Salesforce談論其用于金融服務

Salesforce的Allison Witherspoon與TechRepublic討論了新的行業(yè)特定的愛因斯坦分析產品以及旨在幫助開發(fā)人員解決AI偏見的新Trailhead模塊。在TrailheaDX 2019年，Salesforce的Allison Witherspoon與TechRepublic討論了新的行業(yè)特定的愛因斯坦分析產品和新的Trailhead模塊，旨在幫助開發(fā)人員解決AI中的偏見問題。以下是訪談的編輯記錄。

Bill Detwiler：告訴我一些關于愛因斯坦分析的新公告和新發(fā)展。

Allison Witherspoon：愛因斯坦分析，無論您的角色，部門或行業(yè)如何，我們都非常注重為每個用戶提供量身定制的洞察力。自從我們在2014年推出分析以提供這些特定于角色的特定目的建立的見解以來，我們真的一直在這個旅程中。我們首先為每個角色 - 銷售分析，服務分析，B2B營銷分析構建一種分析。

在過去的幾年里，我們采用了一種轉換方式，為行業(yè)提供同樣的心態(tài)，以便我們采取垂直方法。我們推出分析產品的第一個行業(yè)是金融服務，這樣每個財富顧問，每個零售銀行家都可以看到他們關心的事情，即金融服務云。因此，您可以看到諸如存款，貸款，費用，客戶目標，提款，管理資產等所有內容......所有這些都非常非常適合金融服務。

Bill Detwiler：通過分析，有很多不同的類型，對吧?你有規(guī)范分析，你有預測分析。稍微談談客戶可以從愛因斯坦平臺獲得哪些類型的分析。

艾莉森威瑟斯彭：因此，對于金融服務的愛因斯坦分析，它是全方位的分析，從描述性和診斷(發(fā)生了什么，為什么會發(fā)生?)到預測性和規(guī)范性(將會發(fā)生什么，我應該怎么做)它?)。這真的要歸功于我們的分析平臺注入人工智能的見解。因此，當您購買愛因斯坦分析時，您將獲得該產品的愛因斯坦發(fā)現。這就是我們的智能數據發(fā)現工具。因此，您可以在上下文中利用所有這些預測和建議。因此，例如，愛因斯坦分析公司對于金融服務的看法可能就是現在的財富顧問，而零售業(yè)銀行家可以做預測流失的事情。哪些客戶最容易流失?哪些客戶最有可能擁有大額存款并增加其管理資產?這些人的非常具體的預測見解。

Bill Detwiler：客戶獲得這些見解后，采取什么行動才能采取行動?

Allison Witherspoon：愛因斯坦分析有一個非常豐富的行動框架，我們稱之為內置于平臺，所以從任何儀表板，從洞察力，你可以采取行動回到Salesforce。您可以執(zhí)行諸如記錄任務，創(chuàng)建事件，發(fā)布到Chatter，進行通信等操作。因此，從洞察力回到Salesforce，真正增加了協作和溝通。

Bill Detwiler：這可以自動化嗎?例如，如果你是經紀人，如果你是經紀人，并且你得到的信息說：“嘿看，這個客戶可能會離開這個行為，把錢花在別處，因為某個事件或者因為平臺預測到“然后是一個動作......然后他們會自動提示采取行動，對嗎?因此，Salesforce，管理員和開發(fā)人員可以設置系統，以便然后提示經紀人和代理人自動采取行動，對嗎?

