梁林森

摘 要：隨著客戶服務(wù)工作的不斷推進(jìn)，為客戶提供的服務(wù)業(yè)務(wù)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(shù)手段來緩解客服工作人員的工作壓力，有效降低服務(wù)成本，提高服務(wù)效率。根據(jù)公司2018年?duì)I銷農(nóng)電重點(diǎn)工作計(jì)劃要求，加快服務(wù)渠道轉(zhuǎn)型升級，深化“互聯(lián)網(wǎng)+”電力服務(wù)建設(shè)已成為客服建設(shè)的首要目標(biāo)。目前使用的知識庫僅能通過關(guān)鍵詞或目錄查找知識文檔、對坐席的要求較高進(jìn)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(dāng)前智能應(yīng)答潮流、知識的多樣性等方面上越來越不能滿足業(yè)務(wù)的需要。文章應(yīng)用技術(shù)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(shù)，在此之上，開展含地方特色的智能95598支撐系統(tǒng)關(guān)鍵技術(shù)研究及應(yīng)用。

關(guān)鍵詞：智能客服；智能應(yīng)用；自然語音處理；知識圖譜

1 核心技術(shù)研究及應(yīng)用

1.1 知識庫的建設(shè)與模型的開發(fā)訓(xùn)練

（1）收集整理供電營業(yè)廳客戶服務(wù)知識的范例，建立客戶服務(wù)語料庫、范例知識庫和知識圖譜。

（2）研發(fā)基于深度學(xué)習(xí)中的詞向量嵌入語義空間的信息檢索技術(shù)，提高人機(jī)會話業(yè)務(wù)咨詢的能力和高質(zhì)量人機(jī)交互的體驗(yàn)，建立基于語義理解的人工智能交互問答的業(yè)務(wù)應(yīng)用智能檢索模型。

（3）應(yīng)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(wù)語料庫和范例知識庫，開發(fā)并訓(xùn)練出供電營業(yè)廳客戶服務(wù)的智能問答業(yè)務(wù)咨詢及業(yè)務(wù)辦理的機(jī)器學(xué)習(xí)模型，并進(jìn)行實(shí)際應(yīng)用場景的交叉驗(yàn)證及優(yōu)化機(jī)器學(xué)習(xí)模型。

（4）研發(fā)一款適用于供電營業(yè)廳服務(wù)的機(jī)器人客戶服務(wù)人工智能應(yīng)用軟件。

1.2 基于AI驅(qū)動的智能知識庫系統(tǒng)關(guān)鍵技術(shù)研究及應(yīng)用

（1）研究95598全業(yè)務(wù)知識圖譜構(gòu)建技術(shù)，建立面向所有客戶服務(wù)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(shù)，提高搜索的準(zhǔn)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(shí)現(xiàn)問題自動聚類分析和挖掘擴(kuò)展的目的。

（4）研究智能知識庫系統(tǒng)兼容性和擴(kuò)展性，建立智能知識庫的對外服務(wù)接口、運(yùn)維管理及安全管控標(biāo)準(zhǔn)規(guī)范，滿足智能互動式語音應(yīng)答（Interactive Voice Response，IVR）、智能質(zhì)檢的拓展運(yùn)用。

1.3 含地方特色的智能IVR服務(wù)系統(tǒng)關(guān)鍵技術(shù)研究及應(yīng)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(xùn)練和優(yōu)化，實(shí)現(xiàn)對客戶意圖的準(zhǔn)確研判，幫助客戶快捷跳轉(zhuǎn)至對應(yīng)的IVR服務(wù)，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(dǎo)航全語音和半語音混合服務(wù)模式，建立快速服務(wù)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(gòu)架下建立自助語音服務(wù)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(wù)系統(tǒng)。

（4）建立智能IVR服務(wù)的客戶標(biāo)簽庫，實(shí)現(xiàn)對客戶訴求熱點(diǎn)、難點(diǎn)進(jìn)行聚類分析和自動預(yù)警。

2 NLP和知識圖譜技術(shù)

自然語言處理（Natural Language Processing，NLP，語義計(jì)算）和知識圖譜（Knowledge Graph，KG，知識計(jì)算）作為認(rèn)知智能的關(guān)鍵技術(shù)，正成為智能應(yīng)用中新的熱點(diǎn)，也是未來發(fā)展趨勢。這兩種技術(shù)在各個領(lǐng)域的應(yīng)用場景有高度的重合，往往是互為依托、互為補(bǔ)充。業(yè)務(wù)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(guān)鍵技術(shù)。

