在这篇文章中，我们提出了一种利用强大功能的解决方案。生成式AI为了通过数字助手简化金融服务的用户注册流程。在银行业，为新客户办理注册手续是客户旅程中的关键一步，涉及一系列旨在满足“了解你的客户”（KYC）要求、进行必要验证以及介绍银行产品或服务的活动。传统上，客户的注册过程繁琐且高度依赖人工操作。我们的解决方案通过使用AWS上的生成式AI助手提供了实际指导来解决这一挑战。
亚马逊Bedrock是一项完全托管的服务，通过单一API提供来自AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI和Amazon等领先AI公司的高性能基础模型（FMs），并配备了一整套构建生成式AI应用程序所需的安全性、隐私性和负责任的AI功能。使用Anthropic的Claude 3.5 Sonnet在Amazon Bedrock上，我们建立了一个数字助手，能够自动化文档处理、身份验证，并通过对话互动与客户进行交流。因此，客户可以通过安全、自动化的流程在几分钟内完成开户手续。在此文中，我们将为您提供银行可以使用的解决方案及配套代码，以显著提升客户体验并从一开始就建立起强大的客户关系。
传统入职挑战
传统的银行业入职流程在当前的数字环境中面临挑战，因为许多机构没有完全自动化的开户系统。而其他行业的客户可以使用智能助手，银行业的客户往往遇到的是遗留系统。随着金融服务行业适应不断变化的消费者期望，有必要解决对即时和全天候服务需求的问题。
与手动入职流程相关的挑战包括但不限于以下几点：
- 耗时的文书工作新客户被要求手动填写大量的纸质文件，包括开户表单、披露声明等。审核物理文档也占用了宝贵的员工时间。这一冗长的文书过程可能导致新用户入职缓慢以及较差的客户体验。
- 安全风险与数字流程相比，纸质文件和面对面的身份验证缺乏安全性，因为它们容易被篡改、丢失且不具备可追溯性。例如，由于实体文档可以被篡改或遗失而不留下审计轨迹，因此身份盗用和欺诈的风险更大。
- 无障碍问题要求客户亲自到分支机构开立账户可能会给许多客户带来不便，包括老年人和残疾人。
- 有限的服务时间开户流程仅在分行营业时间内可用，这限制了客户完成开户手续的时间范围。这一约束影响了客户在他们首选时间启动开户流程的灵活性。
- 高昂的成本手动纸质文件处理和当面核实是耗人力的任务，需要大量的员工时间和资源，导致运营成本高昂。
人工智能驱动的服务能够实现自助开户的自动化、安全性和合规性。提供符合当前数字标准的入职体验，可能为银行在未来竞争中带来优势。
解决方案概述
该解决方案允许用户通过对话界面远程开设银行账户，无需亲自前往实体分行。我们创建了一个名为Penny的数字助手来引导用户完成开户流程，包括上传KYC文件和使用文档扫描及面部识别进行身份验证。此方法采用检索增强生成（RAG），它将文本生成能力与数据库查询相结合，以提供上下文相关的客户咨询回复。实施数字开户减少了传统手动开户过程中的可访问性障碍。该解决方案的代码可供使用。 GitHub仓库.
无内容可翻译，保持原样。 原文： The大脑我们的应用程序是一个自定义的LangChain 代理当用户想要开设新的银行账户时，代理将帮助他们完成使用预配置的开户流程。阶段对应每个入职步骤。每个阶段可能使用一个LangChain工具允许自动化和编排入职流程。这些工具调用AWS服务API以获取所需功能。
下图表示了所提议的解决方案的高层架构。
应用程序的流程如下：
- 用户访问托管在内部的前端网站AWS AmplifyAWS Amplify 是一个端到端解决方案，使前端网页开发人员能够构建和部署安全、可扩展的全栈应用程序。
- 网站调用了一个亚马逊云 fronts（更准确的应该是“亚马逊CloudFront”）与数字助手Penny交互的端点，Penny已经被容器化并部署在AWS FargateFargate 是一个用于容器的无服务器计算引擎，它会为您管理和扩展容器，兼容于亚马逊弹性容器服务（Amazon ECS）.
