从大型银行到金融科技初创公司,金融服务行业正在利用人工智能(AI)来吸引和帮助Z世代客户。Z世代是指在1997年至2012年之间出生的人群,没错,即使是青少年,他们也在拥抱金融科技。
对于金融行业来说,AI驱动的金融应用在改善客户服务、优化成本、为客户提供有价值的新产品方面,正在发挥着重要的作用。AI是Z世代与金融机构沟通的一个主要方式,其范围涵盖了从聊天机器人到欺诈检测、再到任务自动化的方方面面。
Infosys北美金融服务负责人Dennis Gada向ZDNet表示:“Z世代完全是数字原生的一代。对他们来说,银行或金融服务是他们生活方式的一种延伸……银行的数字化程度越高,信任度就越高。”
利用AI更好地服务Z世代客户
Z世代是使用Alexa和Siri长大的一代。对话式AI是他们的第二天性,因此金融机构正在利用这种技术为客户提供24/7全天候服务。然而,对话式AI并不局限于基本的聊天机器人,也可以是识别语音模式、识别和推荐工具、以及访问后端系统以获得答案。
Capital One在2017年推出首款基于AI的个人理财工具,被多家美国银行所采用。这是一种基于自然语言的、基于SMS文本的助手,提供欺诈监控、订阅服务价格上涨通知等超过12种功能。
今天,美国银行(Bank of America)开发了Erica,一种可以提供个性化理财指导的虚拟助理。客户可以检索账户余额或者交易详情等日常信息,也可以通过这个AI工具处理解决更复杂的请求。Erica可以回复客户答案或者将客户引导至适当的资源。
预测分析是Z世代对金融服务行业的另一个期望。Truebill等应用可以分析多个账户的数据,并在支出模式发生变化可能导致透支费用的情况下发出警报。Digit则利用AI技术评估客户的消费习惯、预测费用,并根据分析自动节省金额。Personal Capital提供了一个可以监控所有账户的仪表板,利用AI技术提供一套有用的免费预算和投资组合管理工具。
AI也引入了一种Z世代友好型的融资模式。有很多AI驱动的工具促使与订阅提供商重新谈判服务合同,而且所有这些都不涉及订阅用户,然后订阅用户可以选择和这些AI工具对节省下来的资金进行分成。
“这些都是真正受Z世代欢迎的增值服务,”Gada解释说。
根据Cornerstone的研究显示,只有1/3的消费者认为他们正在最大限度地节省开支。AI驱动的金融应用和金融工具正在吸引那些想要节省更多钱、做出更好理财决策的消费者——而不必等待很长时间和真人客服进行沟通。
AI改变Z世代的理财习惯
受乔治华盛顿大学商学院和TIAA研究所委托进行的一项调查发现,与老一代相比,Z世代的金融知识水平最低。只有43%的Z世代受访者正确回答了大多数问题,而平均值为55%。此项调查共涉及3035名受访者。
不过,Z世代在他们这个年纪的财务状况可能比其他任何一代人都复杂。Cornerstone的研究发现,Z世代中有1/5的人已经在使用自动储蓄工具了。
根据2022年1月27日至2月7日期间Investopedia对4000名成年人进行的在线调查显示:
“我们看到很多投资公司都在关注Z世代,他们通过机器人对抗技术为Z世代提供替代的方案。根据Z世代不同的生活方式要求,这些企业正在向他们推荐一种可以省钱的投资方法,以及如何实现自动化储蓄。”
Z世代还处于成年早期;长期投资回报可能还不是吸引他们学习金融知识的诱因。不过,许多金融科技公司鼓励这个群体通过考虑短期生活方式目标(例如为假期储蓄),然后借助工具和服务提供的AI和个性化推荐,为了实现目标而努力工作。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。