人工智能有三大領(lǐng)域：視覺、語音、語義。其中，圖像和語音算法成熟度已經(jīng)很高，且要遠(yuǎn)遠(yuǎn)高于語義。在中文機(jī)器閱讀理解比賽中，人的準(zhǔn)確率大概是 95%，機(jī)器做到的最高水平只有 80%，還有 15% 的差距，這是一個(gè)挑戰(zhàn)，也是一個(gè)機(jī)會(huì)。

　　具體應(yīng)用上，目前來看，比較多的人工智能公司，首先需要在企業(yè)服務(wù)方面落腳，這是最容易看到的商業(yè)模式，也是 AI 技術(shù)最容易被認(rèn)可的一個(gè)商業(yè)模式。

　　企業(yè)服務(wù)機(jī)器人 VS 聊天機(jī)器人，差別在哪？

　　今天主要針對(duì)企業(yè)服務(wù)機(jī)器人展開介紹。

　　首先說下企業(yè)服務(wù)機(jī)器人和聊天機(jī)器人的差別。第一，聊天機(jī)器人一般是虛擬形象，說話不要求很嚴(yán)謹(jǐn)，反而是比較風(fēng)趣，這種機(jī)器人一般叫情感陪護(hù)型機(jī)器人。而企業(yè)服務(wù)機(jī)器人代表企業(yè)形象，代表企業(yè)去服務(wù)顧客，表達(dá)和對(duì)話都比較嚴(yán)謹(jǐn)，說話要負(fù)責(zé)，不能隨便回答。

　　第二，兩種機(jī)器人的技術(shù)路徑也不一樣，企業(yè)服務(wù)機(jī)器人是一個(gè)垂直領(lǐng)域，在專業(yè)領(lǐng)域和用戶對(duì)話，而不是開放的聊天，從這個(gè)角度來看技術(shù)難度變輕了；但是和通用機(jī)器人相比，它對(duì)準(zhǔn)確率要求更高。

　　然后接下來，我們來探討怎么做好企業(yè)服務(wù)機(jī)器人。

　　想做一個(gè)客服機(jī)器人，核心要把語義理解、意圖理解做好。舉個(gè)例子，一個(gè)電商產(chǎn)品不同用戶有不同的反饋，比如“要買的裙子怎么沒有腰帶？”或者“充電器為什么沒有一起寄過來？”這些問題看起來很雜，但背后語義都是同一個(gè)，就是商品零配件少發(fā)了。

　　在解決意圖理解上，技術(shù)路線上經(jīng)歷了好幾輪變遷。2000 年左右就已經(jīng)有企業(yè)服務(wù)機(jī)器人這種產(chǎn)品形態(tài)，只是當(dāng)時(shí)解決意圖理解的技術(shù)比較簡(jiǎn)陋。早期是用本體 + 句法模板的方式來實(shí)現(xiàn)，比如用本體完成理解詞的問題，用句法模板完成理解對(duì)句的問題。

　　隨后像百度、Google 等公司興起以后，搜索技術(shù)也被用在客服機(jī)器人里。在這個(gè)階段，一般用同義詞的方式解決詞關(guān)系的問題，用詞權(quán)重解決抽象核心語義的問題，用文本相關(guān)性解決匹配的問題。

　　再后來深度學(xué)習(xí)技術(shù)出現(xiàn)，在語義理解上，深度學(xué)習(xí)相比之前的技術(shù)有很大提升。

　　基于深度學(xué)習(xí)的語義理解

　　那么深度學(xué)習(xí)，又是如何解決語義理解？

　　在計(jì)算機(jī)里面，用文本方式表示的語言，比如漢語和英文，是一種符號(hào)，但這不是計(jì)算機(jī)能理解的符號(hào)。計(jì)算機(jī)可以理解的是向量和矩陣，無論是語音、圖像還是語言，深度學(xué)習(xí)都是把這些原始信號(hào)轉(zhuǎn)換成計(jì)算機(jī)能理解的向量和矩陣，才能更好地做計(jì)算。

　　首先完成將語言當(dāng)中的詞轉(zhuǎn)換為向量，然后通過一個(gè)深度神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)化成句的向量，再通過句的向量進(jìn)行更豐富的計(jì)算。

　　這個(gè)過程中，會(huì)用到注意力模型，注意力模型最早來源于圖像理解。舉個(gè)例子，人進(jìn)入到會(huì)議室，首先不會(huì)去注意有多少板凳，雖然板凳這些信息占據(jù)面挺大，但人首先會(huì)挑選自己注意的東西去看，比如說注意來了哪些人，因?yàn)槿嗽谟|摸信號(hào)時(shí)會(huì)選擇性地去挑選。語言也是這樣，用戶說了很長(zhǎng)一段話，注意力模型能夠在很長(zhǎng)的文本中，發(fā)現(xiàn)用戶主要表達(dá)的信號(hào)。比如一個(gè)用戶說“昨天剛收到貨，今天天氣不錯(cuò)，和朋友一起出去玩，一劈腿褲子開衩了”，前面的話都沒有意義，他最想表達(dá)的意思是褲子開縫了，是想退貨或換貨。對(duì)于一個(gè)客服機(jī)器人來說，這是它要抓住的重點(diǎn)。

