声纹识别帮你守住钱袋子，聊一聊证券行业里的人工智能

股票、证券等金融交易越来越多地脱离线下而转向线上进行，指纹、人脸等生物识别技术普及，而与「钱」相关的场景，如何精确地完成身份识别和认证？如何保证业务合规？具体而言：

• 线上交易时，如何保证正在买卖的交易者是他本人？
• 远程操控，如何保证交易人员的资金安全？
• 具有「非接触式」和「远程识别」优势的声纹识别技术，如何在业务场景落地？

上周六，由 Milvus 社区主办的 Arch Meetup 深圳站圆满落下帷幕，众多科技爱好者们齐聚一堂，来自 Zilliz、追一科技、掌数科技、极狐（GitLab）和 ShowMeBug 的讲师们与大家分享了开源软件的最新趋势与应用场景。掌数科技技术总监高星分享了证券基金行业的需求与痛点，以及「问答机器人」「声纹识别」等金融证券行业运营利器。开源向量数据库 Milvus 如何帮助实现上述场景？让我们一起先睹为快吧！

悄悄告诉你，关注 Zilliz 公众号并回复「ppt9」可以获得其他四位讲师们的精彩分享哦！

掌数科技 x Milvus 向量数据库， 在金融 AI 领域会擦出哪些火花？

掌数科技技术总监高新分享现场

掌数科技聚焦证券和大资管行业，面向大数据和 AI 基础技术平台、智能化场景应用和数据安全管理领域，是一家管理金融行业数据安全的科技企业。掌数科技与厦门大学成立了"金融科技联合实验室"，致力于大数据、人工智能技术在金融科技领域的应用研究。今年，掌数科技还正式成为 WG4 声纹小组《信息安全技术声纹识别数据安全要求》国家标准的五家应用试点单位之一。

在万物皆可 Embedding 的时代，图片、文本、视频、语音等非结构化数据可以通过 Embedding 技术提取为特征向量，然后通过对特征向量的计算和相似度检索来帮助落地智能问答、商品推荐、声纹识别等场景。开源向量数据库 Milvus 可以赋能 AI 应用和向量相似度搜索。开源向量数据库 Milvus 支持使用多种 AI 模型向量化非结构化数据，并为向量数据提供搜索分析服务。它可处理的业务包括图像处理、机器视觉、自然语言处理、语音识别、推荐系统以及新药发现。具体实现方式是：

• 通过深度学习模型将非结构化数据转化为特征向量，并导入 Milvus 数据库；
• 对特征向量进行存储并建立索引；
• 接收到用户的向量搜索请求后，返回与输入向量相似的结果。

掌数科技基于多年行业经验，通过「数据库+应用」的方式，在「问答机器人」「声纹识别」等场景中使用 Milvus 向量数据库实现快速响应，为企业在数字化建设过程中提供高质量、易扩展、低成本、易维护的解决方案。

金融证券行业的需求和趋势

金融是一个财富集中的领域，在掌数科技主攻的证券市场，其规模在 2020 年的总资产达到 8.9 万亿，具有散户比例高、受多方因素影响波动大、金融产品品类不多等特点，因此，证券行业的客户运营领域自然产生了如下两点需求：

（1）如何在用户规模迅速增长的过程中，高效、可靠、合规地服务投资者客户？

• 金融证券行业需要提高线上自助化服务水平，把能够由系统和用户自主操作来完成的部分尽量交给系统，避免过多依赖人工；同时，把不能完全交给机器执行的业务或操作，尽量采用人机协同的方式，降低人工的工作；
• 金融证券行业需要建立客户数据中心，为客户运营、客户服务提供统一的数据服务平台；
• 金融证券行业需要借助大数据和人工智能手段，增强对客户身份的核实，对客户准确意图的把握，对客户风险承受能力的识别，规避经营风险和操作风险。

（2）如何在客户投资理财过程中提升体验，帮助客户简单地、愉悦地实现投资预期？

• 金融证券行业需要把「投资者教育」融于产品的细节当中，在场景中提升投资决策水平；设计更为丰富的组合产品，为投资者提供更多投资选择，平抑投资风险；以客户为中心，建立跨渠道的客户服务，实现不同渠道的无缝对接。

除了上述两大需求，金融证券行业正在拥抱以下四个趋势：

• 线上化的趋势：金融科技发展和运营集中化、自动化、智能化；
• 散户机构化趋势：公募基金、资管用户规模发展迅速；
• 合规监管难趋势：目前用户服务能力与需求不匹配、用户风险等级识别与匹配；
• 证券机构科技部门自研能力不足：外购产品居多，个性化自研较少。

