郑璇真、魏子敏作者

全球首家多语言智能客服上线,这家神秘AI公司有什么秘密武器?

没人能够想到,拿下加拿大CIK电讯公司全球多语言智能客服合作权的,是一家成立刚满四年的中国公司。

这不是一单容易的生意:CIK电讯公司总部位于加拿大,顾客范围覆盖中国、东南亚、北美等地,因此,其智能客服也就承担着3种服务语言+7x24小时服务的重压。再加上CIK电讯自成立以来,一直遵循“一个电话解决问题”的理念,希望所有技术问题都能通过第一通电话解决,这就对多语言智能客服的服务有了更高质量的要求。

能获得CIK电讯公司的认可,一方面基于晓多客服机器人(下称“晓多”)在智能客服领域的数据积累,另一方面,也得益于其在技术上的创新。

本周中,在晓多北京的办公室,其创始人江岭向大数据文摘记者讲述了他们在这一领域的积累,以及上线全球首家多语言智能客服的秘密武器。

迁移学习技术赋能,从行业到多语言的“冷启动”

迁移学习是晓多现在最核心的技术,江岭告诉大数据文摘。

用通俗的语言来说,迁移学习就像人类通过举一反三来学习一样,可以把其他领域积累的大量数据、信息和训练出来的模型迁移到一个新的领域,减少适配新行业的成本。

而在智能客服这样的领域,涉及到的行业和场景都非常分散,这时候迁移能力就显得极其重要。

在晓多的测试中,要适配一个新的行业并达到一个较好的效果,使用迁移学习所需要的数据量只有一般深度学习所需的的70%到80%。这就解决了一些行业数据积累不足的难题。而研发基于迁移学习的基础产品,在智能客服这一领域,晓多是全国做的最早的一家。

晓多在2017年就开始了对迁移学习的探索。

当时,这一技术主要用来解决行业冷启动的问题,晓多也基于此技术实现了对一个新行业“无需定制开发,产品10—20天上线“的目标。

晓多解决方案——无需定制开发,业务场景无缝融合

所谓的行业冷启动,是指在某些之前没有数据化的行业,缺乏深度学习需要的训练数据量,如果能将其他行业积累的数据和模型迁移过来,适配这些行业的进度就会加快很多。

实际上,不仅是在行业上的拓展,晓多这种迁移学习的能力也被应用在了多语言客服环境中。

凭借这一技术在多语言环境中的应用,晓多也开始走向国际,和加拿大CIK电信公司达成了战略合作关系。

总部位于加拿大的CIK名字来源于Customer is King(顾客至上)的服务宗旨,这也让他们在电话客服服务中要求非常高。同时CIK的客户遍布全球,从中国到东南亚、北美,需要能同时支持多种语言的智能客服。在考察过美国、新加坡等地的多家技术公司后,CIK最终决定与晓多合作。

晓多为CIK电信制定的多语言解决方案

多语言的客服机器人非常考验技术引擎的学习能力。要掌握从来没有积累过的多种语言,如果光用深度学习全部从头做起,成本太高;更加传统的技术,比如没有用深度学习而还在使用关键词识别的公司,掌握多语言的成本就更高了,而且准确率也较低。

迁移学习技术让晓多在涉及新的语言时,在保证准确率的同时,大大降低了成本。

江岭表示,晓多拓展一个语言,只要不到一个月的时间就能让其准确率接近汉语目前的水平。而没有这一技术的传统客服技术公司往往要花一个多月来做晓多一个多星期就能做完的测试。

迁移学习的技术已经成为了晓多的一项专利,目前,晓多还与哥伦比亚大学信息处理实验室达成了相关合作,以推进学界在智能客服领域的研究进展。

除此之外,晓多还握有一项自动学习的专利。

很多电商同时售卖着不同的商品,而不同的商品客服需要不同的知识。比如在电器领域,顾客可能会询问功率多少,而在服饰领域则可能询问衣服的材质,这就需要配对无数的问题和答案,工作量非常大,而且还不断会有新商品上线,如果一一去配置,成本非常高。

而通过自动学习技术,可以根据人工客服和顾客的聊天记录自动学习对不同的商品不同的问题的回复,降低了配置知识库的成本。

晓多的自动学习后台系统

并且,通过无监督学习强化学习等技术的配合,还可以根据之前的聊天内容进行反馈改进,根据不同回复下客户顾客的满意度、下单率等反馈信息去优化聊天设置,改进机器人的能力。

“一个客服团队中水平总有高低,有些客服的转化率比较高,或者经验比较丰富,强化学习会优先把质量比较高的回答挑选出来,改进到机器人知识库里,让机器人去辅助其他的客服,从而改进整个客服团队的效果。”江岭介绍,在这样的技术下,电商的成交转化率可以从29%提升到34.5%。

脱胎于京东百度,拿下电信和美团

晓多的创业团队脱胎于京东和百度。

作为一家全球销量排行领先的电商公司,京东对于客服回复的速度和质量都有颇高的要求。

机械、枯燥,这是人们对线上客服的基本印象。而在人工智能大行其道的今天,客服人员也被公认为最容易被AI取代的职业之一。

传统的智能客服系统是一个用机器代替人工的系统,直接由机器回复顾客确实可以节约人力成本、提高效率。但机器客服过于机械和冰冷的回复往往让人反感,相比人类客服,机器的成单转化率和满意度都差强人意。

当时京东对于智能客服研发投入的资金量很大,但和成效却不能成正比。江岭加入京东后,和他的团队基于机器学习深度学习的方法做了一个新的客服版本。“成品在网上内测时,让顾客和机器人聊天,顾客聊完之后完全没有意识到是机器人,很开心地下了单。”