　　注意力模型之后是映射層，相當(dāng)于完成一個(gè)歸一化，之后機(jī)器人才知道怎么去回復(fù)用戶。

　　閱讀理解

　　剛才講的都是需要人事先把知識(shí)庫(kù)整理好給機(jī)器人用，為在線機(jī)器人去解析、調(diào)用、推理。還有一類，可能所有的知識(shí)都是一些原始文檔，它們沒有形成知識(shí)庫(kù)。比如一家銀行有很多線下商家優(yōu)惠活動(dòng)的書面文檔，這類活動(dòng)經(jīng)常更新替換，沒有人可以完全記住這些文檔內(nèi)容，反而是機(jī)器比較擅長(zhǎng)做這個(gè)事情。假設(shè)有一個(gè)用戶問題，需要從文檔當(dāng)中找答案，首先機(jī)器要找到哪個(gè)文檔可以解答，再找到文檔當(dāng)中哪一句話可以解答，這個(gè)過程叫閱讀理解。

　　閱讀理解在國(guó)外比賽已經(jīng)做的挺久，國(guó)內(nèi)才剛剛開始，這一塊的技術(shù)還是比較新。

　　機(jī)器人知識(shí)庫(kù)的運(yùn)營(yíng)

　　剛才講了客服機(jī)器人在線處理用戶的請(qǐng)求，理解用戶的請(qǐng)求，其實(shí)客服機(jī)器人還做了很多離線的工作。一個(gè)機(jī)器人并不僅僅是一個(gè)在線的服務(wù)，它是一個(gè)離線服務(wù)和在線服務(wù)同時(shí)包含的系統(tǒng)工程。

　　機(jī)器人解答不了用戶的問題，有時(shí)候并不是因?yàn)橐鈭D理解不夠好，而是機(jī)器人沒有知識(shí)去應(yīng)對(duì)當(dāng)前的回答。這就是知識(shí)庫(kù)運(yùn)營(yíng)所要解決的問題，有幾個(gè)方面：

　　一是新知識(shí)點(diǎn)的發(fā)現(xiàn)。有些熱點(diǎn)的知識(shí)點(diǎn)用戶已經(jīng)在問，但是知識(shí)庫(kù)里面是缺失的，這部分問題可以交給運(yùn)營(yíng)人員添加相應(yīng)的問題回答。

　　二是知識(shí)點(diǎn)的細(xì)化。一開始機(jī)器人的知識(shí)點(diǎn)沒有深入到用戶的問題細(xì)節(jié)里面，這種情況可以細(xì)化，把一個(gè)知識(shí)點(diǎn)拆分成多個(gè)知識(shí)點(diǎn)。

　　三是知識(shí)點(diǎn)的優(yōu)化。比如說客戶看到了機(jī)器人回答，但是仍然轉(zhuǎn)人工了，這是因?yàn)榇鸢覆]有解決問題，說明答案需要進(jìn)一步優(yōu)化。

　　機(jī)器人的產(chǎn)品能力

　　除了返回用戶答案外，機(jī)器人還需要更多能力，優(yōu)化產(chǎn)品和運(yùn)營(yíng)。

　　一是熱點(diǎn)分析。比如在一個(gè)電商后臺(tái)系統(tǒng)中，用戶請(qǐng)求有集中性或爆發(fā)性，那很可能是產(chǎn)品上集中的事故，這種現(xiàn)象跟產(chǎn)品運(yùn)營(yíng)息息相關(guān)。

　　二是輿情分析，可以挖掘用戶在客服渠道里面經(jīng)常會(huì)問什么問題。舉個(gè)電商的例子，用戶在問到奶粉這個(gè)詞時(shí)，最關(guān)注的正品、渠道商、產(chǎn)地，還有品牌。通過這個(gè)方法，可以判斷用戶在關(guān)注某個(gè)商品的時(shí)候更關(guān)注哪些點(diǎn)。

　　三是情感分析。用戶在訪問機(jī)器人時(shí)，是正向情感、中性情感還是負(fù)向情感？這些可以通過技術(shù)手段識(shí)別出來。我們做過某個(gè)客戶的統(tǒng)計(jì)，在售后客服機(jī)器人場(chǎng)景，中性和負(fù)向的情感占比較高，那就說明售后來找客服都是吐槽的?？梢园堰@些負(fù)向的情感反應(yīng)細(xì)化處理，比如分幾個(gè)檔次，分別對(duì)應(yīng)后續(xù)不同的處理。負(fù)向情感比較嚴(yán)重，就可以讓機(jī)器人自動(dòng)轉(zhuǎn)人工。

