Salesforce谈论其用于金融服务

Salesforce的Allison Witherspoon与TechRepublic讨论了新的行业特定的爱因斯坦分析产品以及旨在帮助开发人员解决AI偏见的新Trailhead模块。在TrailheaDX 2019年，Salesforce的Allison Witherspoon与TechRepublic讨论了新的行业特定的爱因斯坦分析产品和新的Trailhead模块，旨在帮助开发人员解决AI中的偏见问题。以下是访谈的编辑记录。

Bill Detwiler：告诉我一些关于爱因斯坦分析的新公告和新发展。

Allison Witherspoon：爱因斯坦分析，无论您的角色，部门或行业如何，我们都非常注重为每个用户提供量身定制的洞察力。自从我们在2014年推出分析以提供这些特定于角色的特定目的建立的见解以来，我们真的一直在这个旅程中。我们首先为每个角色 - 销售分析，服务分析，B2B营销分析构建一种分析。

在过去的几年里，我们采用了一种转换方式，为行业提供同样的心态，以便我们采取垂直方法。我们推出分析产品的第一个行业是金融服务，这样每个财富顾问，每个零售银行家都可以看到他们关心的事情，即金融服务云。因此，您可以看到诸如存款，贷款，费用，客户目标，提款，管理资产等所有内容......所有这些都非常非常适合金融服务。

Bill Detwiler：通过分析，有很多不同的类型，对吧?你有规范分析，你有预测分析。稍微谈谈客户可以从爱因斯坦平台获得哪些类型的分析。

艾莉森威瑟斯彭：因此，对于金融服务的爱因斯坦分析，它是全方位的分析，从描述性和诊断(发生了什么，为什么会发生?)到预测性和规范性(将会发生什么，我应该怎么做)它?)。这真的要归功于我们的分析平台注入人工智能的见解。因此，当您购买爱因斯坦分析时，您将获得该产品的爱因斯坦发现。这就是我们的智能数据发现工具。因此，您可以在上下文中利用所有这些预测和建议。因此，例如，爱因斯坦分析公司对于金融服务的看法可能就是现在的财富顾问，而零售业银行家可以做预测流失的事情。哪些客户最容易流失?哪些客户最有可能拥有大额存款并增加其管理资产?这些人的非常具体的预测见解。

Bill Detwiler：客户获得这些见解后，采取什么行动才能采取行动?

Allison Witherspoon：爱因斯坦分析有一个非常丰富的行动框架，我们称之为内置于平台，所以从任何仪表板，从洞察力，你可以采取行动回到Salesforce。您可以执行诸如记录任务，创建事件，发布到Chatter，进行通信等操作。因此，从洞察力回到Salesforce，真正增加了协作和沟通。

Bill Detwiler：这可以自动化吗?例如，如果你是经纪人，如果你是经纪人，并且你得到的信息说：“嘿看，这个客户可能会离开这个行为，把钱花在别处，因为某个事件或者因为平台预测到“然后是一个动作......然后他们会自动提示采取行动，对吗?因此，Salesforce，管理员和开发人员可以设置系统，以便然后提示经纪人和代理人自动采取行动，对吗?

Allison Witherspoon：全面的分析 - 从描述到规范 - 所以我们可以在他们应该采取什么行动的背景下提出建议。我们希望将这种决定保留给用户。但我们确实在Salesforce平台中内置了工具，例如Process Builder，这种工作流程自动化工具允许您根据所获得的洞察力设置这些触发器。因此，由于分析是基于Salesforce平台构建的，因此您可以访问Salesforce平台的所有优点。

Bill Detwiler：当我们谈论人工智能时，你早一点提到它，谈论这是允许它做很多决策的原因。请与我讨论一下AI如何构建到分析计划中。

Allison Witherspoon：AI现在带有分析平台。就像我提到的那样，当你购买爱因斯坦分析时，你会得到开箱即用的人工智能。而我们对客户的看法是，分析与AI之间的界限在BI和AI之间变得非常模糊。它真的变成了这种智能体验。而这正是我们用爱因斯坦分析所追求的一个用户界面，一个用户体验，您可以从中获得智能体验，无论您是在查看带有各种历史信息或预测或建议的仪表板，还是那种自动化并排。借助我们的智能数据发现工具爱因斯坦探索，我们将更多的历史性学习与预测和建议并驾齐驱。

Bill Detwiler：如果有人将AI整合到爱因斯坦平台，那么它面临多大的挑战呢?通过分析，是否总是计划将AI添加到其中?谈谈将AI纳入爱因斯坦平台的问题。

Allison Witherspoon：是的，所以我们采用有机和无机方法结合我们考虑建立AI的方式。因此，我们已经有了一个数据科学家团队，他们在过去大约四年左右的时间里一直在构建爱因斯坦平台以及许多人工智能和机器学习模型。但是我们也一直在进行一些收购，我相信你已经知道了，这让我们在我们自己的团队不工作之前在我们可能没想过的空间里成长特别是在深度学习等方面。因此能够获取非结构化数据并执行图像识别，自然语言处理以及现在通过爱因斯坦语音进行语音到文本的操作。所以'

爱因斯坦分析，特别是爱因斯坦发现，从这个领域的收购中找到了我们。因此，一旦我们从客户那里听到他们想要的东西，我们就能够将智能数据发现功能添加到我们的分析平台。因为我们再次成为一家在客户反馈方面蓬勃发展的公司，我们从客户那里听说他们并不真正关心他们是使用分析还是人工智能或机器学习还是深度学习 - 这只是这种术语的海洋给他们。

