至顶网软件频道消息: 想象一下任何时候都有一位专家和你在一起,这位专家可以回答各种问题、提供建议并使你朝着正确的方向前进。对于Allstate的客户体验工作人员来说,这一梦想已成为现实。
Amelia就是这样的专家,它实际上是一个接受过保险专业语言训练的人工智能认知代理,训练项目覆盖50个州、50多个特种保险主题和法规。
Allstate员工可以通过与Amelia的对话,获得客户复杂保险问题的简明答案,而无需让客户等待以翻查各种文献和资料。也就是说,Amelia不仅可以令客户立即获得所需的答案,还可以令员工在减少培训时间的前提下更高效地开展工作。保险行业的法规和合规性是非常重要的,Amelia可以有助于确保每个客户的需求得到满足并且符合法规和合规性要求。
Amelia每个月可以处理超过250,000次对话,满足了超过75%的Allstate呼叫中心员工需求。该公司计划增加Amelia的工作量并扩大其范围,最终将与客户直接互动。Amelia与其他人工智能程序(如自动化和大数据)配合起来使用,帮助Allstate缩短了通话时间,提高了首次通话解决率。
客户期望在变,Allstate高级副总裁Carla Zuniga则一直致力于实现公司与客户互动的现代化。目标是充分利用与客户的日常互动,并将更多的互动转移至自动化渠道,比如聊天机器人。
Zuniga认为,人工智能将在未来五年里继续发展和变革,技术将变得更加强大。Amelia和其他人工智能服务将面向越来越多的客户,而人类员工则可以更专注于案例的管理和客户体验的人性化。
当然,无论技术如何发展,个性化服务仍然是保险公司的关键要素。客户在买了新保单、提出索赔或是联系保险代理时,很容易觉得自己只是一个保险单号码而已。为了解决这个问题,Allstate利用数据为每个客户创建了详细概况,强调各种趋势和最重要的数据点,进而加深互动的亲密性。
数字化转型仍将持续发展,人工智能也必将改变保险公司与客户的互动方式,对于保险行业来说,要保持领先地位,创新必不可少,人工智能应用或许是其中一种方式。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。