images/123800.png

▲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

 


留下你的回應

以訪客張貼回應

0
  • 找不到回應