Allison Witherspoon：全面的分析 - 從描述到規(guī)范 - 所以我們可以在他們應該采取什么行動的背景下提出建議。我們希望將這種決定保留給用戶。但我們確實在Salesforce平臺中內置了工具，例如Process Builder，這種工作流程自動化工具允許您根據所獲得的洞察力設置這些觸發(fā)器。因此，由于分析是基于Salesforce平臺構建的，因此您可以訪問Salesforce平臺的所有優(yōu)點。

Bill Detwiler：當我們談論人工智能時，你早一點提到它，談論這是允許它做很多決策的原因。請與我討論一下AI如何構建到分析計劃中。

Allison Witherspoon：AI現在帶有分析平臺。就像我提到的那樣，當你購買愛因斯坦分析時，你會得到開箱即用的人工智能。而我們對客戶的看法是，分析與AI之間的界限在BI和AI之間變得非常模糊。它真的變成了這種智能體驗。而這正是我們用愛因斯坦分析所追求的一個用戶界面，一個用戶體驗，您可以從中獲得智能體驗，無論您是在查看帶有各種歷史信息或預測或建議的儀表板，還是那種自動化并排。借助我們的智能數據發(fā)現工具愛因斯坦探索，我們將更多的歷史性學習與預測和建議并駕齊驅。

Bill Detwiler：如果有人將AI整合到愛因斯坦平臺，那么它面臨多大的挑戰(zhàn)呢?通過分析，是否總是計劃將AI添加到其中?談談將AI納入愛因斯坦平臺的問題。

Allison Witherspoon：是的，所以我們采用有機和無機方法結合我們考慮建立AI的方式。因此，我們已經有了一個數據科學家團隊，他們在過去大約四年左右的時間里一直在構建愛因斯坦平臺以及許多人工智能和機器學習模型。但是我們也一直在進行一些收購，我相信你已經知道了，這讓我們在我們自己的團隊不工作之前在我們可能沒想過的空間里成長特別是在深度學習等方面。因此能夠獲取非結構化數據并執(zhí)行圖像識別，自然語言處理以及現在通過愛因斯坦語音進行語音到文本的操作。所以'

愛因斯坦分析，特別是愛因斯坦發(fā)現，從這個領域的收購中找到了我們。因此，一旦我們從客戶那里聽到他們想要的東西，我們就能夠將智能數據發(fā)現功能添加到我們的分析平臺。因為我們再次成為一家在客戶反饋方面蓬勃發(fā)展的公司，我們從客戶那里聽說他們并不真正關心他們是使用分析還是人工智能或機器學習還是深度學習 - 這只是這種術語的海洋給他們。

Bill Detwiler：告訴我一些關于你通過人工智能建立愛因斯坦平臺的新信任計劃。

Allison Witherspoon：Salesforce的信任是第一價值，因此我們對AI產品采取同樣的心態(tài)也就不足為奇了。大約一個月前，我們在我們的愛因斯坦產品中推出了一系列功能，這些功能真正有助于強化信任的信息。這意味著它需要透明。所以我們需要向AI展示最終消費者，為什么預測就是這樣，我們稱之為預測因素。因此能夠暴露預測因素并能夠暴露模型的基礎R代碼，如果用戶想要擅長并且有點看得見。所以第一件就是透明度。

第二部分是負責任的AI。因此，這意味著能夠在很早的時候防止偏差進入模型，無論是潛伏在模型本身還是潛入模型中的數據。所以我們做的事情就像是偏見保護的標志。當使用我們的工具之一的AI構建者正在構建模型時，我們如何告訴他們哪些數據字段可能會導致偏差?

然后第三個支柱是一種負責任的人工智能。這就是正在發(fā)生這種反饋循環(huán)的想法，以及我們如何在任何時候展示模型的執(zhí)行情況，在模型記分卡中公開模型指標，以便用戶可以確定他們是否想要實際轉變該模型on，部署它，并將預測公開給最終用戶?

所以這就是受信任的AI的想法，我們實際上在愛因斯坦產品中提供了很多這些功能。就在本周，我們啟動了負責任的AI Trailhead創(chuàng)建，因為我們真的相信，無論您使用愛因斯坦的技能，我們實際上都能讓公民數據科學家建立AI，以構建自定義AI。因此，如果您沒有數據科學博士學位，那么您如何開始構建沒有偏見的AI模型，這些模型是公平的，值得信賴的，符合道德標準的?因此，這條小路是一個開始了解什么是人工智能的好地方，這種偏見可以潛伏在哪里，以及培養(yǎng)自己的技能，以便建立真正公平和值得信賴的模型。

Bill Detwiler：所以大多數人工智能，大多數算法，都與你輸入的數據一樣好。很多組織都有遍布各地的數據。它是完全不同的，它不干凈。因此，許多組織在實施人工智能項目時，需要進行比他們想象的更多的數據清理，數據管理和數據組織。愛因斯坦有哪些工具可以幫助組織做到這一點，或者是集成商幫助他們在將產品部署到客戶時這樣做?這部分過程如何運作?