为了应对上述的需求和趋势，智能运营的产品体系需要在多种场景下应对自如，主要包括客户多渠道服务场景、客户私域运营场景、内部大运营场景三大场景。在这些场景的核心架构中，会使用到大量的结构化和非结构化数据，以及相应的技术组件，比如 Docker、Kubernetes、CI/CD 流水线等应用技术架构组件。其中，用于分析非结构化数据的关键组件就包括了 Milvus 向量数据库。三大场景的整体架构如下图所示：

场景一：智能客服机器人

掌数科技通过引入开源向量数据库Milvus，构建了一套完善的智能问答系统，帮助在线客服完成答疑和推荐。

智能的问答组件可以实现 80% 常见问题的自动回复，大大减轻人工客服的工作量。此外，该问答系统不仅能完成简单的问答，还可以做出综合的观点推荐。基于用户曾经发出的大量请求，系统会召回最适合该用户的答案并推荐给用户，实现「基金产品卡片知识」推荐、「基金经理卡片知识」推荐、「用户输入自动补全」等功能。

同时，基于开源向量数据库Milvus 构建知识库搜索引擎，还可以搭建面向内部人工客服的智能知识库，辅助相关人员快速响应客户提问。

需要注意的是，在金融证券业务中，基础数据库与其他行业不同，需要预处理一些行业知识。比如，产品的命名通常有自己的规则，在其他的语料库中不常出现「天天盈」「丰泽」等基金名，所以需要基于现有的语料库进行训练，完成数据预处理。在实现流程中，开源向量数据库Milvus 的高性能检索可以实现毫秒级响应，召回数千条数据集，极大降低了开发成本、缩短项目周期，后续系统进一步精排算法，筛选出 10 条数据作为响应结果。智能客服机器人背后的实现流程如下图所示：

场景二：声纹场景

根据行业客户适当性管理办法要求，以及反欺诈、反洗钱等合规风控要求，客户身份的认定与审核是金融证券行业必须要重点关注的技术领域。过去，多采用账号密码来认定客户身份，但是密码容易泄漏。故一般提高安全等级，会要求输入手机动态密码或者 U 盘等额外设备规避密码保护的漏洞，后又扩展为基于 Face ID 的人脸识别技术。然而，在部分不适合使用人脸比对的场景中，需要借助语音识别与声纹比对技术作为补充。与其他生物特征相比，获取声纹特征的语音十分方便、自然，用户接受度高，而且成本较低，通话中无需额外的录音设备，声纹辨认和确认的算法复杂度低，其动态特征更在应用安全上独占优势。

在金融行业中，声纹应用的技术要求是：

首先，精度要高。对符合识别要求的音频数据集比对识别算法的精度，尤其是 1:1 的身份确认场景，其精度要求最高达到 99.5% 以上；结合人脸或者其他技术后，系统被攻破的难度将成指数级上升。

其次，性能要好。千万级的声纹库的客户身份确认过程，需要能够实现秒级响应，否则用户体验会非常糟糕；声纹数据库要实现无缝横向扩展，以便应对更大规模的声纹平台体量；在对 VIP 客户或者黑名单客户的辨认场景，要能够在数秒到 1 分钟内快速查找到相似结果。

最后，成本要低。采集端使用普通电话或者电脑麦克风，服务器端采用普通 X86 服务器即可；无需专用服务器硬件，在推断识别场景，不需要 GPU 或其他特殊硬件卡的加速，即可实现声纹库与声纹平台的搭建。声纹场景的实现流程如下图所示：

通过引入开源向量数据库Milvus，掌数科技构建并积累客户声纹库，帮助在客户在线上开户、业务开通场景中，提供面向客户身份数据的向量存储、检索比对、黑名单客户识别服务。声纹检索的实现流程如下图所示，首先输入目标语音，进行特征提取和模型训练，将特征向量保存在 Milvus 向量数据库中，当需要进行特征比对时，可进行快速提取和比对。1:1 的声纹比对指的是确认「你是不是你」，用于人员活体认证、人员身份认证和移动客户端身份认证；1:N 的声纹辨认用于回答「你是谁」的问题，用于在向量库里查找该目标的身份和查重。Milvus 数据库的应用，很好地帮助业务达到了金融领域技术指标，做到了高精度性能的优化。

在客户服务场景中，办理客户回访或其他业务受理时，需要检查证券业务服务流程是否合规，校验沟通话术。综合上述多个技术，可以进一步形成智能语音质检解决方案，实现流程如下图：

总结

掌数科技基于开源向量数据库 Milvus 搭建了智能客服机器人的问答和推荐系统，以及声纹场景中的确认和辨认系统，达到了金融行业精度高、性能好、成本低的相关技术要求，我们希望未来 Milvus 向量数据库支持更加丰富的功能，适应更广阔的应用场景，在金融行业得到更广泛应用。