在客服行業(yè)，機器人的應(yīng)用，極大地提高了企業(yè)服務(wù)的效率和質(zhì)量，降低人力成本。那么在AI技術(shù)迅猛發(fā)展的今天，自然語言交互到底給傳統(tǒng)的客服機器人帶來了什么樣的改變？下面將會從幾個方面做一個簡單的展開。
一、算法層面：自學(xué)習(xí)能力和泛化能力加強，可實現(xiàn)淺層語義理解
首先我們先了解一下，什么是傳統(tǒng)客服機器人�？头袠I(yè)是典型的勞動密集行業(yè)，管理形式粗獷、工作時間長、工作重復(fù)性高。傳統(tǒng)客服機器人是指最早期利用關(guān)鍵詞和搜索技術(shù)搭建起來的對話機器人，目標(biāo)是解決用戶常規(guī)的重復(fù)性提問，減少人工客服的投入，改變客服工作的模式，提供7X24小時全年無休咨詢服務(wù)。
傳統(tǒng)客服機器人起步較早，在零幾年前后就起來了很多專門提供智能客服的公司。傳統(tǒng)客服機器人發(fā)展到如今已經(jīng)有快三十年的歷史，商業(yè)模式已經(jīng)相對成熟，其算法特點是通過建立規(guī)則模板知識庫，利用搜索技術(shù)在用戶問句模板與句型模板庫中模板進行匹配，返回模板預(yù)設(shè)好的答案給用戶。
然而規(guī)則模板結(jié)合搜索的做法，存在很多弊端。一是它返回用戶很多大量的或相關(guān)或無關(guān)的問題，用戶需要在這些問題菜單中進一步篩選信息，我們行業(yè)內(nèi)通常稱之為指定相關(guān)問。例如在電商場景，用戶咨詢選尺碼的問題，機器人給返回了六七條和尺碼相關(guān)的問題。
二是幾個關(guān)鍵字的規(guī)則模板組合很難清楚的表達用戶檢索意圖，同時基于關(guān)鍵字的索引，匹配算法不做語義理解，較難提高檢索的效果。我們可以嘗試換一個問題提問。
當(dāng)用戶輸入“選的尺碼不合適”時，其提問場景已經(jīng)轉(zhuǎn)變成用戶收到貨后，試穿之后發(fā)現(xiàn)尺碼大了或小了，可能是需要退換貨。而機器人返回仍然是如何選尺碼的答案，很顯然是打中了“選”和“尺碼”兩個關(guān)鍵字造成的誤匹。從這個結(jié)果不難反推出如何選尺碼的問題模板就是[選][尺碼]，只要用戶輸入的問句中包含這兩個關(guān)鍵詞，不管問的是什么問題，都會暴力匹配到這題。
不解其義，囫圇吞棗地處理，檢索效果很難提高。
為了解決這個問題，機器學(xué)習(xí)技術(shù)近年來也被應(yīng)用到智能客服對話機器人上，并逐步取代傳統(tǒng)客服機器人。
我們會將關(guān)鍵詞模板稱之為前人工時代，自然語言處理和深度學(xué)習(xí)稱之為后人工時代。這兩個時代劃分的意義是，對話機器人已經(jīng)有了淺層的語義理解。打個比方說就是，前人工智能時代的機器人的語言理解能力如果是嬰兒的話，那么后人工智能時代的機器人就相當(dāng)于3~4歲的兒童。
NLP會對輸入的文本進行分詞、詞性標(biāo)注、句法分析、語義角色標(biāo)注、依存分析、言外行為分析、拼音糾錯、實體抽取等等，通過這些嘗試?yán)斫饩渥拥年P(guān)系和含義，對問題處理的精度更細。
NLP會對輸入的文本進行分詞、詞性標(biāo)注、句法分析、語義角色標(biāo)注、依存分析、言外行為分析、拼音糾錯、實體抽取等等，通過這些嘗試?yán)斫饩渥拥年P(guān)系和含義，對問題處理的精度更細。
說到這里，并不是說關(guān)鍵詞不可以用，但它只能解決最簡單的那種肯定句數(shù)據(jù)，句法稍微有一些變化，它是解決不了問題的。機器學(xué)習(xí)（ML）通過訓(xùn)練數(shù)據(jù)模型，數(shù)據(jù)的特征組合和抽象會交給深度學(xué)習(xí)自行學(xué)習(xí)，從而獲得一定的泛化能力，可以舉一反三。
所以選擇機器學(xué)習(xí)方法，數(shù)據(jù)樣本的篩選和構(gòu)造十分重要�；ヂ�(lián)網(wǎng)發(fā)展幾十年的歷史，大多企業(yè)已經(jīng)累積了大量的用戶數(shù)據(jù)，用戶的聊天日志是非常好的訓(xùn)練數(shù)據(jù)。
