当你接通智能客服时，背后发生了什么？

2020-03-25 19:24:20

客服行业是一个历史悠久的传统产业,其背后有一个规模可观的潜在市场。长久以来,以人工为主的传统客服行业存在各种各样的问题,如何利用人工智能、大数据、云计算等技术,让客服行业实现降本增效,实现智能化是行业迫切的愿望。

历史背景

客服行业是一个规模庞大的产业,据据2018年《中国智能客服行业研究报告》统计,中国目前大约有500万全职客服,人力成本加上硬件设备和基础设施,整体规模约4000亿元。降本增效一直是企业所追求的极致目标,但长久以来,业界对人工客服的需求仍然客观存在,人工客服也存在各种各样的问题。如何用技术赋能客服行业,提升效率降低成本,同时优化用户体验,是行业的核心问题。

传统客服在移动互联网场景下并不陌生,很多用户都曾与之发生过一些不那么愉快的接触。其具有静态、时延、繁忙三大特点,由此带来了包括内容静态,需要DIY获取;高时延,体验差;热线打爆,人力成本高的一系列问题。传统客服的服务水平相对低效,而且是一种懒服务,这是久为用户所诟病的关键问题。

随着IT技术的发展,客服行业迎来了变革的契机。基于大数据、云计算和深度学习等人工智能技术,智能客服已经可以实现自主问答、业务办理、故障诊断等一系列复杂操作,实现客服行业中大部分的应答需求,快速高效地解决用户问题。

相比传统客服,智能客服的优势在于可以实时解决,并主动推荐、引导用户,用对话、机器人的方式,智能化地解决问题。在智能客服的初期,其技术目标是在一定比例上解决客服遇到的简单高频问题,将疑难问题交给人工客服团队。

技术实现与难点

智能客服系统主要基于自然语言处理、大规模机器学习、深度学习技术,使用海量数据建立对话模型,结合多轮对话与实时反馈自主学习,精准识别用户意图,支持文字、语音、图片等富媒体交互,可实现语义解析和多形式的对话。

国内目前的智能客服产品类型多样,服务的场景也涵盖了金融、医疗、出行等领域。各家的实现形式、对标场景虽然不尽相同,但背后的技术思路其实是一脉相通的。智能客服的工作原理一般有以下几个流程:

首先是语音识别模块,将语音转换为文字;然后是对文字问句的Query理解;查询理解后,进行意图识别;最后将对用户问句的理解和意图识别反馈到对话管理系统,后者分配给相应的客服机器人,返回答案结果。

概括而言,一个智能客服系统技术上主要处理两方面的问题:一个是搭建基于知识库回答的智能客服系统;另一个是基于槽位填充的多轮对话系统。与技术实现的相似性一样,行业在搭建自己的智能客服系统时也会遇到类似的难题:

第一,缺乏足够数据训练模型时,如何解决数据冷启动的问题;

第二,多轮对话仍旧是难题,模型距离精准差距较大;

第三,人机协同问题,如何让智能为主人工为辅,发挥客服机器人更大的价值?

蚂蚁金服的落地实践

在这样的背景下,蚂蚁金服从金融领域出发,通过搭建起一套完整的智能客服框架,提高了智能客服的效率,降低了人力成本。更进一步,通过对用户对话数据的洞察分析,精准定位了产品问题并加以解决,提高了用户的使用体验。更进一步,沉淀下来的海量数据帮助智能客服做到更精准的智能推荐,助力搜索、营销,持续优化服务体验。

针对智能客服行业的共性与难点,蚂蚁金服技术团队给出了自己的解决方案。

猜你问题

点进支付宝客服入口,就能看到一个猜你想问的列表,这个列表会根据用户操作轨迹智能预测用户可能的问题列表,用户点击对应问题后客服自动返回解决办法。这个功能早在2015年10月便已上线,上线之初就承载了超70%的点击量,而在今天,这个数据已经承载了支付宝求助总量的90%。

猜你问题功能背后,体现的是蚂蚁金服AI技术的积累沉淀。通过用户日常行为特征、历史特殊情况、静态数据等三个“因子”,通过深度神经网络分类模型生成一系列问题,在此过程中收集用户反馈数据,通过训练模型不断修正自身,再通过自动训练、自动测试、自动上线的方式,支撑支付宝各功能大厅的具体场景。

更进一步,支付宝技术团队还将该模型升级为一个混合网络模型,除了猜你问题场景以外,还支持包括问题识别、要素识别、智能派单等多个场景。

气泡推荐

如果说猜你问题是把问题解决在用户提出之前,那气泡推荐就是在用户提出之后,如何快速完善问题描述。这背后有以下几大要求:文本易理解、业务覆盖广、个性化、关联性。蚂蚁金服利用了metapath2vec,把气泡跟问题、问题与问题、气泡与气泡之间都做到相互关联。通过关联建立联系路径,进而学习每个标签背后的含义,以做到精准对应。同时加上beam search的方法对气泡做排序,使用户在求助过程中可以最大化点击行为,而非复杂的输入行为。

机器人问答

用户输入问题文本以后,智能客服如何理解用户的需求?这背后也有一套复杂的框架,同样有几大难题亟待解决:

如何理解用户核心需求内容?长文本核心理解难题。少量干扰词,如何解决鲁棒性?多模型的配合、融合问题。

在这样的背景下,蚂蚁金服技术团队从匹配和分类两个关键方向出发,巧妙地解决了机器人问答的这些难题。通过搭建BERT模型,蚂蚁智能客服可以结合场景和上文的文本输入,去解决实际的用户问题。更近一步还可以把用户的行为轨迹数据跟这个用户输入做匹配,进而根据线上的点击反馈去训练模型,可以很好地把用户的行为数据、轨迹数据融合进来去做机器人理解。

人工辅助

除了App端的智能客服需求,还有很多用户是从客服热线入口进入场景。智能客服背后的技术团队梳理了客服团队中人工部分的情况,包括到底有多少客服可以接电话,以及他们当前接电话的一个水位,到底有多少客服是空闲的,多少客服是繁忙的。进而优化整个系统以承接足够多的用户请求,同时保证用户体验,不至于因为话务拥堵陷入排队状况。

更进一步,在对话助手机器人这个方向上,通过与人工客服打通的话术推荐、知识问答、营销建议、转化预测等方面,根据用户实际情况选择将其分流到AI端做自助解决还是通过人工客服方式解决。

智能客服未来展望

规模可观的潜在市场,快速落地的人工智能技术,大数据时代丰富的用户行为数据助力模型训练,智能客服行业已经迎来了自己的春天。

在智能客服行业,已经出现了底层技术平台化,厂商比拼产品服务能力的趋势。互联网巨头以开源的方式构建围绕自身的智能客服生态,行业企业在底层技术上站在同一起跑线上,产品服务是其能否脱颖而出的关键。

人工智能技术的快速成熟、落地,让传统行业如客服业迎来了新的转机。继续提升服务体验,如交互能力和多轮对话,同时通过推动服务数据与产品体验的打通,形成闭环,智能助力服务,沟通创造价值。蚂蚁金服也将与行业一起,探索更多智能客服的应用场景与能力提升。

3月26日,走进阿里云云栖号在线课堂,蚂蚁金服开设了【蚂蚁金服课堂】蚂蚁金服数字课堂直播间,蚂蚁金服高级算法专家温祖杰将分享蚂蚁智能客服系统的主站算法框架,包括推荐,对话,调度,体验相关的算法,重点介绍猜你想问,基于强化学习的序列推荐,知识蒸馏,机器阅读,强化学习调度等工作。