内容简介:企业服务智能化管理,都面临哪些痛点?针对这些痛点,市场上都有哪些解决之道,各自优劣区别如何?对你的企业来说,什么才是最优求解方案?在AI的产品开发应用上,有哪些误区和经验,又如何实现敏捷开发?从追一的实践和探索,希望能够和大家一起分享交流。提到智能管理,可能大家首先想到的就是智能质检,这类应用与客服机器人有着本质的区别。前者是AI帮助人做数据挖掘、人机协同,后者是机器完全替代人来完成封闭场景的对话交互。我们将智能管理的发展划分为4个阶段:
企业服务智能化管理,都面临哪些痛点?针对这些痛点,市场上都有哪些解决之道,各自优劣区别如何?对你的企业来说,什么才是最优求解方案?在AI的产品开发应用上,有哪些误区和经验,又如何实现敏捷开发?从追一的实践和探索,希望能够和大家一起分享交流。
智能管理的四个阶段
提到智能管理,可能大家首先想到的就是智能质检,这类应用与客服机器人有着本质的区别。前者是AI帮助人做数据挖掘、人机协同,后者是机器完全替代人来完成封闭场景的对话交互。
我们将智能管理的发展划分为4个阶段:
第一阶段:基于传统专家系统的智能质检。
通过关键词模版、正则表达式对客户和坐席的会话日志进行分析,生成文本质检报告;在此基础上前置一层ASR,可以为通话录音生成语音质检报告。但这类实现方式在准确率、泛化能力和运营有效性上都存在明显的瓶颈。
第二阶段:基于深度学习(语音+语义)的智能质检。
有些客户找到我们说想要更换质检系统,原因是老系统要维护关键词模版,效率低下,还容易出现漏命中、误命中的情况。这些痛点恰恰可以靠深度学习来弥补,比如用RNN实现语义理解,用CNN、RNN实现声学和文本的情感分析,用CNN、Bi-LSTM实现VAD(语音活动检测)。监督学习依赖标注数据,初始化阶段需要一定的人力投入。但长期来看AI训练师的投入会逐步递减,整体的ROI远超专家系统。
第三阶段:利用自学习的运维工具,大幅提升质检引擎的运营有效性。
基于深度学习的B端产品能否取得成功,不仅取决于神经网络等底层技术,很大程度上取决于工程化、产品化和运营的成熟度。模型效果可以决定产品的下限,而运营有效性、用户体验、交付和售后服务则决定了产品的上限。
客户拿到产品后,大量的训练数据需要人工标注,规则策略需要人工编写,Badcase需要人工核查,效果调优需要人工操作。高门槛、高频的人工操作,已经成为B端AI产品的最核心痛点。为了解决这一痛点,我们做了两件事:
1、提供智能化运维 工具 包。
例如:数据标注、深度学习训练平台、语义快速教育、新语义发现、语义智能消歧以及模型调试等工具,尽最大可能减少维护的难度。
2、授人以鱼不如授人以渔。
将运营过程中的经验、方法论沉淀成《智能管理运营手册》,详细描述智能冷启和持续运营的5个阶段。它可以作为指导教材,帮助AI训练师有坡度、有温度地掌握工具,帮助企业牢牢守护住运维ROI。
第四阶段:事前+事中+事后的闭环智能管理解决方案。
随着企业对风控、质控的要求越来越高,事后质检很难满足时效性的需求。所以培训机器人和坐席助手两种产品形态就应运而生,它们分别补全了事前培训和事中人机协同的环节,配合智能质检覆盖了整个坐席服务的周期。
我们回顾一下智能管理的四个发展阶段:从专家系统到深度学习,从穷举式运维到智能化运维,从事后质检到全周期服务管理,共发生了三次质变。
闭环化的智能管理产品
目前在智能管理方向上,绝大多数厂商处于第一阶段,第二阶段的厂商只有几家。能提供三款闭环产品 + 基于深度学习的语义理解 + 智能化运维工具包,并支持标准化交付的只有追一科技。
下面分别介绍智能管理的三款产品:
1、See:智能质检
See的定位是对坐席与客户的通话录音、文本会话进行质检分析。其模块包含质检引擎、分角色的工作台(人工抽检、客服申诉、复审、训练师)和数据统计等功能。质检引擎包含12个维度的分析算子,帮助质检员实现更加精准的质控。
