梁林森
摘 要:隨著客戶服務工作的不斷推進,為客戶提供的服務業(yè)務越來越多,客服工作人員的壓力越來越大,急需通過新的管理模式和技術手段來緩解客服工作人員的工作壓力,有效降低服務成本,提高服務效率。根據(jù)公司2018年營銷農(nóng)電重點工作計劃要求,加快服務渠道轉(zhuǎn)型升級,深化“互聯(lián)網(wǎng)+”電力服務建設已成為客服建設的首要目標。目前使用的知識庫僅能通過關鍵詞或目錄查找知識文檔、對坐席的要求較高進而影響了知識的使用效率,增加了通話時長等不足和亟待優(yōu)化的急迫性,逐漸在當前智能應答潮流、知識的多樣性等方面上越來越不能滿足業(yè)務的需要。文章應用技術基于成熟商用的語音識別、自然語音處理平臺與知識圖譜技術,在此之上,開展含地方特色的智能95598支撐系統(tǒng)關鍵技術研究及應用。
關鍵詞:智能客服;智能應用;自然語音處理;知識圖譜
1 核心技術研究及應用
1.1 知識庫的建設與模型的開發(fā)訓練
(1)收集整理供電營業(yè)廳客戶服務知識的范例,建立客戶服務語料庫、范例知識庫和知識圖譜。
(2)研發(fā)基于深度學習中的詞向量嵌入語義空間的信息檢索技術,提高人機會話業(yè)務咨詢的能力和高質(zhì)量人機交互的體驗,建立基于語義理解的人工智能交互問答的業(yè)務應用智能檢索模型。
(3)應用上述研發(fā)的基于語義理解的智能檢索模型以及供電營業(yè)廳客戶服務語料庫和范例知識庫,開發(fā)并訓練出供電營業(yè)廳客戶服務的智能問答業(yè)務咨詢及業(yè)務辦理的機器學習模型,并進行實際應用場景的交叉驗證及優(yōu)化機器學習模型。
(4)研發(fā)一款適用于供電營業(yè)廳服務的機器人客戶服務人工智能應用軟件。
1.2 基于AI驅(qū)動的智能知識庫系統(tǒng)關鍵技術研究及應用
(1)研究95598全業(yè)務知識圖譜構建技術,建立面向所有客戶服務渠道的知識管理方案。
(2)研究基于語義理解的搜索引擎技術,提高搜索的準確性和快速性。
(3)建立省級95598客服統(tǒng)一知識智能化平臺,開發(fā)省級智能知識庫系統(tǒng),可實現(xiàn)問題自動聚類分析和挖掘擴展的目的。
(4)研究智能知識庫系統(tǒng)兼容性和擴展性,建立智能知識庫的對外服務接口、運維管理及安全管控標準規(guī)范,滿足智能互動式語音應答(Interactive Voice Response,IVR)、智能質(zhì)檢的拓展運用。
1.3 含地方特色的智能IVR服務系統(tǒng)關鍵技術研究及應用
(1)研究含地方特色語音語言的語音模型和語義理解模型,不斷積累文本知識和高質(zhì)量海量語音數(shù)據(jù),并對上述模型自動訓練和優(yōu)化,實現(xiàn)對客戶意圖的準確研判,幫助客戶快捷跳轉(zhuǎn)至對應的IVR服務,減少客戶與IVR交互次數(shù),精簡客戶的操作。
(2)研究智能IVR導航全語音和半語音混合服務模式,建立快速服務場景流程與規(guī)范,以最優(yōu)路徑解決客戶問題。
(3)在智能知識庫構架下建立自助語音服務知識體系,智能搜索和調(diào)取與客戶意圖相匹配的知識信息,開發(fā)省級智能IVR服務系統(tǒng)。
(4)建立智能IVR服務的客戶標簽庫,實現(xiàn)對客戶訴求熱點、難點進行聚類分析和自動預警。
2 NLP和知識圖譜技術
自然語言處理(Natural Language Processing,NLP,語義計算)和知識圖譜(Knowledge Graph,KG,知識計算)作為認知智能的關鍵技術,正成為智能應用中新的熱點,也是未來發(fā)展趨勢。這兩種技術在各個領域的應用場景有高度的重合,往往是互為依托、互為補充。業(yè)務為重心,以數(shù)據(jù)為中心。如何讓電力行業(yè)知識發(fā)揮作用依賴于這些關鍵技術。
2.1 智能問答和語義搜索
智能問答和語義搜索是NLP的關鍵技術,目的是讓用戶以自然語言形式提出問題,深入進行語義分析,以更好理解用戶意圖,快速準確獲取知識庫中的信息。