Bill Detwiler：告诉我一些关于你通过人工智能建立爱因斯坦平台的新信任计划。

Allison Witherspoon：Salesforce的信任是第一价值，因此我们对AI产品采取同样的心态也就不足为奇了。大约一个月前，我们在我们的爱因斯坦产品中推出了一系列功能，这些功能真正有助于强化信任的信息。这意味着它需要透明。所以我们需要向AI展示最终消费者，为什么预测就是这样，我们称之为预测因素。因此能够暴露预测因素并能够暴露模型的基础R代码，如果用户想要擅长并且有点看得见。所以第一件就是透明度。

第二部分是负责任的AI。因此，这意味着能够在很早的时候防止偏差进入模型，无论是潜伏在模型本身还是潜入模型中的数据。所以我们做的事情就像是偏见保护的标志。当使用我们的工具之一的AI构建者正在构建模型时，我们如何告诉他们哪些数据字段可能会导致偏差?

然后第三个支柱是一种负责任的人工智能。这就是正在发生这种反馈循环的想法，以及我们如何在任何时候展示模型的执行情况，在模型记分卡中公开模型指标，以便用户可以确定他们是否想要实际转变该模型on，部署它，并将预测公开给最终用户?

所以这就是受信任的AI的想法，我们实际上在爱因斯坦产品中提供了很多这些功能。就在本周，我们启动了负责任的AI Trailhead创建，因为我们真的相信，无论您使用爱因斯坦的技能，我们实际上都能让公民数据科学家建立AI，以构建自定义AI。因此，如果您没有数据科学博士学位，那么您如何开始构建没有偏见的AI模型，这些模型是公平的，值得信赖的，符合道德标准的?因此，这条小路是一个开始了解什么是人工智能的好地方，这种偏见可以潜伏在哪里，以及培养自己的技能，以便建立真正公平和值得信赖的模型。

Bill Detwiler：所以大多数人工智能，大多数算法，都与你输入的数据一样好。很多组织都有遍布各地的数据。它是完全不同的，它不干净。因此，许多组织在实施人工智能项目时，需要进行比他们想象的更多的数据清理，数据管理和数据组织。爱因斯坦有哪些工具可以帮助组织做到这一点，或者是集成商帮助他们在将产品部署到客户时这样做?这部分过程如何运作?

Allison Witherspoon：借助爱因斯坦分析平台，我们可以从任何来源引入数据。我们有一个连接器库，可以让您轻松连接到第三方数据源，因为我们始终从客户那里听到他们的数据不仅存在于Salesforce中 - 它存在于ERP系统，人力资源系统，财务系统中 - 所以我们需要让他们很容易将数据带入Salesforce。这是第一步。

第二步是数据准备过程，并真正创建一种智能数据准备工具，以便我们的Salesforce管理员或数据分析师，无论是谁使用爱因斯坦分析，无论是谁，他们都可以实际清理他们的数据，清理他们的数据，转换他们的数据一种人工智能的建议。所以我们将AI带到了数据准备过程，在那里我们实际上会进行连接并非常智能地填充缺少的字段和所有类型的东西，以使该过程更加顺畅。

Bill Detwiler：好的。当你谈论人工智能的道德使用和方程中内置的偏见时，工具中的触发器是什么?但除此之外，工具中是否有标记和触发器可以帮助他们知道，“好的，当您引入此数据集时，它可能会为您提供所需的信息”，例如，但它也可能导致意外偏差也进入系统?那么系统如何做到这一点超出了你在训练方面对新的Trailhead所做的事情呢?

艾莉森威瑟斯彭：而且我很高兴你提到这一点，因为我确实认为这是一种双管齐下的方法。我们必须进行教育，但我们还必须将这些触发器构建到产品中，而这正是我们正在做的事情。借助爱因斯坦分析中的爱因斯坦偏差保护，当您构建可能导致潜在偏见的模型时，我们实际上可以标记字段。因此，无论是管理员还是分析师，该模型的构建者实际上会设置他们认为可能导致偏见的字段，如邮政编码，如性别，如种族。然后爱因斯坦发现将实际查看所有这些字段并找到相似字段，相关字段可能是已经被用户标记的字段的代理。你呢'

Bill Detwiler：对于金融服务，金融服务系统中已经存在很多偏见。

Allison Witherspoon：是的。

Bill Detwiler：你提到了邮政编码。

Allison Witherspoon：是的。

Bill Detwiler：可能总是使用邮政编码的客户或他们的客户如何来自地理位置周围的特定邮政编码或特定邮政编码，或者是否属于国家?因此，说服客户不要依赖过去那些曾经预测过的那些领域是多么困难，这些领域过去曾以纯粹的投资回报率或纯粹的财务状况或纯粹的底线为他们服务但是还在系统中加入了偏见?

Allison Witherspoon：这是一个很好的例子，因为在金融服务方面，我们看到很多这种偏见在模型中长期存在，尤其是邮政编码，而不是向某些个人提供贷款，因为它们来自邮政编码。回到这两个轨道的这一点，我们可以对Trailhead进行教育，我们可以将这些提示放在产品中，但我们不能强迫人们以某种​​方式建立模型而我们永远不会去。

我们所能做的最好的事情就是使用我们的平台，使用Trailhead等途径教育我们的客户。我们在Salesforce有一位出色的，令人惊叹的同事叫Kathy Baxter，她是我们道德AI的架构师。因此她对此充满热情，但是将这些提示构建到产品中，对Trailhead上的人进行教育，但不是那种会自动为他们建立模型的Big Brother，会自动取出某些永远不会善良的领域我们的立场。