See的分析引擎支持十几种算子,除了关键词、正则、RNN、情绪等文本算子以外,还支持语音情绪、语速、抢话、静音等声学算子。初始化阶段会有一定的AI训练师投入,后期业务方每周只需要投入少量时间即可完成调优工作。
2、Pal:坐席助手
Pal的定位是坐席的智能助手,在电话服务过程中为客服坐席提供人机协同能力。包括合规管理、流程导航、用户画像、话术推荐、智能表单和一键直达等功能,帮助提升业务效率、降低上岗门槛,提升营销转化。
客服坐席在通话过程中会伴随大量业务操作,比如工单系统、CRM。好的产品是用完即走的,Pal如何以贴心助手的角色融入到场景中呢?我们为它设计了三种模式:隐藏模式、简单模式和完整模式。只有当坐席需要的时候,各项功能才会冒出来与坐席交互,多数情况下在后台就偷偷完成分析过程。
3、Learn:智能培训
Learn的定位是对新手或者有短板的坐席进行场景仿真练习。客服行业人员流动率非常高,传统的老带新培训模式效率较低,老员工的耐心有限,但机器人是不知疲倦的。
Learn分为学、练、考、评四个模块:
1)、学习:坐席通过教学视频、PPT等素材完成学习输入的过程。
2)、练习:坐席与机器人模拟接听、外呼等场景,反复模拟练习,直到掌握业务。
3)、考试:场景交互过程比练习模式增加了难度,去掉了提示指引。除了场景交互考题,也有选择、判断等传统题型。
4)、评分:自动化阅卷生成评分,将多维考评项合成能力脸谱,为学员指明提升路径。
以上就是三款产品的介绍,整套智能管理解决方案是一套闭环的服务。Learn在服务前帮助学员达到上岗门槛;Pal辅助坐席完成服务过程,将语音流、实时分析结果给到See做进一步的挖掘;See输出坐席画像、将优质案例和反面案例给到Learn做为课件和题目的参考素材,并根据坐席能力短板推荐课程和考题。三款产品贯穿服务的全流程,实现了数据的高效复用。
做产品创新的公司,需要主动承担起定义标准、解释标准和推广标准的责任。我们为智能管理制定了一套验收标准,包含功能模块、效果指标、用户体验等三个方面。项目实施的过程中,客户会收到详细的自测验收报告。
挑战与思考
在做产品的过程中,我们也遇到过一些挑战和思考:
(一)智能分析引擎应该依赖深度学习还是专家系统?
先来看下RNN和关键词主要有哪些差异:
1、匹配模式不同
关键词是精准匹配,优势是可解释性,配置后立即生效。RNN有更强的泛化能力,局限是不可解释,无法做可控的调优(AI训练师可以凭借经验做一定的优化)。举个例子,当ASR转译出错的时候,用关键词匹配就很难正确命中。
2、数据来源和运维效率不同
关键词和正则更依赖用户对业务的理解,需要人工梳理出关键词;而RNN的训练数据主要来源于生产系统的会话日志,后期的维护效率也比关键词高1.5到2倍。
3、适用的语境不同
开头语、结束语、礼貌用语、禁用语就很适合用专家系统,例如“你好,很高兴为您服务”,这种讲话的定式很容易用正则来穷举。但像【客户表达不满】这种相对发散的语义,叙述方式灵活多变,更适用RNN来匹配。
为了分析RNN和关键词的取舍问题,我们拿实际落地的项目做了些研究。在确保质检引擎准确率≥90%的前提下,寻找效果最优的配置逻辑,不刻意偏重关键词或RNN。结果某基金公司有80%的质检规则使用RNN+关键词,10%的规则纯用关键词,10%的规则用声学算子;某新能源车企的33条质检规则都同时使用RNN和关键词;其他项目大多数规则也是两种算子共存。
所以结论是:关键词决定了质检水平下限,RNN决定了质检水平的上限。过度依赖其中的一种,都是产品不够成熟的表现,二者互相结合才能做出好的效果。
除了算子的选取,影响质检引擎效果的因素还有很多,比如分类体系、语料歧义、数据量、数据粒度、话者分离等。在讲智能管理发展阶段的时候,我提到了运营有效性和方法论。通过《智能管理运营手册》和行业数据积累,可以帮助客户完成高效的智能冷启和持续运营。
(二)如何做好语音交互的场景化?
