2018年09月21日 | 注重交互将是企业服务机器人未来大趋势

　　人工智能有三大领域：视觉、语音、语义。其中，图像和语音算法成熟度已经很高，且要远远高于语义。在中文机器阅读理解比赛中，人的准确率大概是 95%，机器做到的最高水平只有 80%，还有 15% 的差距，这是一个挑战，也是一个机会。

　　具体应用上，目前来看，比较多的人工智能公司，首先需要在企业服务方面落脚，这是最容易看到的商业模式，也是 技术最容易被认可的一个商业模式。

　　企业服务机器人 VS 聊天机器人，差别在哪？

　　今天主要针对企业服务机器人展开介绍。

　　首先说下企业服务机器人和聊天机器人的差别。第一，聊天机器人一般是虚拟形象，说话不要求很严谨，反而是比较风趣，这种机器人一般叫情感陪护型机器人。而企业服务机器人代表企业形象，代表企业去服务顾客，表达和对话都比较严谨，说话要负责，不能随便回答。

　　第二，两种机器人的技术路径也不一样，企业服务机器人是一个垂直领域，在专业领域和用户对话，而不是开放的聊天，从这个角度来看技术难度变轻了；但是和通用机器人相比，它对准确率要求更高。

　　然后接下来，我们来探讨怎么做好企业服务机器人。

　　想做一个客服机器人，核心要把语义理解、意图理解做好。举个例子，一个电商产品不同用户有不同的反馈，比如“要买的裙子怎么没有腰带？”或者“充电器为什么没有一起寄过来？”这些问题看起来很杂，但背后语义都是同一个，就是商品零少发了。

　　在解决意图理解上，技术路线上经历了好几轮变迁。2000 年左右就已经有企业服务机器人这种产品形态，只是当时解决意图理解的技术比较简陋。早期是用本体 + 句法模板的方式来实现，比如用本体完成理解词的问题，用句法模板完成理解对句的问题。

　　随后像百度、Google 等公司兴起以后，搜索技术也被用在客服机器人里。在这个阶段，一般用同义词的方式解决词关系的问题，用词权重解决抽象核心语义的问题，用文本相关性解决匹配的问题。

　　再后来技术出现，在语义理解上，深度学习相比之前的技术有很大提升。

　　基于深度学习的语义理解

　　那么深度学习，又是如何解决语义理解？

　　在里面，用文本方式表示的语言，比如汉语和英文，是一种符号，但这不是计算机能理解的符号。计算机可以理解的是向量和矩阵，无论是语音、图像还是语言，深度学习都是把这些原始信号转换成计算机能理解的向量和矩阵，才能更好地做计算。

　　首先完成将语言当中的词转换为向量，然后通过一个深度转化成句的向量，再通过句的向量进行更丰富的计算。

　　这个过程中，会用到注意力模型，注意力模型最早来源于图像理解。举个例子，人进入到会议室，首先不会去注意有多少板凳，虽然板凳这些信息占据面挺大，但人首先会挑选自己注意的东西去看，比如说注意来了哪些人，因为人在触摸信号时会选择性地去挑选。语言也是这样，用户说了很长一段话，注意力模型能够在很长的文本中，发现用户主要表达的信号。比如一个用户说“昨天刚收到货，今天天气不错，和朋友一起出去玩，一劈腿裤子开衩了”，前面的话都没有意义，他最想表达的意思是裤子开缝了，是想退货或换货。对于一个客服机器人来说，这是它要抓住的重点。

　　注意力模型之后是映射层，相当于完成一个归一化，之后机器人才知道怎么去回复用户。

　　阅读理解

　　刚才讲的都是需要人事先把知识库整理好给机器人用，为在线机器人去解析、调用、推理。还有一类，可能所有的知识都是一些原始文档，它们没有形成知识库。比如一家银行有很多线下商家优惠活动的书面文档，这类活动经常更新替换，没有人可以完全记住这些文档内容，反而是机器比较擅长做这个事情。假设有一个用户问题，需要从文档当中找答案，首先机器要找到哪个文档可以，再找到文档当中哪一句话可以解答，这个过程叫阅读理解。

　　阅读理解在国外比赛已经做的挺久，国内才刚刚开始，这一块的技术还是比较新。

　　机器人知识库的运营

　　刚才讲了客服机器人在线处理用户的请求，理解用户的请求，其实客服机器人还做了很多离线的工作。一个机器人并不仅仅是一个在线的服务，它是一个离线服务和在线服务同时包含的系统工程。