2.2 知識圖譜的邏輯架構
知識圖譜在邏輯上可分為模式層與數(shù)據(jù)層兩個層次。模式層構建在數(shù)據(jù)層之上,是知識圖譜的核心,通常采用實體庫來管理知識圖譜的模式層。
2.3 知識抽取
知識抽取是NLP的一種基礎技術,是NLP進一步進行應用數(shù)據(jù)挖掘分析的基礎,也是知識圖譜中知識抽取的基礎。采用的方法包括基于規(guī)則模板的槽填充的方法、基于機器學習或深度學習的方法。按抽取內(nèi)容可以分為實體抽取、屬性抽取、關系抽取、規(guī)則抽取、事件抽取等。
2.4 知識融合
在獲得新知識之后,需要對其進行整合,以消除矛盾和歧義,某些實體可能有多種表達,如“電費”“電價”,某個特定稱謂也許對應于多個不同的實體等。
2.5 知識加工
對于經(jīng)過融合的新知識,需要經(jīng)過質(zhì)量評估之后(部分需要人工參與甄別),才能將合格的部分加入知識庫中,以確保知識庫的質(zhì)量。
3 人工智能技術的實際應用
傳統(tǒng)方式的人工客服是一個勞動密集型+知識密集型的工作,人工客服流動性非常大,客戶滿意度不高。大部分是機械重復的,還有很多沒有經(jīng)過充分培訓很難給出準確解答?,F(xiàn)在出現(xiàn)了越來越多的在線客服平臺,傳統(tǒng)服務模式受到?jīng)_擊,新型服務向自助或者在線式轉(zhuǎn)型,采用大數(shù)據(jù)+人工智能在客服領域能極大程度地降低成本、提高效率。
再就是營銷風險管控方面的應用,主要包括風險回避和損失控制等;也涉及一些反欺詐的識別,比如信用評級和評估,如營銷征信系統(tǒng),衡量用戶信用情況的應用。本文針對的是智能問答應用而非風控系統(tǒng)應用,所以在這不細說。
技術應用需與具體業(yè)務場景切合,解決真實的業(yè)務問題,這對技術人員提出了很高的要求和挑戰(zhàn)。
筆者覺得有很多事情可以去做,搭建了一套智能咨詢服務平臺。咨詢是服務層面的。這個平臺面向外部用戶和內(nèi)部用戶,是一個2B結合2C的模式。通過賦能B端用戶,提高C端服務質(zhì)量。
面向外部用戶,目標用戶是誰?面向內(nèi)部用戶,業(yè)務人員需要知識采編審閱用于內(nèi)部培訓和交流,運營人員需要收集反饋和優(yōu)化操作,我們都可以提供相應的輔助。
我們把這個平臺的技術概括成兩個引擎:知識學習引擎和語義理解的引擎。這其中人機協(xié)同也非常重要,行業(yè)的準確率要求接近100%,純靠機器是做不到的,需要讓人能更有效地參與,更好地貢獻知識。
智能問答有很多范式,2011—2012年出現(xiàn)了很多開元的知識庫和吸引眼球的嘗試,現(xiàn)階段任何一項技術,都有其天花板及適用性,在一個技術不能打遍全場的情況下,需要有多引擎的問答。
在真正使用智能問答時,需要綜合考慮數(shù)據(jù)來源、數(shù)據(jù)規(guī)模和構建成本等方面。
從技術形態(tài)來看,我們希望做到精確回答垂直領域的問題,但是這需要在本身的準確率、覆蓋率,以及用戶體驗等很多方面做綜合考慮,所以數(shù)據(jù)的來源,或者知識本身的形態(tài)會多種多樣。我們希望更加友好的、直觀可以判斷的技術能夠更好嵌入,來滿足多引擎的需求。
具體的工程實踐主要是4塊:數(shù)據(jù)收集;模型更新;上線發(fā)布;反饋收集。數(shù)據(jù)獲取通過技術層的領域詞挖掘、數(shù)據(jù)標注和審核,針對不同類型的數(shù)據(jù)服務有不同的任務。
4 結語
隨著客戶服務自身業(yè)務拓展的需求,客服工作人員的壓力越來越大,為有效降低服務成本,提高服務效率。采用大數(shù)據(jù)+人工智能技術與具體業(yè)務場景結合,最大限度地發(fā)揮AI技術的優(yōu)勢,可以大大解決業(yè)務需求。業(yè)務為重心,以數(shù)據(jù)為中心,把這些關鍵技術深度應用于業(yè)務中。