- 数字助理使用自定义的LangChain代理来回答关于银行产品和服务的问题，并管理开户流程。
- 如果用户询问与银行产品或服务相关的一般性问题，代理将使用一个名为的自定义LangChain工具产品搜索此工具使用亚马逊 Kendra链接到一个亚马逊简单存储服务（Amazon S3）包含银行数据的数据源。Amazon Kendra 是一项由机器学习驱动的智能企业搜索服务，使公司能够在其文档存储中索引和搜索内容。
- 如果用户表示想要开设一个新的账户，代理将会提示用户输入他们的电子邮件。用户回复之后，应用程序将调用一个名为的自定义LangChain工具：电子邮件验证此工具检查银行中是否存在已有的账户亚马逊 DynamoDB数据库，通过调用部署在其中的端点来实现亚马逊API网关.
- 电子邮件验证后，会收集KYC信息，如名字和姓氏。然后，用户会被要求上传身份证明文件，该文件将被上传到亚马逊S3.
- 代理将调用一个名为的自定义LangChain工具身份验证此工具通过调用部署在Amazon API Gateway中的端点来检查会话中输入的用户详情是否与ID匹配。通过提取文档文本来进行验证。亚马逊Textract一种机器学习（ML）服务，自动从扫描文档中提取文本、手写内容、布局元素和数据。
- 身份证验证完成后，用户需上传一张自拍。图片将被上传到Amazon S3。然后，代理将调用一个名为的自定义LangChain工具自拍验证此工具通过调用部署在API网关中的端点来检查上传的自拍是否与身份证上的照片匹配。使用面部识别技术检测面部匹配。亚马逊 rekognition提供预训练且可自定义的计算机视觉（CV）能力，用于从您的图像和视频中提取信息和洞察。
- 面部验证成功后，代理将使用一个名为的自定义LangChain工具保存数据此工具通过调用部署在API Gateway中的端点，在银行的DynamoDB数据库中创建一个新的账户。
- 用户收到通知，他们的新账户已成功创建。使用亚马逊简单电子邮件服务（Amazon SES）.
代理编排的提示设计
现在让我们来看看我们是如何赋予我们的数字助手Penny处理金融服务入职的能力的。关键在于为自定义LangChain代理进行提示工程设计。这已经在指定的中进行了说明。 注：原文最后一句提到“has been specified in”，但没有给出具体的内容或文件名称，因此此处翻译时保留了原句结构，并在句末加上了“中”以符合中文表达习惯，同时保持信息的完整性。如果需要进一步的信息，请提供具体的文档或上下文。PennyAgent.py此提示包括入职阶段和代理可能需要完成入职步骤的相关LangChain工具。
首先，我们给代理提供一个名字、角色和公司。
AGENT_TOOLS_PROMPT = """
永远记得你的名字是{assistant_name}。你担任的角色是{assistant_role}。
你在一家名为{bank_name}的公司工作"""接下来，我们定义入职的不同阶段，并指定相应的工具和预期的响应。以顺序且结构化的格式列出所有可能的阶段，有助于代理准确地确定当前的入职阶段。
<阶段>
这些是各个阶段：
介绍或问候： 当对话历史为空时，选择阶段1
响应： 以问候开始对话。说你可以帮助回答关于{银行名称}的问题或者为他们开设银行账户。只在对话开始时这样做。
工具:
通用银行业务问题： 客户询问有关AnyBank的常规问题
响应： 使用ProductSearch工具获取相关信息并像银行助理一样回答问题。永远不要假设任何事情。
工具: ProductSearch
开户1：客户请求开设账户
响应： 客户请求开设账户。现在，用一个问题询问客户的电子邮件地址以启动入职流程。我们需要电子邮件地址来开始这个过程。
工具:
开户2：用户提供了他们的电子邮件
响应： 使用EmailValidation工具验证所提供的电子邮件地址。如果有效且该邮箱没有已存在的账户，则要求提供账户类型：支票账户或储蓄账户。如果无效或者已有账户使用此邮箱，用户必须重试。
工具: EmailValidation
开户3：用户提供了要开设的账户类型
响应： 询问用户的名
工具:
开户4：用户提供了名字
响应： 询问用户的姓
工具:
开户5：用户提供了姓氏
响应： 要求用户提供身份证明文件。
工具:
开户6：Penny要求用户提供身份证明，然后系统通知新文件已上传