　　机器人解答不了用户的问题，有时候并不是因为意图理解不够好，而是机器人没有知识去应对当前的回答。这就是知识库运营所要解决的问题，有几个方面：

　　一是新知识点的发现。有些热点的知识点用户已经在问，但是知识库里面是缺失的，这部分问题可以交给运营人员添加相应的问题回答。

　　二是知识点的细化。一开始机器人的知识点没有深入到用户的问题细节里面，这种情况可以细化，把一个知识点拆分成多个知识点。

　　三是知识点的优化。比如说客户看到了机器人回答，但是仍然转人工了，这是因为答案并没有解决问题，说明答案需要进一步优化。

　　机器人的产品能力

　　除了返回用户答案外，机器人还需要更多能力，优化产品和运营。

　　一是热点分析。比如在一个电商后台系统中，用户请求有集中性或爆发性，那很可能是产品上集中的事故，这种现象跟产品运营息息相关。

　　二是舆情分析，可以挖掘用户在客服渠道里面经常会问什么问题。举个电商的例子，用户在问到奶粉这个词时，最关注的正品、渠道商、产地，还有品牌。通过这个方法，可以判断用户在关注某个商品的时候更关注哪些点。

　　三是情感分析。用户在访问机器人时，是正向情感、中性情感还是负向情感？这些可以通过技术手段识别出来。我们做过某个客户的统计，在售后客服机器人场景，中性和负向的情感占比较高，那就说明售后来找客服都是吐槽的。可以把这些负向的情感反应细化处理，比如分几个档次，分别对应后续不同的处理。负向情感比较严重，就可以让机器人自动转人工。

　　最后是敏感分析，这一点对于客服机器人非常重要。我们发现，不同行业有不同敏感信息定义。比如外卖，比较敏感的信息就是食品健康。对于电商，假货就是比较敏感的信息。一般遇到这些敏感信息机器人会主动转人工，交给人工客服处理。

　　机器人大趋势：将来更注重交互

　　前面我们讲了企业服务机器人的特点、如何解决语义理解、背后依托知识库以及产品能力，最后我想讲下企业服务机器人趋势。

　　大家一开始认为企业服务机器人是客服机器人，主要是解决节省人工成本，后来发现，它其实是企业的虚拟助手。包括 Gartner 最近的报告，预测到 2020 年有 20% 的用户访问企业服务时，首选的是对话式的入口。

　　以前 PC 时代访问银行网站，网页每个菜单对应办理某个业务的入口。到移动手机时代，屏幕没有那么大， 能放的入口也没有那么多，客户都想快速找到业务入口。如果放搜索框放在 APP 最上面，通过搜索功能，搜索“修改密码”会出来十几条修改密码的入口，用户也不知道哪一条，体验并不好。

　　所以，将来可能更多会是对话交互的方式，这是未来的趋势。比如说修改密码，机器就会反问你想修改什么密码，再根据你提供的信息，给你具体操作页面。

　　通过用户和机器人的交互，把用户画像沉淀下来，跨越时间和空间把用户画像融合在一起，对营销、推荐和风控做一些数据上的支持。客服中心从一个成本中心转变为一个用户研究中心，这也是一个趋势。

　　以上是我今天分享的企业服务机器人内容，感谢聆听，谢谢大家！

　　如何去判断一个人的情绪，然后根据他的情绪进行之后的问答操作？

　　这个就是刚才讲到的情感分析，它包括两个方面，一个是文本，一个是语音，文本里通过相关词语可以去识别，语音会包含一些声调、语速。对情感的判断是满意还是不满意，也是用深度学习的方法，相当于是文本分类来解决这个问题，每个人沟通表达的方式不一样，想识别出来还是有点难的。如果是用关键词的方法，这个问题确实是很难解决好，用深度学习的方法会好很多。

　　现在的的瓶颈？

　　方言这一块大家都做的不太好，讯飞是做的比较好的一家。这需要数据的积累，没见过的方言仍然识别不出来，这是一个门槛。另一个门槛是垂直领域，如果语音识别系统，没有一个垂直行业的训练数据，也做不好。现在人工智能对数据依赖还是比较高的，人工智能的竞争有时候就是数据竞争。

　　券商这一类的主要是应用到哪些场景？

　　券商对知识图谱要求比较高，希望通过机器人能够做到问股选股，比如查询“市盈率大于 20、小于 25 的股票”，比如查询“A 公司去年和今年相比市盈率变化多少”。在机器人的知识库没有现成的答案，需要通过推理才获得答案，再把它过滤出来。另外是投资教育这一块比较多，经常会问港股通怎么收费等等。还有，主要是问某支股票的信息，比如说法人、去年的财报。