2023年10月26日 星期四

提高銀行電話行銷活動的效果(AI 手把手教學系列)

依據中華民國銀行公會制定之「銀行業電話行銷應遵循原則」第三條用詞定義的解釋,電話行銷指的是銀行業透過電話或其他類似之語音互動設備,為從事推廣金融商品或服務爭取交易機會之行為。作為銀行業最重要的第一線單位,電話行銷團隊透過主動與既有消費金融客戶的聯繫,試圖找出對相關金融商品或服務有興趣的客戶。然而,在政府越來越重視消費者意識的社會氛圍下,有關電話行銷的規範與限制將會越來越嚴格。這意味著銀行業有必要優化其電話行銷策略來提高電話行銷活動的效果,除了擬定更有效的行銷計畫與更吸引人的產品促銷方案之外,結合 AI 與機器學習技術找出成功率更高的客戶名單也將是個值得嘗試的做法。

2023年5月18日 星期四

AI 入門:27.實作 ML 與 DL 的挑戰(人工智慧 28 堂基礎課程)

課程即將進入尾聲,讓我們來談一談機器學習(ML)與深度學習(DL)實作過程中面臨的挑戰。回顧我們在第 9 堂課為您介紹的 ML 與 DL 工作流程,資料科學家必須遵循一系列反覆的步驟,從準備資料開始、然後開發、訓練、部署、評分和監測這個 ML 或 DL 模型。由於資料或所使用演算法的複雜性不同,一個模型從構思階段到實際上線可能需要數個月的時間,因此在專案初期您必須要對想要解決的問題有一個清晰的理解。此外,您還需要能夠確定這個專案預期的結果(或您想要得到的處方),也就是您期望這個模型能夠找出的見解 (Insights)。這項工作將迫使您更有效地決定如何準備您的資料,以及這個模型需要提供的最低預測精準度。只有在同時滿足業務需求與技術願景的前提下,您才能夠決定出一個最佳的作法。

.

AI 入門:28.IBM AI 階梯方法論(人工智慧 28 堂基礎課程)

正如我們在課程開頭為您作的說明,“資料”是推動企業數位轉型的新能源,要釋放資料的價值,必須透過人工智慧(AI)、機器學習(ML)和深度學習(DL)等方法來實現。然而,對於企業來說,要廣泛性地採用人工智慧仍然是一項艱巨的任務。想要將人工智慧的應用成功地融入在企業營運流程中,企業必須克服三大挑戰:資料的複雜性、人才的稀缺性以及對人工智慧系統的信任度。

.

AI 入門:25.移轉學習(人工智慧 28 堂基礎課程)

想像一下,當我們進入一個新的領域,必須學習如何熟悉其中的新事物,而在沒有過去經驗的指導下,這項任務可能會讓人感到困惑。例如,一個從未有過烹飪經驗的人可能會對在傳統市場採買食材這件事感到陌生,甚至得需要透過嘗試錯誤 (Trial-and-error) 的方式才能完成。好在,我們可以參考自己過去在其他相關領域的經驗(例如陪著家人在超市或大賣場購物的經驗),來指導我們在新領域中的行為。這種利用在某種情況下獲得的學習知識來協助另一種情況的能力被稱為"移轉 (Transfer)"。因此,無論是一位正在取得碩士學位的學生,還是一位希望持續擁有市場最新技術的專業人員,都能夠將在一種情況下學習到的經驗與知識移轉到新的領域中。這個能力的重要性再怎麼強調都不過分。

.

AI 入門:24.生成式對抗網路(GAN)(人工智慧 28 堂基礎課程)

生成式對抗網路 (Generative Adversarial Network, GAN) 是一種深度學習架構,由兩個相互對立的神經網路組成,因此得名“對抗 (Adversarial)”。GAN 目的在更好地分析、捕捉和複製資料集內的變異 (Variations)。它是由 Ian Goodfellow 和加拿大蒙特婁大學 (University of Montreal) 的研究人員在 2014 年提出的論文中提供的方法,這種方法用一種更聰明、更高效的方式來訓練生成式模型 (Generative model)。生成式模型主要是從統計學和機率的角度來解釋資料集被產生的過程。

.

AI 入門:23.自然語言處理 - 循環神經網路(RNN)(人工智慧 28 堂基礎課程)

自然語言處理 (Natural Language Processing, NLP) 是人工智慧(AI)的一個分支,主要探討如何讓電腦與人類進行自然的語言互動。NLP 的終極目標是讓電腦能夠閱讀、解釋、並理解人類的語言,儘管如此,NLP 應用的開發卻是一個極具挑戰性的工程。這是因為傳統上電腦需要人類使用精確、明確 (Unambiguous) 且高度結構化的程式設計語言來跟它“對話”。然而,人類的語言往往沒有這麼高度明確與結構化的特徵,語言結構可能會受到多種複雜變數的影響,例如俚語、地區方言和社會環境等,這讓 NLP 應用的開發更加困難。

.

AI 入門:26.衡量預測結果的品質(人工智慧 28 堂基礎課程)

模型準確度 (Model accuracy) 是評估機器學習(ML)或深度學習(DL)模型能否依據輸入的資料正確預測結果,或是可以有效識別資料集中各個特徵變數之間的關聯和樣式的一個重要衡量標準。當一個模型對未見過的資料具有強大的泛化能力 (Generalization),它能夠產生的預測和洞察力就越好。在正式營運環境系統中部署 ML 和 DL 模型的企業,就可以依靠這些模型做出更精準的商業決策。因此,優化模型的準確性對 AI 驅動型企業來說是一件至關重要的工作。

.