▲圖片標題(來源：玉山銀行)

玉山銀行將AI服務落地到銀行內部作業流程。李翼指出，玉山銀行每年發出的支票超過1千萬張，以往，當民眾要將支票兌現時，是由人工作業將支票的資訊鍵入到系統，再進行後續的交易，痛點是耗費人力與工時。

他表示，玉山銀行要利用票據影像辨識自動化，來輔助人員登打，減少人工作業時間；目標是用機器學習辨識支票上手寫的中文大寫金額，以及支票右上的日期。玉山銀行是用深度學習的方法解決影像辨識的問題，談到辨識上碰到的困難，李翼提到，除了要精準辨識中文大寫金額，另外，是支票右上方的日期，有些是印刷體、有的是手寫或是機器打印等，加深了辨識的難度。所以，玉山團隊在蒐集訓練資料，以及建模時都要將這些資料跑進去。

玉山的模型皆部署在MLaaS上，票據影像辨識ML模型也是其中一個，透過API接口，串接到玉山既有的票據作業系統。作法上，在前端票據作業系統，票據會經過影像掃描，掃描後會將影像送到MLaaS系統上，根據票據影像辨識模型，會吐一個預測，表示系統可以正確辨識支票上的金額與日期，此時就能直接進入自動化流程；若無法辨識，票據作業系統就會觸發人工處理。

李翼強調，模型必須要重新訓練，反饋迴路（Feedback Loop）是提升ML模型效能的關鍵。流程上，當系統無法辨識票據時，系統會先回傳訊息給前端系統，這時就轉為人工辨識支票日期與金額；為了將人工辨識的結果回饋到MLaaS平臺中的模型，玉山團隊還多設計了一支Feedback API，從前端票據作業系統傳遞Transaction ID與Ground Truth數值，來觸發後端系統上自動重新訓練的機制。他認為，合理的人機協作設計是AI應用落地的關鍵。

李翼透露，該專案的目標並非要百分之百辨識所有支票上的金額與日期，對於玉山來說，假設每人每天要辨識100張支票，若其中有30張經過ML模型，且系統能確保辨識完全正確，銀行的人力就只要處理剩下7成的支票，另外3成就是由系統自動化進行，相對來說，在這業務上就能減少3成的人力作業。

轉貼自： ithome.com

若喜歡本文，請關注我們的臉書 Please Like our Facebook Page： 　　　Big Data In Finance