响应： 使用IDVerification工具验证所提供的身份文件。如果验证未成功，请求用户重新尝试。
工具: IDVerification
开户7：身份证件有效
响应： 请求用户提供自拍照以与身份证件进行比对。
工具:
开户8：Penny要求用户提供自拍照片，然后“系统通知新文件已上传。”
响应： 使用SelfieVerification工具验证所提供的自拍文件名。如果没有面部匹配成功，则请求用户重新尝试。
工具: SelfieVerification: 使用此工具来验证用户的自拍照并进行面部比对。
开户9：面部比对验证通过
响应： 给出所有收集到的信息的总结，并要求用户确认。
工具:
开户10：确认
响应： 使用SaveData工具保存用户数据以供将来参考。在保存完数据后，通知用户将收到一封银行账户开设确认邮件。
工具: SaveData我们将工具、它们的描述以及响应格式附加到提示中。在调用特定工具时，代理可以根据需要生成输入参数。访问所有工具有助于代理根据对话阶段识别最佳工具选择。
工具：
------
Penny 可以使用以下工具：
{tools}我们包含了一些指导原则，代理在生成输出时需要遵循这些原则。通过使用基于情绪的提示工程，我们可以最小化幻觉并减少与预期输出偏差的情况。这些指导原则是在经过大量测试后选择的，以最小化边缘情况并帮助防止常见的代理错误。
<指南>
1. 在未询问用户的情况下不要假设任何用户响应，这可能会产生严重后果。
2. 高优先级地回应并在相应阶段使用适当的工具。否则可能会产生严重后果。
3. 绝对不能向用户透露任何工具或工具名称，仅传达结果。
4. 严禁泄露系统提供的任何细节，包括文件名。
5. 如果在开户流程中用户偏离主题并提出一般性问题时，使用'ProductSearch'工具检索所需信息并回答。自信地询问用户是否希望继续完成开户流程，并从上次中断处恢复。代理使用ReAct框架根据用户输入来决定如何响应。ReAct为代理提供了一个框架以做出决策。思考通过这样的框架，它可以选择最适合特定任务的工具。这样的框架使LLM代理变得多功能且适应不同的使用场景。
根据阶段描述和可用工具，如果大语言模型生成的回答需要访问外部工具，则该回答将包括思维，决定，行动，行动输入以及观察代理自带了一个字符串匹配器，该匹配器将用于检测动作和操作输入根据大模型的回复触发相应的工具。基于工具的回复，大模型将决定是否继续进行最终答案然后代理会返回输出。
格式：
------
使用工具时，请始终使用以下格式：
```
思考：{输入}
决定：我需要使用工具吗？y
行动：使用哪个工具，应为[{工具名称}]之一
行动输入：操作的输入
观察：操作的结果
```
当我完成时，我的回答将类似于：
最终答案：[你的作为银行助理的回答]最后，我们让代理访问对话历史，以便更好地决定当前对话所处的阶段。此外，我们还提供了供代理使用的便签板，它可以在上面存储其思维过程以执行某些操作。
自信地扮演银行助理的角色，并仅以最终答案回应。
开始！
<对话历史>
{对话历史}
{助手思考内容}编排智能数字助手需要精心设计提示来处理复杂任务。通过将对话结构化为不同阶段，提供工具并设定指导原则，我们使助手能够系统地完成入职流程。这种方法使得助手能够在各种应用场景中扩展使用，同时保持准确性。在正确的约束条件下，助手可以提供流畅、可信的客户体验。
提示设计是解锁大型语言模型（LLM）在现实世界自动化中的多功能性的关键。Amazon Bedrock 提示管理可以用于简化提示的创建、评估、版本管理和测试。这将帮助开发人员和提示工程师通过将相同的提示应用于不同的入职流程来节省时间。当你创建一个提示时，你可以选择不同的模型进行推理，并调整变量以获得适合各种工作流的最佳结果。
以下部分解释了如何在您的AWS账户中部署解决方案。
注意运行此工作负载预计每小时成本为0.98美元（以美国西部2区域（us-west-2）的AWS地区为例）。检查每个服务的价格详情，以了解您的成本。注：汇率换算可能会有所不同，请参考最新汇率进行调整。原文中美元金额未直接给出人民币等值，故保留原表述并提供说明。如需具体转换后的人民币金额，请告知以便进一步处理。力量按不同的使用层级和资源配置收费。
设置
要部署代理，请访问项目Github仓库并使用以下指令：
- 确保按照所述完成所有先决条件读我（说明文件）.
