零犀（北京）科技：UJD（⽤户目标驱动）交易平台

情感透析 2025年08月21日 01:31 8 aaron

　　零犀科技的UJD平台以因果大模型为核心，实现了金融服务从“关联推荐”向“需求驱动”的范式跃迁。其创新性体现在三方面：一是技术融合上，通过多重因果图模型和Transformer大模型，精准挖掘用户隐含需求（如老年群体情感陪伴），解决传统AI“黑盒”问题，提升服务可解释性与鲁棒性；二是应用效能上，结合时序因果量化技术动态优化服务链路，依托GPT实现专业流畅的人机对话，推动金融服务普惠化，降低高净值服务门槛；三是场景覆盖上，已落地交行、众安保险等机构，验证了金融保险场景的规模化能力。然而，挑战犹存：数据隐私风险需强化联邦学习技术，部门协作易致进度延迟应建立敏捷管理机制，且未来向养老、健康等民生领域扩展时，需攻克非结构化数据的因果建模难题。总体而言，该方案以“因果+大模型”双引擎驱动，契合数字中国政策导向，为智能金融提供可信决策支撑，具备行业革新潜力。

　　随着人工智能技术的快速发展，特别是大模型在参数规模和数据规模的显著增长下展现出更高准确性、更强泛化能力及更低应用门槛，学术界、研究机构、产业界及各级 *** 均给予高度重视，从算法模型、技术生态、落地应用和政策环境等多维度推动通用及领域专用大模型的进步。在政策层面，2021-2025 年“十四五”规划将人工智能列为战略前沿领域，国家层面提供强力支持，地方 *** 也积极呼应，出台专项政策加速大模型产业发展。与此同时，金融行业面临数字化转型迫切需求：工信部、央行、银保监会及中保协等机构推出一系列措施，促进保险科技发展；2023年2月《数字中国建设整体布局规划》明确强调加快金融等关键领域数字技术创新应用，为人工智能在金融机构的落地奠定基础。然而，整体服务业仍陷入劳动密集型困境，服务水平参差不齐，优质服务难以规模化，其根源在于传统 *** 对用户需求理解过于简单化且缺乏量化能力——互联网巨头依赖用户画像和关联推荐（如用户浏览一瓶水仅被推荐水而非解渴方案），虽提升效率，却无法挖掘深层需求。

　　在此背景下，人工智能技术面临核心局限：关联算法难以处理“需求未知，解决方案未知”场景（例如老龄化用户的情感陪伴需求），而深度学习依赖统计数据相关性导致“算法黑盒”问题——输入输出结果无法解释，效果不稳定且不可控，这不仅阻碍强人工智能实现，还引发信任危机。因此，亟需结合因果推断和大模型技术构建新解决方案，以精准理解用户意图、量化需求并提升服务决策的可解释性。零犀科技以此为导向，聚焦因果大模型驱动的UJD（用户目标驱动）平台，旨在突破传统关联推荐框架，通过多重因果图等技术解决金融服务业痛点，同时响应政策号召推动普惠服务。

　　语音识别和语音合成是人机交互领域的技术支撑，随着深度学习技术和端到端语音合成技术的飞速发展，语音识别准确率在同领域得到了大幅度的提升，语音合成技术的MOS得分也达到或超过人类发音人的得分。但在真实世界中，存在环境噪音、说话人口音、地域方言、日常口语化等的声学和语言学特点，这些现象带来了训练数据量样本不足、训练数据与推理数据分布跨域等技术挑战。拟研究语音识别模型的领域迁移技术、针对老年人/重口音/病理性发音的语音识别关键技术，以及基于对抗 *** 和 Transformer 的音色转换技术、利用传统语音合成算法提高合成语音的音质等。

　　该项技术主要目的是为了显著提高人机对话效率，实现机器主导、客户主导、混合主导的多范式对话技术。主要基于Transformer 基础大模型，实现人与机器之间自然语言交流的技术。基于大模型的逻辑推理能力，提升人机对话系统的上下文理解能力、多轮对话能力、对话的灵活性和高度的自然性。

　　实现基于因果图的用户需求挖掘和服务决策，利用已有的需求元素结合其他用户情境特征，构建对应因果图，决策出有针对性的合理的需求满足方案。对比传统的关联性的模型，基于因果图需求挖掘，重点要达到需求挖掘的更精准符合逻辑，且可解释、可迁移、更鲁棒的效果。