Allison Witherspoon：借助愛因斯坦分析平臺，我們可以從任何來源引入數據。我們有一個連接器庫，可以讓您輕松連接到第三方數據源，因為我們始終從客戶那里聽到他們的數據不僅存在于Salesforce中 - 它存在于ERP系統，人力資源系統，財務系統中 - 所以我們需要讓他們很容易將數據帶入Salesforce。這是第一步。

第二步是數據準備過程，并真正創(chuàng)建一種智能數據準備工具，以便我們的Salesforce管理員或數據分析師，無論是誰使用愛因斯坦分析，無論是誰，他們都可以實際清理他們的數據，清理他們的數據，轉換他們的數據一種人工智能的建議。所以我們將AI帶到了數據準備過程，在那里我們實際上會進行連接并非常智能地填充缺少的字段和所有類型的東西，以使該過程更加順暢。

Bill Detwiler：好的。當你談論人工智能的道德使用和方程中內置的偏見時，工具中的觸發(fā)器是什么?但除此之外，工具中是否有標記和觸發(fā)器可以幫助他們知道，“好的，當您引入此數據集時，它可能會為您提供所需的信息”，例如，但它也可能導致意外偏差也進入系統?那么系統如何做到這一點超出了你在訓練方面對新的Trailhead所做的事情呢?

艾莉森威瑟斯彭：而且我很高興你提到這一點，因為我確實認為這是一種雙管齊下的方法。我們必須進行教育，但我們還必須將這些觸發(fā)器構建到產品中，而這正是我們正在做的事情。借助愛因斯坦分析中的愛因斯坦偏差保護，當您構建可能導致潛在偏見的模型時，我們實際上可以標記字段。因此，無論是管理員還是分析師，該模型的構建者實際上會設置他們認為可能導致偏見的字段，如郵政編碼，如性別，如種族。然后愛因斯坦發(fā)現將實際查看所有這些字段并找到相似字段，相關字段可能是已經被用戶標記的字段的代理。你呢'

Bill Detwiler：對于金融服務，金融服務系統中已經存在很多偏見。

Allison Witherspoon：是的。

Bill Detwiler：你提到了郵政編碼。

Allison Witherspoon：是的。

Bill Detwiler：可能總是使用郵政編碼的客戶或他們的客戶如何來自地理位置周圍的特定郵政編碼或特定郵政編碼，或者是否屬于國家?因此，說服客戶不要依賴過去那些曾經預測過的那些領域是多么困難，這些領域過去曾以純粹的投資回報率或純粹的財務狀況或純粹的底線為他們服務但是還在系統中加入了偏見?

Allison Witherspoon：這是一個很好的例子，因為在金融服務方面，我們看到很多這種偏見在模型中長期存在，尤其是郵政編碼，而不是向某些個人提供貸款，因為它們來自郵政編碼?；氐竭@兩個軌道的這一點，我們可以對Trailhead進行教育，我們可以將這些提示放在產品中，但我們不能強迫人們以某種??方式建立模型而我們永遠不會去。

我們所能做的最好的事情就是使用我們的平臺，使用Trailhead等途徑教育我們的客戶。我們在Salesforce有一位出色的，令人驚嘆的同事叫Kathy Baxter，她是我們道德AI的架構師。因此她對此充滿熱情，但是將這些提示構建到產品中，對Trailhead上的人進行教育，但不是那種會自動為他們建立模型的Big Brother，會自動取出某些永遠不會善良的領域我們的立場。