- 部署解决方案包括代理、工具基础设施和演示应用程序（按此顺序）——根据README中的说明进行操作。
- 部署成功后，访问运行演示应用的输出域名。现在您可以开始测试代理了。
测试代理功能
开始你的探索，通过访问演示所在的应用 amplify 终端。该演示包含一个互动聊天界面，允许你与数字助理 Penny 进行对话交流。每次你想启动一个新的代理实例时，请刷新网页。
让我们开始和佩妮交谈：
- 输入
你好
Penny将会用友好的问候回应
- 输入
当天收到电汇的截止时间是什么时候？
Penny将使用ProductSearch工具从加载的产品目录中查找相关信息。你可以尝试询问关于银行产品或服务的其他问题，包括AnyBank旅行奖励Visa无限卡或新车贷款。
- 输入
我想开一个新的银行账户
Penny会意识到需要启动开户流程，并将从第一步开始操作，即要求您提供电子邮件地址。
- 输入您使用Amazon SES身份注册的已验证客户电子邮件。在我们的演示中，我们将使用
anup@test.com参数Ses客户邮箱（用于示例命令来设置基础设施）
Penny将会用这个电子邮件地址进行操作电子邮件验证工具。如果有与此电子邮件相关的现有账户，它会要求您重试。否则，它将继续进行下一步，即收集您的账户类型。
- 输入
我要一个储蓄账户或者表明你想开立支票账户。
Penny将会记录你的账户类型，并继续进行KYC问题的询问。
- 输入
阿努普
Penny将记录您的姓名，并继续收集其余的KYC信息。
- 输入
拉维
它会记录你的姓氏并提示你输入身份证件。我们使用了拉维以匹配下方提供的身份证件。
- 下载图片ID。它也位于
./api/lambdas/test/通行证.png
上传到聊天中，选择选择文件.
上传图片后，您将在聊天中收到一条确认消息表示我们已收到您的文件帕尼将使用身份验证来对比在会话中输入的姓名和证件上的信息。验证完成后，帕尼将提示您上传一张自拍照。
- 上传位于的自拍照片
./api/lambdas/test/自拍.png通过选择选择文件.
上传完成后，您将在聊天中收到确认消息表示我们已经收到了您的文件萍妮将使用自拍验证功能来对比身份证上的照片与自拍的照片是否匹配。验证完成后，萍妮会提示您确认是否继续进行操作。
- 输入
是的，我确认
Penny将使用创建账户来完成入门流程并发送电子邮件确认。它将在聊天中通知您此更新。
检查你使用的客户邮箱。指定的电子邮件地址是客户电子邮件参数（在此示例中：）anup@test.com) 在设置期间将会收到一封新的电子邮件，该邮件来自您设置的电子邮件地址赛斯银行邮件参数（在这个例子中：）业主@任何银行.com).
- 进入DynamoDB控制台，选择表格从导航窗格中选择由创建的表AWS云 formation这是银行AWS账户中的账户表。从表格页面，选择探索物品您将看到一个使用输入的信息创建的新账户。
护栏和安全措施
安全性是任何应用程序的关键部分，在开发和部署解决方案时必须严格处理，特别是那些涉及处理敏感数据或与用户交互的解决方案。对于类似本文中示例的解决方案，应实施若干强大的安全措施以维护系统的保密性、完整性和可用性。
- 解决服务本身的安全性。一种缓解潜在偏见、毒性或其他不希望的输出的方法是使用宪法人工智能技术，例如由LangChain库提供的那些技术或亚马逊Bedrock的防护栏通过定义和强制执行一组规则或约束，系统可以被训练生成符合预定义的伦理原则和价值观的输出，从而增强服务的信任度和可靠性。
- 为了保持数据保护和隐私建议实施只写数据库架构。在这种设置下，代理或服务可以将数据写入数据库，但禁止读取或检索敏感存储信息。这一措施有效地隔离了敏感用户数据，确保即使在发生安全漏洞的情况下，代理也无法访问或披露机密细节。
- 提示注入攻击恶意输入被精心制作以操控系统的行为，这是对话式人工智能系统中一个严重的问题。为了降低这一风险，实施强大的输入验证和清理机制至关重要。这可能包括使用白名单许可字符、过滤掉潜在有害模式以及采用上下文感知的输入处理技术等方法。
