡更為復雜，具有良好的泛化能力，可以用它學習到的soft knowledge來指導Student模型的學習，使得參數量更少、更簡單的Student模型也能夠具備與Teacher模型相近的學習能力。
實踐中，將上述意圖識別和實體抽取的兩個Bert系列模型作為Teacher，Bilstm模型作為student，通過Teacher-Student知識傳遞，最終將模型在效果未打折扣的情況下進行規模壓縮，實現順利部署上線。
圖4 遷移學習
回流數據學習
數字人收集用戶反饋信息(投訴、回答錯誤反饋等)、新問題、新語料等數據，重新開始數據預處理、特征工程、模型訓練等過程，即自我學習，其中模型訓練依然使用前文提及的BERT、CRF等算法獲得新NLU模型，定時對原模型進行更新，并重新部署。在部署過程中如遇效果不如原模型的情況，則會啟動回滾模式，回滾到上一版本NLU模型（見圖5）。
圖5 數據回流
回流知識信息還包括埋點信息、業務術語、屬性關聯等，這些知識信息通過各種途徑進入數據湖沉淀、加工、組合，并形成索引后存儲在Elasticsearch
等知識庫中。數字人對接知識庫，通過意圖識別等模型進行分詞檢索和匹配來獲取知識概要或索引，并對接數據湖底座，借助索引獲取數據資產等業務要素，豐富與精細化庫內模板，并不斷進行離線模型訓練和迭代。
數字人在面對法務、運維等新場景時，模型與QA數據庫也能自我驅動與更新，及時響應新領域的問答與對話，快速適配新場景，同時也在用戶的不斷使用中進行升級。
數字人交互實踐：通過“微前端+微服務”模式嵌入業務
數字人交互工程通過落地意圖配置、數據可視化、服務熱插拔等能力來達到整合業務服務、降低用戶使用門檻的目的，并通過“微前端+微服務”的模式以組件化低侵入的方式嵌入到業務系統。
意圖配置
數字人提供頁面支持用戶配置意圖，意圖配置包括用戶問題、槽位、詞典、服務實現、自動回復等模塊。用戶在配置帶槽位的問題時，需要為各個槽位設置對應的詞典和追問問題，并通過設置服務信息來完成意圖與服務的映射。當發生對話時，數字人工程通過意圖識別模型判斷用戶意圖，通過實體抽取模型提取任務關鍵詞補齊槽位信息，根據配置好的意圖和服務映射完成服務的調用，并將處理結果以可視化的形式呈現給用戶。
數據可視化
數字人的前端工程封裝了表單、卡片容器組件；同時，引入ECharts組件，配合ECharts定制和數據轉化適配工具，支持將查詢返回的數據結果以圖表、折線、波浪、扇形等直觀的形式展示。數字人支持自定義配置數據服務與展示組件的綁定關系，為用戶提供靈活多樣的數據可視化能力（見圖6）。
圖6 數據可視化
服務熱插拔
數字人底座能力基于Java服務動態擴展機制（Dubbo SPI）編寫，SPI(Service Provider Interface)本質是將接口實現類的全限定名配置在文件中，并由服務加載器讀取配置文件來加載實現類，這樣可以在運行時動態為接口替換實現類。
在Java中，SPI是被用來給服務提供商做插件使用、基于策略模式來實現動態加載的機制。我們在程序中只定義一個接口，具體的實現交給不同的服務提供者；程序在啟動的時候，通過讀取配置文件來確定要調用哪一個服務提供者。同時，Dubbo重新實現了一套功能更強的SPI機制, 支持AOP（Aspect Orient Programming）與依賴注入，并且利用緩存提高加載實現類的性能，支持實現類的靈活獲取。基于SPI的能力，接入方可自行替換基礎能力，并整合存量功能組件形成新業務能力。
（1）基礎能力熱插拔替換。以意圖識別組件為例，意圖識別組件本身為基礎組件之一，接入方可根據框架規定的邊界開發全新的意圖識別組件進行基礎能力替換；同時意圖識別組件內部可分為意圖獲取、多意圖處理、意圖擴展等二級組件，接入方亦可只針對二級組件進行功能替換。
（2）功能服務整合。接入方可基于數字人整合存量業務服務，深度定制開發細分專業方向上的數字人，比如財報分析、產品體驗、安全顧問、審批監督等數字人。
微前端+微服務
為了多渠道觸達用戶，兼容各業務系統和平臺，數字人交互工程采用“微前端+微服務”模式進行開發，并對人機對話的基礎功能進行解耦和瘦身，支持云原生部署。
微前端借鑒了微服務的架構理念，將一個龐大的前端應用拆分為多個獨立靈活的小型應用，每個應用都可以獨立開發、獨立運行、獨立部署，再將這些小型應用聯合為一個完整的應用。數字人基于iframe隔離的微前端方案，通過窗口變量與主系統完成數據交互來保證子應用的正確加載、執行和更新。通過微前端技術，數字人既可以與業務應用融合為一，又可以減少應用之間的耦合。
數字人微前端工程主要開展兩方面工作：一方面，工程內底層處理邏輯封裝為npm依賴（例如iframe集成與微前端子工程加載等功能），并實現插件依賴自動注冊，降低工程代碼復雜度；另一方面，router、store等公共文件與功能代碼分離，實現功能代碼之間完全解耦，將公共文件中涉及功能代碼的部分抽取后放置在各功能文件夾內部，收斂開發區域，方便移植和增刪功能代碼。
數字人的后端工程基于微服務架構搭建，主要包括會話管理、意圖識別、智能問答與智能檢索、能力分發、任務管理、輔助能力（郵件發送、短信發送、持久化存儲等）等多個功能組件。通過對功能組件進行畫像，確定邊界、輸入輸出，統一交互總線。在工程框架層面，在接入層核心組件設計時進行設計模式抽象，再針對各基礎能力組件進行第二層的松耦合設計，將技術代碼和業務能力代碼分層。接入方只需針對業務需求編寫微服務，通過意圖配置掛接服務，即可擴展數字人的業務處理能力。同時，數字人自身也可以通過微服務的方式接入業務系統，實現無侵入式引入。
“混合型”人機團隊的新型工作方式已成為一種趨勢
目前，數字人帶來的業務模式變革已初見效果：在報表下載匯總，審批文件歸檔，合同方章鑒別等重復性、機械性高的業務處理環節，數字人可為整體流程縮短約20%，降低20-50%的人力成本。在掌握了機器學習、微前端、微服務等開發技能后，不同產品線的開發者也可根據使用場景快速搭建具備相應專業技能的數字人，為企業降本提效。
在銀行中后臺業務領域，根據人機各自優勢積極構建包括數字員工在內的高效人機團隊已逐漸成為趨勢，將進一步推動業務工作質效快速提升。隨著人工智能技術的不斷成熟，數字人的服務范圍將進一步拓展，在對客服務、流程自動、運營提效、內部管理、風險管控等方面發揮更大的作用。同時，數字人將越來越專業、越來越智能，以更人性化的方式與自然人交互，降低新老業務的使用門檻，促進更高效的人機協同作業，應對企業未來發展過程中面臨的機遇和挑戰。
— 活動推薦 —
都將獲得CSDN贈送的定制馬克杯一個！
以上就是關于工行特約商戶pos機是什么意思,工行里的數字員工是怎么來的的知識，后面我們會繼續為大家整理關于工行特約商戶pos機是什么意思的知識，希望能夠幫助到大家！