　　结合时间序列预处理学习因果关系结构、构建因果数据集、对因果关系变量进行排序，并结合局部贪婪算法，学习因果关系变量之间的因果关系，从而实现两个层次的时间序列因果关系学习，重点突破多次服务沟通后的因果量化，加入时序的角度，刻画其变化得到更准确因果量化结果。

　　2022年12月份由 OpenAI 推出的大型语言预训练模型 ChatGPT，将人机对话技术推向了一个新的高度。通过预训练大模型+prompttuning+RLHF技术，ChatGPT 模型生成的话术体现了较强的专业性和安全性。拟研究基于ChatGPT模型在垂直领域的人机对话技术，实现机器人与客户更顺畅的交流，同时利用模型的强大生成能力，挖掘用户潜在需求，丰富业务标签数据。

　　一是，依托自学习与迁移学习技术，开展针对小语种及方言的低资源语音识别研究，并推进基于对抗生成 *** 与Transformer架构的音色转换技术研究；

　　二是，基于Transformer基础模型架构，开展低资源意图识别技术、多模态情感分析技术、高精度实体识别技术等研究；

　　四是，基于GPT技术框架，开展垂直领域人机对话技术研究，实现机器人与客户间流畅且专业的交互体验。

　　一是，通过人机协同与因果机制，使更多人群得以享受优质专属服务，更公平公正地满足其需求（相较于传统模式中，针对性优质专属服务仅面向高净值用户）；

　　二是，实现实时理解需求的对话流转（相较于传统模式仅判断用户对服务的接受程度，进行劝服式对话）；

　　三是，基于用户需求，匹配并提供合理满足其需求的产品方案（相较于传统模式忽视用户实际情况，仅循环列举现有服务的优势）；

　　服务技术架构分为数据层、算法/模型层和系统/服务层：数据层一方面接受模型层处理好的数据，另一方面给模型层提供具体的数据支持，提供接触记录、通话详单、坐席事件等业务的结构化数据，以及在线交互文本、录音数据、工单、政企信息等非结构化数据，初步形成了数据资产汇聚。模型层包含本系统主要的一系列算法、数据标注、训练、badcase 回流。算法主要有自然语言处理、深度学习训练、结构化信息检索引擎、个性化推荐等。系统 /服务层主要完成智能营销、话务分析及质检、优秀话术培训等应用，另外还包括术语库管理系统、报表查询系统和可视化报表系统。

　　数据层：利用分析平台等基础服务提供的标签数据、通话记录、客户渠道接触数据、客户的服务反馈数据等、以及经过模型分析处理后的结构化数据，并利用知识图谱等技术手段组织关联数据。

　　算法/模型层：通过自然语言理解，深度学习模型，标签提取、对话理解、对话挖掘、关系挖掘、知识聚类、情感分析、实体提取等技术，对交互文本、录音数据等非结构化数据进行分析，提取出用户标签、用户诉求路径等结构化信息。对于处理好的结构化数据，结合图谱的检索、推理、推荐的技术构建推荐引擎、对话理解引擎等为上层应用提供服务。

　　系统/服务层：在推荐引擎、对话理解引擎等模型组件基础上，增加营销管理系统、术语库管理系统、质检培训系统、报表查询系统和可视化报表系统服务于服务策略推荐、诉求分析、优秀话术推荐等。

　　零犀科技基于因果大模型的UJD（用户目标驱动）交易平台在落地应用中展现出显著的多维度效果。首先，在技术层面，平台通过多重因果图模型和时序因果量化技术，提高了用户需求预测准确率和服务匹配准确率（如金融场景中老年用户的情感陪伴需求识别），解决了传统AI的“黑盒”问题，增强了决策的可解释性和鲁棒性；同时，结合Transformer大模型和高精度语音技术，实现了专业流畅的多轮人机对话，提升了交互效率（如 *** 机器人主导的混合对话范式）。其次，在商业应用上，平台已成功落地交通银行、中信银行、泰康保险等多家金融机构，推动金融服务从“劝服式”向“需求驱动式”转型，验证了规模化能力，预期创造超1亿元的经济收入，并为北京市贡献百万级税收和数十个就业岗位。最后，在社会效益方面，项目响应《数字中国建设整体布局规划》政策，降低了优质服务门槛（如普惠金融覆盖非高净值用户），增强了群众对智能金融的获得感、安全感和幸福感。整体上，该方案以因果AI为核心引擎，实现了技术突破、商业价值与社会服务的协同优化，为金融行业智能化革新提供了有力支撑。

标签：免费文本情感分析在线