B端产品最终也是给人用的,我们在打造智能管理的过程中,很多场景体验都按照C端的标准。
语音类产品的场景化有三个原则:
1、单场景的极致闭环:例如Pal坐席助手的5个模块有相互独立的触发条件,流程上相互照应,交互体验和谐统一。
2、跨场景的无缝衔接:例如智能管理将实时、事前和事后的三个场景衔接贯通,共用分析引擎和训练数据;质检分析结果回流到培训系统中,形成服务闭环。
3、人性化的交互体验:例如机器人的TTS播报略显生硬,如果用录音来代替,交互的感受就更有温度。同时也减少调用TTS服务的时间,还能砍掉TTS的成本;在VUI逻辑中,我们加入了容错轮次,给坐席一次重说的机会,避免了学员的尴尬。
在技术选型上,也需要忠于用户体验。对于偏流程化、目的性强的语音场景,业界一般用任务型来实现。但培训机器人和智能外呼的角色完全对调,我们反复推敲了二者的差异性,最终决定只引入任务型的设计思想,没有拿外呼的NLP方案来生搬硬套。
(三)客户对AI产品的过高期望和误解
1、客户应该对AI抱有怎样的期望?
有人提出要用机器代替人去扛营销转化率,其实营销是一门体现情商和柔性技巧的学问,连人类都未必能扛得住营销转化率。在营销场景中,机器辅助人的可落地性远远强于机器人代替人。如果一定要用Bot直接做营销,可以尽量避免过于发散的场景,截取一段相对收敛的流程用任务型来实现。
就连大家津津乐道的Alpha Go,也是挑选了收敛的围棋场景,在既定规则内最大化发挥出计算性能的优势。深度学习的根基是统计学,神经网络的抽象层级还比较浅。相比于人类,AI不具备背景常识,更没有自我意识和感情,不要苛求它去做特别深刻的逻辑推理。
2、AI技术是场景落地的主要瓶颈么?
技术实力的确是落地的核心基础,但发展到一定规模后,产品运营、后端资源、服务能力会成为商业化成功的关键。即便是拥有超强算法能力的AI巨头,也没有精力做好每个细分领域的产品。各种算法模型从实验阶段到工程化、产品化、规模化交付再到口碑运营,中间有太长的路要走。
3、如何快速验证一款深度学习产品的水平?
任何厂商都可以对外宣称自己拥有某项AI技术,但产品的落地依托于真实的投入与沉淀。很多客户都没意识到这一点,也很难分辨出厂商之间的真正差距在哪里。其实到底有没有,拉出来遛一遛就知道了。
分享个小技巧:让厂商实际操作数据标注、模型训练和模型调用的流程,证明自己有基于深度学习的智能运维工具。然后看这套工具是否跟产品系统融合统一,给到用户的交互界面是否友好。如果这些都满足,就说明产品相对成熟,技术也差不到哪里去。
4、深度学习or专家系统?
