智能客服-大公司的現在，客服行業的未來？

智能客服–AI 大行其道的今天，在所有可自動化的領域中，客服服務無疑是自動化行業重要的目標之一。
虛擬客戶代理（以下簡稱 VCA），是一種智能係統，能夠在和客戶聊天的過程中，了解需求，
並提供各種相應答案來解決客戶問題。
當然，在本篇文章中所談到的 VCA ,都是能理解自然語言的智能機器，與其交流，
並非需要輸入複雜的 NPL 機器語言。
簡而言之，這些 VCA 將與人類客服形成直接競爭。 （
看看現在市面上那些人類客服的態度，我毫不懷疑，不久的將來，這些職位會被機器所取代。）
下面是 VCA 開發所需要面臨的一些關鍵問題：
VCA 首先需要大量語句進行練習
開發人員需要模擬用戶語氣來訓練 VCA 的反應，這個過程包含了數以千計的常見口語化問題，
囊括我們日常可能犯的一些低級錯誤，比如方言、語法和拼寫錯誤。
然而現實是，並沒有那麼多的可供訓練的句型。
對此有兩種解決方法，第一種是開發人員人為的寫上千種句子，
第二種是等 VCA 上線後，在實踐中蒐集用戶的反饋。
第二種顯然不行，會極大影響第一批用戶的體驗，形成不了口碑，很有可能造成惡性循環。
即使公司有成千上萬條語句，這些語句對 VCA 來說也是無效的，因為他們沒有和說話人的意圖掛上鉤。
（舉個例子，「你想幹什麼」這句話，生氣時說和日常說萬萬全全是不同的效果。）
所以，如果人為的給這麼多語句加上與之相配的「意圖」，是一件非常耗時的工作。
公司的解決方案是開發一套半自動的「問題——意圖」配對工具，大大縮短了配對時間。
不可能用一種算法來理解所有用戶的意圖。
機器人學習途徑還是從用戶先前的對話中學習，簡單點說，從用戶過往的聊天記錄中揣測用戶的意圖。
問題是，用戶對銀行的問題和對電信公司提出的問題是完全不同的，沒有現成的一種算法，
可以一次性讓機器從這兩種完全不同的情境中，猜對用戶意圖。
解決辦法自然是設置不同的算法，如SVMs、Naive Bayes、LSTMs和feedforward neural networks 的組合，
匹配不同情景下的提問，提煉出不同的意圖。這種方法可以創造更加準確的答案。
兩種使 VCA 超越目前人工智能的方法
要知道，從一大段對話中提取信息是一件極其困難的事情，
你在看一篇文章時，不僅需要讀懂文字浮於表面的意思，還要將這些意思映射到你對世界的理解中。
舉個例子，一句很簡單的話，「我的哥哥騎自行車」，有很多隱藏在語句之下的邏輯。
比如，我和我的哥哥是擁有同一對父母，我的哥哥比我大，我哥是一個人，
自行車是一樣可以被拿來用的、沒有生命的物品······這些認知，
或者說世界觀，是我們在和這個世界長期接觸中學到的。
如果在將文本意思映射到世界觀中出現了匹配錯誤或者無法匹配，這句話將被認為是毫無意義的。
由於今天造一台計算機，不包括世界觀的輸入，所以在它看來，
一句話僅僅就是一串毫無意義、被動鏈接起來的字符串。
好比工作人員想造一台回答金融問題的機器人，由於與金融服務相關問題是相當具體的，
必須加強人工智能 NLP 語言學習的能力，以及給機器輸入豐富的語義。
一定要設計「語義本體」——通俗點說，讓機器明白「貓和狗都是寵物，自行車是沒有生命的」。
還有一種方法是設計一種架構，讓 VCA 根據上下文內容，對已知和未知的語境進行標記。
目前 VCA 還是對大公司最有效
根據以往的經驗，大部分人在面對客服時是沒有耐心的，
可以想像，很多人可能會略過向人工智能提問時，建議的提問方法和需要注意的問題。
我們所提出的問題是十分具體的，並且要求及時、直接了當的答案。
這對人工智能提出了很高的要求，目前人工智能成功解決問題的概率徘徊在10%-20%之間。
不過考慮到大公司需要成百上千的人，回答無數次重複的問題，
這個比率可以省去大量這樣重複工作時間，把人力和時間成本花在創造性工作上面。
原文出處/36kr