2018年至今，NLP領(lǐng)域經(jīng)歷了非常大的變化，Transformer、ELMO、BERT、GPT-3，再到最近的ChatGPT（GPT 3.5的微調(diào)）的突破，NLP在預(yù)訓(xùn)練大模型的暴力拆解路上越走越遠，這也讓各行業(yè)開始相信：很多之前無法做到的場景、效果，現(xiàn)在可以有新的解法和落地。

智能客服，是NLP和深度學(xué)習(xí)技術(shù)落地的重要領(lǐng)域之一?？头梢曰谔崆霸O(shè)定好的規(guī)則，對用戶意圖進行判斷并生成對應(yīng)的固定話術(shù)。文本機器人、外呼機器人，可以替代掉原有重復(fù)性比較強的人工動作，逐漸轉(zhuǎn)變?yōu)橄鄬θ粘５穆涞貓鼍?。比如你日常所接聽到的快遞客服電話，訂單咨詢的對話框等等，背后都有來自客服機器人的驅(qū)動。

但在對客服要求比較高的企業(yè)級場景中，對多輪對話理解用戶意圖和知識專業(yè)度要求較高，現(xiàn)有的客服機器人仍有很高提升的空間。

【資料圖】

一是系統(tǒng)整體搭建的維護成本比較高，效率比較低，因為大多數(shù)的企業(yè)級智能客服的知識庫不是流程化的，而是技術(shù)知識庫，需要人工/半自動的方式進行搭建。二是業(yè)務(wù)場景復(fù)雜，專門知識門檻會更高，往往會涉及不同客戶的應(yīng)用場景，與業(yè)務(wù)流程相關(guān)的復(fù)雜場景。三是持續(xù)突破比較難，邊際效益遞減明顯，一般在良好技術(shù)知識庫的支撐下，企業(yè)級智能客服的起步較快，但受制于方法論的影響，前期需要投入的大量人力、算力和數(shù)據(jù)，而到一定階段則會陷入提升的瓶頸。

這樣的問題也曾經(jīng)困擾浪潮信息的客服系統(tǒng)研發(fā)人員。

近日，鈦媒體App對話浪潮信息服務(wù)總監(jiān)陳彬、浪潮信息AI軟件研發(fā)總監(jiān)吳韶華，圍繞智能客服市場當(dāng)前解決的難題，以AI大模型的實際落地應(yīng)用為視角，進行深入交流。

具體來講，浪潮信息以AI大模型“源”為智能引擎，和InService智能服務(wù)平臺，搭建出了“智能客服大腦”。

據(jù)介紹，“智能客服大腦”學(xué)習(xí)了2萬余份產(chǎn)品文檔和用戶手冊的數(shù)據(jù)，并結(jié)合百萬條浪潮信息專家工程師服務(wù)對話、數(shù)十萬份日志、工單數(shù)據(jù)等算法訓(xùn)練，具備語言理解、數(shù)據(jù)分析、自主學(xué)習(xí)和智能推理等能力，支持自然語言交互服務(wù)、已授權(quán)IT設(shè)備的智能運維與診斷、以及備品備件等資源的智能管理和調(diào)度。

AI大模型在應(yīng)用過程中必然會面臨各個行業(yè)的應(yīng)用落地。在此之前，浪潮AI大模型“源”已經(jīng)在人機交互、知識檢索、語言翻譯、文學(xué)創(chuàng)作等領(lǐng)域有所應(yīng)用。

以大模型作為基礎(chǔ)能力，通過大模型的蒸餾實現(xiàn)相關(guān)的小模型，不僅實現(xiàn)的速度更快，智能化水平更高，從技術(shù)角度來講，大模型在落地過程中呈現(xiàn)出了與以往模型非常不同的技術(shù)特征，也帶來了更好的智能化水平。不論對大模型進行微調(diào)，還是引入領(lǐng)域知識庫的方式，均是業(yè)界在探索的路徑。

在浪潮信息AI軟件研發(fā)總監(jiān)吳韶華看來，“大模型想要在某個方向上訓(xùn)練得更好，智能化水平更高，確實需要在具體落地場景引入額外的領(lǐng)域知識，才能解決實際問題。AI大模型有其自身特點，訓(xùn)練時使用的數(shù)據(jù)集主要來自互聯(lián)網(wǎng)，在通用知識和領(lǐng)域知識的分布上存在不均，會影響其在具體行業(yè)的應(yīng)用?！?/p>

舉個例子，在浪潮信息服務(wù)所面臨的主要客戶問題，包括咨詢和故障報修兩大類：前者如各類的產(chǎn)品服務(wù)政策、設(shè)備使用、以及復(fù)雜的技術(shù)咨詢，如技術(shù)咨詢方面其實比較常見的是如何做系統(tǒng)安裝、Raid配置等，因為這個過程比較復(fù)雜，常出現(xiàn)各種問題；產(chǎn)品咨詢包括購買產(chǎn)品的內(nèi)存配置、保修時長等等；故障報修相對會比較有針對性、更多元，例如無法開機、硬盤故障、內(nèi)存故障等等。