使用機器學(xué)習(xí)方法來挖掘大量用戶數(shù)據(jù)，可以發(fā)現(xiàn)其中并不顯著的規(guī)律。在傳統(tǒng)方法中，你的程序會變成一長串復(fù)雜的規(guī)則，這樣就會很難維護且不具備泛化能力。相反的，基于機器學(xué)習(xí)技術(shù)會自動學(xué)習(xí)哪個詞和短語是預(yù)測值，更易維護，也更精確。
機器學(xué)習(xí)的另一個優(yōu)點是善于處理對于傳統(tǒng)方法太復(fù)雜或是沒有已知模板的問題，也就是長難句。由于篇幅關(guān)系，這里就不詳細展開了。
二、產(chǎn)品層面：解決更復(fù)雜場景的用戶問題
在單輪的文本對話中，往往有些復(fù)雜的場景，無法通過一個回答來很好的解決。復(fù)雜場景需要明確用戶信息或狀態(tài)，獲取多個變量才能確定精確答案。
以物流行業(yè)常見的運費時效查詢這一個場景為例，用戶的發(fā)貨和收貨地點、快件重量和選擇的服務(wù)都會影響到運費的計算和配送時效。如都用統(tǒng)一回答的FAQ處理，顯然不夠“智能”和有針對性，類似的復(fù)雜場景可考慮用多輪技術(shù)解決。
對于復(fù)雜問題，機械性的一問一答，無法完成復(fù)雜的任務(wù)，傳統(tǒng)方法難以解決，而多輪技術(shù)可以找到解決方案，通過把任務(wù)完成的主導(dǎo)權(quán)交給機器人，獲取用戶的變量信息，也更方便進行個性定制化回答。
在產(chǎn)品層面，如今的自然語言交互可以實現(xiàn)例如智能推薦、訪客監(jiān)控、API調(diào)用、知識圖譜，甚至語音視頻等等，對于用戶的運營來說，功能越來越豐富，手段也也來越多，這里就不一一枚舉了。
三、用戶體驗：類人程度提升，人機交互更自然
在真實的人機交互中，用戶與系統(tǒng)交互的過程中不免會涉及到閑聊。閑聊的功能可以讓對話機器人更有情感和溫度，交互也更加自然，減少冷冰冰的機械化感覺。
這其中很關(guān)鍵的一點，是識別用戶的情緒。以上海的竹間智能為例，作為中國首家致力于打造與人類具有情感共鳴、懂得人類思想的情感機器人。竹間目前做了4種的語音情緒，人的表情做了9種，文字情緒做了22種。
為什么文字情緒的分類可以多達22種？像上面這張圖，負面情緒中的討厭、憤怒、悲傷、難過、害怕其實是不一樣的意思。只有能夠識別這些負面情緒不同的東西，才有辦法去做正確的反饋。通常文字的情緒是不夠的，所以除了各式各樣的文字情緒之外，多模態(tài)的情感，是把文字情緒、人臉表情跟語音情感整個加在一起，去算出說這個人目前的總情感是什么。
傳統(tǒng)的客服機器人是缺少閑聊而且不具備情感計算功能的。提高擬人化程度，是自然語言人機交互的發(fā)展趨勢。
你可以想象未來的開放式聊天機器人，就如電影《Her》中的那個AI系統(tǒng)Samantha一樣，既細膩敏感又風(fēng)趣幽默，還擁有迷人的聲線。既能充當(dāng)工作助理的角色，也能成為情感的寄托。
四、客戶運維：降低知識庫運營成本，聚焦挖掘用戶需求
為什么說自然語言處理和深度學(xué)習(xí)的應(yīng)用，可以降低客服機器人的知識庫運營成本呢？一是因為用戶日志作為樣本數(shù)據(jù)訓(xùn)練，運營人員不需要花費較長時間學(xué)習(xí)模板規(guī)則，二是在機器人上線后后期維護只需要定期，大約每周或每天抽取幾個小時標(biāo)注未匹配到標(biāo)準(zhǔn)問的用戶日志重新訓(xùn)練即可。相較傳統(tǒng)客服機器人需要十幾人的運營團隊專職運維知識庫來說，人力投入大大較少。
再就是新的自然語言處理技術(shù)，可以對用戶聊天記錄進行多維度的分析和挖掘，如進行用戶畫像、輿情分析等，捕捉用戶更多的需求和場景，從而可以支持更精準(zhǔn)的推薦和營銷，提高企業(yè)的效益和用戶體驗。
但陽光之下也不是沒有陰影，在人工智能技術(shù)取得了顯著進步的同時，質(zhì)疑的聲音也悄然興起，給人工智能蒙上了一層陰翳，首先，就目前的AI技術(shù)來說，還遠遠沒達到人們對“智能”的想象——擁有像人一樣的思考和推理和能力。其次也不乏別有用心者利用大數(shù)據(jù)催生精準(zhǔn)騙局，騷擾電話防不勝防。
但硬幣的兩面性決定我們，不能因為人性的貪婪而因噎廢食，因此忽視這些技術(shù)應(yīng)用給企業(yè)服務(wù)帶來的確實的效益和便利性，關(guān)鍵是在如何合理地利用和加強監(jiān)管，規(guī)范行業(yè)亂象，讓真正擁有技術(shù)的公司良性發(fā)展，讓AI技術(shù)真正造福人類。