2.1 智能問答和語義搜索

智能問答和語義搜索是NLP的關(guān)鍵技術(shù)，目的是讓用戶以自然語言形式提出問題，深入進(jìn)行語義分析，以更好理解用戶意圖，快速準(zhǔn)確獲取知識庫中的信息。

2.2 知識圖譜的邏輯架構(gòu)

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(gòu)建在數(shù)據(jù)層之上，是知識圖譜的核心，通常采用實(shí)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(chǔ)技術(shù)，是NLP進(jìn)一步進(jìn)行應(yīng)用數(shù)據(jù)挖掘分析的基礎(chǔ)，也是知識圖譜中知識抽取的基礎(chǔ)。采用的方法包括基于規(guī)則模板的槽填充的方法、基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的方法。按抽取內(nèi)容可以分為實(shí)體抽取、屬性抽取、關(guān)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(jìn)行整合，以消除矛盾和歧義，某些實(shí)體可能有多種表達(dá)，如“電費(fèi)”“電價(jià)”，某個特定稱謂也許對應(yīng)于多個不同的實(shí)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(shù)的實(shí)際應(yīng)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(jī)械重復(fù)的，還有很多沒有經(jīng)過充分培訓(xùn)很難給出準(zhǔn)確解答。現(xiàn)在出現(xiàn)了越來越多的在線客服平臺，傳統(tǒng)服務(wù)模式受到?jīng)_擊，新型服務(wù)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(lǐng)域能極大程度地降低成本、提高效率。

再就是營銷風(fēng)險(xiǎn)管控方面的應(yīng)用，主要包括風(fēng)險(xiǎn)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(yīng)用。本文針對的是智能問答應(yīng)用而非風(fēng)控系統(tǒng)應(yīng)用，所以在這不細(xì)說。

技術(shù)應(yīng)用需與具體業(yè)務(wù)場景切合，解決真實(shí)的業(yè)務(wù)問題，這對技術(shù)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(wù)平臺。咨詢是服務(wù)層面的。這個平臺面向外部用戶和內(nèi)部用戶，是一個2B結(jié)合2C的模式。通過賦能B端用戶，提高C端服務(wù)質(zhì)量。

面向外部用戶，目標(biāo)用戶是誰？面向內(nèi)部用戶，業(yè)務(wù)人員需要知識采編審閱用于內(nèi)部培訓(xùn)和交流，運(yùn)營人員需要收集反饋和優(yōu)化操作，我們都可以提供相應(yīng)的輔助。

我們把這個平臺的技術(shù)概括成兩個引擎：知識學(xué)習(xí)引擎和語義理解的引擎。這其中人機(jī)協(xié)同也非常重要，行業(yè)的準(zhǔn)確率要求接近100%，純靠機(jī)器是做不到的，需要讓人能更有效地參與，更好地貢獻(xiàn)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(xiàng)技術(shù)，都有其天花板及適用性，在一個技術(shù)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(gòu)建成本等方面。

從技術(shù)形態(tài)來看，我們希望做到精確回答垂直領(lǐng)域的問題，但是這需要在本身的準(zhǔn)確率、覆蓋率，以及用戶體驗(yàn)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(shù)能夠更好嵌入，來滿足多引擎的需求。

具體的工程實(shí)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(shù)層的領(lǐng)域詞挖掘、數(shù)據(jù)標(biāo)注和審核，針對不同類型的數(shù)據(jù)服務(wù)有不同的任務(wù)。

4 結(jié)語

隨著客戶服務(wù)自身業(yè)務(wù)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(wù)成本，提高服務(wù)效率。采用大數(shù)據(jù)+人工智能技術(shù)與具體業(yè)務(wù)場景結(jié)合，最大限度地發(fā)揮AI技術(shù)的優(yōu)勢，可以大大解決業(yè)務(wù)需求。業(yè)務(wù)為重心，以數(shù)據(jù)為中心，把這些關(guān)鍵技術(shù)深度應(yīng)用于業(yè)務(wù)中。