现在有很多AI厂商过度渲染深度学习的优势,也有更多专家系统的厂商攻击深度学习冷启动周期的弊端,其实这些都是有局限性的无意义对比。比如智能管理场景的最优方案,就是通过专家系统+深度学习的多维算子叠加来实现。并不绝对依赖于某一种技术,同时也能确保运维的效率。鼓吹其中的任何一种,都是产品不成熟的表现。
5、一些训练数据或模型能否复用?
关键看场景的重合度,比如智能管理的3款产品之间有部分模型可以复用,而外呼机器人跟智能质检的模型就无法强行复用。客户想要复用模型,其本质诉求无非就是降本升效。我们假设模型真的可以复用,也就只提升了1倍的运维效率,依然无法应对业务迭代的情况,而我们提供的【新语义发现】+【快速教育】工具却可以将运维效率提升十倍以上。
6、会话轮数是不是越多越好?
会话轮数从来都不会成为考核Bot交互能力的指标。关键是多轮会话的目的是要完成一项清晰的任务,还是完成一通闲聊?如果是为了完成任务,就要将场景尽可能收敛,交互路径尽可能缩短。聊的越久,越容易出错。
(四)AI时代团队如何敏捷进化?
最后是一些关于敏捷的思考。我们团队是公司的一个产品研发小组,在18年3月上线See,6月上线Pal,9月上线Learn,12月份做出其他创新型产品,奔跑速度已经不弱于互联网公司。
快速裂变的过程中,蒙眼狂奔一定会掉链子,关键看如何坚守克制与取舍。我国的toB大环境下很难避开定制化,如何寻找标准化与定制化的平衡点呢?
这非常考验产品团队的基本功,我经常拿2个问题来挑战组员:
1、给产品做加法时,能解决人无我有的问题,还是人有我优的问题?
2、最终能获胜的凭什么是你?需要讲清楚背后的隐性逻辑。
做产品必须要敢于接受直逼灵魂的拷问。这是个不缺脑暴的时代,模糊、发散的idea并不值钱。只有当我们对核心细节做到入微操控,推演出金字塔尖的东西时,才可能做出核心竞争力。
同时,敏捷进化只靠内部努力还远远不够,更需要群智效应和创造力赋能。群智效应是指业务方、厂商一起贡献智慧。创造力赋能是指价值传递过程中,给到客户的不仅是工具本身,更包含驾驭工具、探索新事物的能力。
目前AI行业竞争非常激烈,各公司的保密工作都很到位。外界对AI公司有强烈的好奇心,希望能得到业内的更多分享。AI公司也渴望通过更多合作来获取数据、打磨场景,提升业务纵深能力和规模化落地能力。
产品和业务本质上是共生关系,脱离业务的AI产品就是没有灵魂的躯壳,所以我们一直都在尝试向客户与合作伙伴传递产品理念。还是希望业务方和AI公司都持有更加开放的心态,如果大家能坐下来深入探讨,就一定能挖掘出有价值的解决方案。
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 打破数据黑洞 数字工厂走向闭环
- 从数据闭环谈微服务拆分
- 使用objc runtime实现闭环的懒加载
- 回顾WWDC2019:苹果第五系统诞生,生态闭环完善
- 1 个闭环 + 1 个案例,为你解读实现数据驱动的秘诀
- 分区取模分库分表策略:多表事务分库内闭环解决方案
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
CLR via C#
(美)Jeffrey Richter / 周靖 / 清华大学出版社 / 2010-9 / 99.00元
本书针对CLR和.NET Framework 4.0进行深入、全面的探讨,并结合实例介绍了如何利用它们进行设计、开发和调试。全书5部分29章。第Ⅰ部分介绍CLR基础,第Ⅱ部分解释如何设计类型,第Ⅲ部分介绍基本类型,第Ⅳ部分以实用特性为主题,第Ⅴ部分花大量篇幅重点介绍线程处理。 通过本书的阅读,读者可以掌握CLR和.NET Framework的精髓,轻松、高效地创建高性能应用程序。一起来看看 《CLR via C#》 这本书的介绍吧!