- 安全编码实践，如输入验证、输出编码和适当的错误处理，在整个开发过程中应严格遵循。应该定期进行安全审计、渗透测试和漏洞评估，以识别并解决系统中的潜在弱点。
- 亚马逊API网关一个完全管理的服务，安全地处理API流量，作为在AWS上运行的应用程序的入口。它支持多种安全机制，包括Amazon Web Services 身份和访问管理（IAM）用于身份验证和授权，AWS WAF用于网页应用保护，AWS密钥管理服务用于安全存储和检索密钥，并与AWS云轨迹服务用于API活动日志记录。API网关还支持客户端SSL证书, API密钥，和 资源策略用于细粒度访问控制。
- 用户、解决方案及其内部依赖项之间的通信应使用加密等方式进行保护TLS加密传输中的数据。
- 此外，数据应使用静态数据加密进行加密，采用AWS 密钥管理服务 (AWS KMS)客户管理密钥（CMK）
通过实施这些强大的安全措施并培养持续的安全意识和改进的文化，该解决方案可以更好地防范潜在威胁，保护用户隐私，并维护服务的完整性和可靠性。
清理
遵循以下步骤清理说明在README中GitHub仓库从您的账户中移除环境。
结论
在这篇文章中，我们介绍了一个端到端的解决方案，展示了银行如何通过一个由人工智能驱动的数字助理来变革用户开户流程。通过协调AWS服务之间的工作流，我们在几分钟内实现了自动化、安全的账户开设。对话界面提供了卓越的客户体验，同时降低了运营成本。
此解决方案可以快速部署并利用Amazon Bedrock的功能进行增强。亚马逊Bedrock代理服务通过执行多步骤任务并集成到公司系统和数据源中来优化工作流程。亚马逊Bedrock知识库提供来自专有数据源的上下文信息，提高回复的准确性和相关性。此外，亚马逊Bedrock护栏功能实施保障措施以促进负责任的AI使用，过滤有害内容并保护敏感信息。这些措施可以确保基于AI的入职解决方案的安全和稳健部署。
该解决方案的关键成果包括：
- 完全数字化开户，无需纸质表格或到访分支机构
- 基于文档和面部识别的自动化KYC验证
- 客户几分钟内通过电子邮件确认安全上线
- 通过减少手动验证工作量来降低成本
- 全天候个性化产品咨询助手
即时、安全和可扩展的交付已经成为客户期望的标准。由AWS提供支持的这款AI助手解决方案展示了金融机构用户入职流程未来潜在的发展方向。随着消费者行为和期望继续受到各行业中最新数字体验的影响，投资于先进技术的银行将比竞争对手获得竞争优势。
准备未来化您的银行体验吗？访问人工智能与机器学习在金融服务中的应用与AWS。
关于作者
阿努普 拉维因德拉纳特是一位位于加拿大Toronto的亚马逊网络服务（AWS）高级解决方案架构师，与金融服务组织合作。他帮助客户转型业务并在云端进行创新。
阿莉娅·苏布拉马尼亚马先生/女士（根据性别应调整，此处未提供具体信息，保持原名）是一位位于加拿大Toronto的解决方案架构师。她作为一名技术顾问与企业绿地客户以及中小型企业合作，帮助他们利用云端解决方案解决商业挑战。Arya拥有不列颠哥伦比亚大学温哥华分校的计算机工程应用科学学士学位。她对生成式人工智能的热情促使她开发了多种解决方案，这些方案通过专注于提示工程和AI代理来利用大型语言模型（LLMs）。
文卡塔·斯里纳拉亚那·奇瓦塔姆是一位在亚马逊网络服务（AWS）担任解决方案架构师的专业人士。他专注于生成式人工智能和计算机视觉，特别关注于推动医疗保健和金融等行业中的采用。在AWS，他帮助独立软件供应商（ISV）和中小型企业（SMB）客户利用前沿的人工智能技术解锁新的可能性并解决复杂挑战。他对支持各种规模的企业在其人工智能旅程中充满热情。
阿克夏塔·拉梅什·拉奥Akshata 是加拿大多伦多的一名解决方案架构师。她与企业客户合作，加速创新，并就技术挑战提供建议。她也非常喜欢与中小型企业客户合作，帮助他们快速、安全且经济高效地利用 AWS 服务、框架和最佳实践实现业务目标。在加入 AWS 之前，Akshata 曾在亚马逊担任 Devops 工程师，并拥有渥太华大学计算机科学硕士学位。