这也让江岭意识到了智能客服机器人的前景,从京东出来后,江岭和他的团队快速地改进了技术引擎,2014年,从百度nlp团队出来的其他成员也加入进来,创立了现在的晓多。

晓多人工智能客服营销中心解决方案(AICS)

快速、专业、亲和力,这是晓多总结的提高电商客服转化率的三个要点。江岭表示,晓多的系统其实把人机两者的优势结合起来了:机器的优势是更快、更准确,比如顾客询问物流,机器就会快速地查询出他的货到底到哪里了,离顾客还有多远,为顾客提供一个快速而明确的答案;而人工客服的优势在于情感上的沟通,保证顾客的愉快心情。

根据晓多的整体客户数据,在这一人机协作系统的辅助下,可以最高可以提升人力五倍效率,行业毛利可以从20%左右提高到65%。

2017年,晓多帮四川电信做了一个智能客服机器人,在此之前,四川电信也用过传统的智能客服机器人,并且做了严格的综合评分。当时,基于晓多智能客服系统的评分是90多分,而传统智能客服最高分是60多分,甚至有得分30、40的。

如此高的行业评分,晓多是怎么做到的呢?

江岭说,基于深度学习的技术和非深度学习的技术效果差距是非常大的。非深度学习准确率只能达到40%~50%,而使用深度学习的技术准确率一般在97%以上。

在准确能够达到一定标准的情况下,另一个重要的指标就是覆盖率。智能客服要面对许多场景,有常规的场景,也有比较细分的场景。

举例而言,同样是讲价,顾客问“能不能便宜点”,这种常规的说法传统智能客服也能识别出来,但“能不能把零头抹了”,或者更灵活的讲价语言,对于传统客服机器人来说就很难明白其意思了。

江岭说,晓多的优势就在于比传统智能客服覆盖更多细分的场景,基于多年积累的深度学习技术,其覆盖率比行业平均水平高了一倍以上。

今年5月,晓多正式成为了美团“智能客服项目”的战略级合作伙伴。

作为一家本身有很强工程师文化和技术基因的公司,美团对这次竞标经过了大半年的严格测试,测试内容包括了语义理解,多轮对话,还有知识库的构建和持续学习的能力等智能客服的核心能力。

晓多为美团制定的智能客服解决方案

未来:让智能客服助力决策与运营

我们对这样的商业鸡汤一定不陌生:肯德基的创始人不辞辛劳,在休息日里微服私访下基层,抽查每家门店的服务员的服务态度,打探顾客的喜好。

尽管真实性有待考证,但这样的故事从间接说明了一线经验和信息对公司决策的重要性。

晓多的智能客服正准备从一线入手,为决策者打造一个整理客服信息,并反馈到公司系统的新思路。想了解前线的情况,公司的管理者再也不用千里迢迢微服私访了。

“我们的长期规划是去赋能企业,我们希望成为企业的人工智能专家大脑。”江岭说。

目前,晓多的技术能够覆盖销售环节,包括售前和售后,未来,也想基于对非结构化数据的处理能力,拓展覆盖到企业内部决策等环节。

这是基于晓多的核心能力做出的战略判断。江岭表示,晓多的核心能力是对非结构化数据的处理,包括文本自然语言、语音图像等数据。

而企业中其实70%以上的数据都是非结构化数据。基于对非结构化数据的处理能力,可以学习、分析、洞察对企业的运营和决策有用的信息,成为企业的决策引擎。

比如,对于电商企业来说,到一线了解客户的需要是非常重要的,但现在这一环的数据通道并没有打通,因为非结构化数据用传统的方式很难进行高效的处理。

而掌握非结构化数据处理的能力,可以通过分析客服的聊天,了解客户关系,分析不同客户的决策点。每个客户的决策点、关注的东西都是不一样的,了解客户所关注的,可以帮助企业优化其运营和服务,提高其销售的转化率。

前线的信息和企业的决策之间的环节能够被打通,就能够改进服务、改进运营、改进决策,而决策的改进又会回馈到顾客这一端,提升顾客的体验,形成一个完整的闭环。

而成为这些环节之间的桥梁,正是江岭和他的团队现在默默前进的目标。

大数据文摘
大数据文摘

秉承“普及数据思维,传播数据文化,助⼒产业发展”的企业⽂化,我们专注于数据领域的资讯、案例、技术,形成了“媒体+教育+⼈才服务”的良性⽣态,致⼒于打造精准数据科学社区。

产业智能客服
2
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

知识库技术

知识库是用于知识管理的一种特殊的数据库,以便于有关领域知识的采集、整理以及提取。知识库中的知识源于领域专家,它是求解问题所需领域知识的集合,包括基本事实、规则和其它有关信息。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

监督学习技术

监督式学习(Supervised learning),是机器学习中的一个方法,可以由标记好的训练集中学到或建立一个模式(函数 / learning model),并依此模式推测新的实例。训练集是由一系列的训练范例组成,每个训练范例则由输入对象(通常是向量)和预期输出所组成。函数的输出可以是一个连续的值(称为回归分析),或是预测一个分类标签(称作分类)。

迁移学习技术

迁移学习是一种机器学习方法,就是把为任务 A 开发的模型作为初始点,重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务,虽然大多数机器学习算法都是为了解决单个任务而设计的,但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见,例如,我们可能会发现学习识别苹果可能有助于识别梨,或者学习弹奏电子琴可能有助于学习钢琴。

查询技术

一般来说,查询是询问的一种形式。它在不同的学科里涵义有所不同。在信息检索领域,查询指的是数据库和信息系统对信息检索的精确要求

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~