在浪潮信息的咨詢客戶中，有80%的用戶為非專業(yè)工程師，智能客服需要在準(zhǔn)確理解用戶、精準(zhǔn)定義問題的基礎(chǔ)上，通過多輪回答解決技術(shù)問題，給予客戶滿意的答案。對于客戶而言，如若智能客服所給予的答案過于標(biāo)準(zhǔn)和冗余，卻無法快速幫客戶解決具體問題，客服所給予的答案只可被定義為對的答案而不是好的答案。

實際上，浪潮信息從4、5年前就開始進行客服的數(shù)字化轉(zhuǎn)型和探索，并且在2019年開始著手應(yīng)用業(yè)內(nèi)在探索的FAQ、任務(wù)式對話、知識圖譜等NLP領(lǐng)域相關(guān)技術(shù)，對客服系統(tǒng)進行了一定程度的改造和提升。

但當(dāng)時遇到的瓶頸也十分明顯，主要在于兩方面：“一是企業(yè)產(chǎn)品信息更新快，造成模型訓(xùn)練任務(wù)非常大，加之模型知識庫的封閉，在訓(xùn)練效果上也受到制約；二是機器人需要對上下文結(jié)合語境進行語義理解，引導(dǎo)客戶提問并且精準(zhǔn)識別問題，在專業(yè)知識領(lǐng)域的IT行業(yè)，難度非常高?！崩顺毙畔⒎?wù)與實施部總監(jiān)陳彬指出。

除了在大模型的落地中引入領(lǐng)域知識外，浪潮智能客服在研發(fā)過程中還重點考慮了其他幾點因素：

第一，客服系統(tǒng)是不是真正地理解客戶，是否能夠通過多次對話了解到客戶真實的服務(wù)意圖。企業(yè)級場景中，客戶有個報修問題，但無法用專業(yè)的技術(shù)語言對服務(wù)場景進行準(zhǔn)確描述時，就非常考驗客服系統(tǒng)的理解能力。

第二，是否需要投入額外和高昂的人力成本讓客服機器人具備自主學(xué)習(xí)、迭代的能力。讓專業(yè)工程師做重復(fù)的模型訓(xùn)練工作，既不符合企業(yè)成本要求，也不符合企業(yè)建設(shè)專家型團隊的長期規(guī)劃。

第三，B端客戶對企業(yè)的服務(wù)體驗、服務(wù)口碑要求高，訓(xùn)練出的客服系統(tǒng)是否能夠讓更多的客戶接受、信任并滿意地使用。相較于傳統(tǒng)的智能客服采用多模型、多數(shù)據(jù)庫的架構(gòu)，浪潮信息智能客服系統(tǒng)最終實現(xiàn)統(tǒng)一架構(gòu)支持多任務(wù)解決問題。而此前完成一套客服動作，往往涉及FAQ、任務(wù)式知識圖譜、知識檢索等模塊，需要在多個知識庫、模型之間進行任務(wù)調(diào)度，架構(gòu)復(fù)雜且維護難度比較大。

此外，由于在模型訓(xùn)練上實現(xiàn)了自進化、快進化學(xué)習(xí)，而不是原有需要人工或半人工搭建和訓(xùn)練模型的過程，在人工標(biāo)注和訓(xùn)練成本上得到了極大降低。

從浪潮信息數(shù)據(jù)中心服務(wù)的成效來看，在應(yīng)用智能客服系統(tǒng)后，客戶問答的匹配率（即覆蓋率）達到92%，對常見的復(fù)雜問題的解決率目前能達到80%以上，平均解決率是65%左右。此外，服務(wù)整體人員規(guī)模占浪潮信息總?cè)藛T規(guī)模的4%，而業(yè)內(nèi)一般都占比15%到20%左右，在整體人均效能上得到了一定提升。

“服務(wù)作為一個公司的重要窗口業(yè)務(wù)部門，也是和客戶交互最緊密的平臺。所以我們首先考慮的是怎么把實際業(yè)務(wù)和AI算法結(jié)合在一起。本身IT的服務(wù)場景非常復(fù)雜，且面對是更多大量的B類客戶，我們當(dāng)初也在討論，是否真的需要花這么大的精力，把傳統(tǒng)的服務(wù)場景，做AI的相關(guān)技術(shù)和算法的落地，在項目初期也是比較有爭議的。”陳彬表示。

但從目前取得的成效來看，當(dāng)初的投入是值得的。

結(jié)合鈦媒體的觀察，客服機器人的背后仍是復(fù)雜的AI技術(shù)棧作為支撐。涉及語音識別、語義理解和生成、人機交互等等，存在系統(tǒng)搭建成本較高。如AI的邊際成本，模型訓(xùn)練中對人工標(biāo)注數(shù)據(jù)的成本，加之企業(yè)多數(shù)存在二次開發(fā)的定制化要求，導(dǎo)致部署交付成本也難以避免。

企業(yè)對技術(shù)的投入和成熟與否直接決定了體驗的高低，而如今浪潮AI大模型“源”在智能客服場景的實際落地應(yīng)用，為業(yè)界提供了一種另一種可參考的解決方案。

（本文首發(fā)鈦媒體APP 作者 | 楊麗）

關(guān)鍵詞： 浪潮信息 人機交互 客服大腦