　　最后是敏感分析，這一點(diǎn)對(duì)于客服機(jī)器人非常重要。我們發(fā)現(xiàn)，不同行業(yè)有不同敏感信息定義。比如外賣，比較敏感的信息就是食品健康。對(duì)于電商，假貨就是比較敏感的信息。一般遇到這些敏感信息機(jī)器人會(huì)主動(dòng)轉(zhuǎn)人工，交給人工客服處理。

　　機(jī)器人大趨勢(shì)：將來更注重交互

　　前面我們講了企業(yè)服務(wù)機(jī)器人的特點(diǎn)、如何解決語義理解、背后依托知識(shí)庫(kù)以及產(chǎn)品能力，最后我想講下企業(yè)服務(wù)機(jī)器人趨勢(shì)。

　　大家一開始認(rèn)為企業(yè)服務(wù)機(jī)器人是客服機(jī)器人，主要是解決節(jié)省人工成本，后來發(fā)現(xiàn)，它其實(shí)是企業(yè)的虛擬助手。包括 Gartner 最近的報(bào)告，預(yù)測(cè)到 2020 年有 20% 的用戶訪問企業(yè)服務(wù)時(shí)，首選的是對(duì)話式的入口。

　　以前 PC 時(shí)代訪問銀行網(wǎng)站，網(wǎng)頁(yè)每個(gè)菜單對(duì)應(yīng)辦理某個(gè)業(yè)務(wù)的入口。到移動(dòng)手機(jī)時(shí)代，屏幕沒有那么大，APP 能放的入口也沒有那么多，客戶都想快速找到業(yè)務(wù)入口。如果放搜索框放在 APP 最上面，通過搜索功能，搜索“修改密碼”會(huì)出來十幾條修改密碼的入口，用戶也不知道哪一條，體驗(yàn)并不好。

　　所以，將來可能更多會(huì)是對(duì)話交互的方式，這是未來的趨勢(shì)。比如說修改密碼，機(jī)器就會(huì)反問你想修改什么密碼，再根據(jù)你提供的信息，給你具體操作頁(yè)面。

　　通過用戶和機(jī)器人的交互，把用戶畫像沉淀下來，跨越時(shí)間和空間把用戶畫像融合在一起，對(duì)營(yíng)銷、推薦和風(fēng)控做一些數(shù)據(jù)上的支持?？头行膹囊粋€(gè)成本中心轉(zhuǎn)變?yōu)橐粋€(gè)用戶研究中心，這也是一個(gè)趨勢(shì)。

　　以上是我今天分享的企業(yè)服務(wù)機(jī)器人內(nèi)容，感謝聆聽，謝謝大家！

　　如何去判斷一個(gè)人的情緒，然后根據(jù)他的情緒進(jìn)行之后的問答操作？

　　這個(gè)就是剛才講到的情感分析，它包括兩個(gè)方面，一個(gè)是文本，一個(gè)是語音，文本里通過相關(guān)詞語可以去識(shí)別，語音會(huì)包含一些聲調(diào)、語速。對(duì)情感的判斷是滿意還是不滿意，也是用深度學(xué)習(xí)的方法，相當(dāng)于是文本分類來解決這個(gè)問題，每個(gè)人溝通表達(dá)的方式不一樣，想識(shí)別出來還是有點(diǎn)難的。如果是用關(guān)鍵詞的方法，這個(gè)問題確實(shí)是很難解決好，用深度學(xué)習(xí)的方法會(huì)好很多。

　　現(xiàn)在的語音識(shí)別的瓶頸？

　　方言這一塊大家都做的不太好，訊飛是做的比較好的一家。這需要數(shù)據(jù)的積累，沒見過的方言仍然識(shí)別不出來，這是一個(gè)門檻。另一個(gè)門檻是垂直領(lǐng)域，如果語音識(shí)別系統(tǒng)，沒有一個(gè)垂直行業(yè)的訓(xùn)練數(shù)據(jù)，也做不好。現(xiàn)在人工智能對(duì)數(shù)據(jù)依賴還是比較高的，人工智能的競(jìng)爭(zhēng)有時(shí)候就是數(shù)據(jù)競(jìng)爭(zhēng)。

　　券商這一類的主要是應(yīng)用到哪些場(chǎng)景？

　　券商對(duì)知識(shí)圖譜要求比較高，希望通過機(jī)器人能夠做到問股選股，比如查詢“市盈率大于 20、小于 25 的股票”，比如查詢“A 公司去年和今年相比市盈率變化多少”。在機(jī)器人的知識(shí)庫(kù)沒有現(xiàn)成的答案，需要通過推理才獲得答案，再把它過濾出來。另外是投資教育這一塊比較多，經(jīng)常會(huì)問港股通怎么收費(fèi)等等。還有資料查詢，主要是問某支股票的信息，比如說法人、去年的財(cái)報(bào)。