閑談客服中心AI應用及挑戰
隨著大數據應用的不斷普及，基於機器學習及深度學習演算法的人工智慧技術也不斷在各個領域大顯身手。對於客服領域來說，現階段人工智慧技術的應用主要在三個層次或者階段上，一是以智能機器人及智能助理為主的自助服務交互，7X24不間斷處理一些常規的但往往是海量的諮詢問答、業務辦理、流程引導、社交媒體監控及預警等場景相對簡單的服務交互；二是與人工服務相配合，在人工服務過程中進行智能路由，並協助人工坐席完成客戶需求預判、快速偵測、識別、判斷、查詢、推薦等機器更加擅長的工作，使人工服務流程更加快捷、高效，更好地滿足客戶需求，提升客戶體驗；三是在服務運營管理上，通過對交互流程、內容的分析，能夠發現和識別一線員工的流程及規範遵守、工作模式、技能差距、培訓需求、客戶痛點、需求根源、行為預測等等一系列運營改善空間，使運營提升更具針對性和效果。
然而，任何的技術都有一個逐漸完善的過程，人工智慧技術雖然前景美好，但在現階段仍然存在一些明顯的短板和與理想應用之間的差距。因此，在部署和應用AI技術的同時，多了解一些它的背景知識和應用趨勢是非常有必要的。
我們其實已經在應用一些人工智慧元素有好多年了。
AI並不是突然冒出的新鮮事物。上個世紀90年代出現的洗衣機模糊邏輯控制系統其實就是某種形式的AI。語音識別和語義識別本身也是AI的一部分。在數據分析與挖掘領域，我們利用很多傳統的機器學習演算法，比如決策樹、邏輯引擎等，進行預測性分析已經有好多年，而這幾年這些演算法又被打上了AI的標籤。而最新的AI發展其實最主要是圍繞著人工神經網路演算法而來的。同樣，人工神經網路演算法也不是新鮮事物，但一直以來因為缺少商業價值而少有人關注，直到近幾年大數據的發展為演算法的訓練和演進提供了足夠的場景和數據，使其智能化水平大增。
以前，如果一個客戶失聯一段時間，企業很可能會把他標記為流失風險客戶，而給予某種促銷激勵。而有了機器學習演算法，企業可以利用更廣泛的數據維度實時尋找和識別更複雜的客戶行為模式，發現潛在的風險與關係。
AI也許還沒有那麼智能
自動駕駛汽車應該算是當今人工智慧應用領域最前沿的應用領域之一了，儘管我們都期待未來幾年路上會行駛著越來越多的無人駕駛汽車，但它仍然不具備幾項人類大腦所具有的關鍵判斷和決策能力，且這個學習過程會非常漫長，至今仍未通過駕駛測試。
同樣，在客服中心裡，自學習演算法在某些專項領域做得非常好，結果在某些具體的點上也是理想的，可接受的。但綜合來看，在眾多的需要綜合考慮複雜場景的業務上，人工智慧仍然無法起到獨當一面的作用。
很多聊天機器人背後只有很少的人工智慧技術
並不少每一個智能聊天機器人都那麼智能。很多只是利用基本的關鍵詞識別編碼並藉助後台的內容邏輯編碼樹把對應的內容抓取輸出而已。對完整語義的識別和上下文對話能力還很弱，更不要說多輪的自然語言交互。只有經過較長時間大量的訓練和校準，機器人的客戶需求識別與問題響應能力才會逐漸完善和提升。
人工智慧需要海量的數據去訓練
提升AI的智能水平需要大量的訓練。無論是有監督的機器學習還是無監督的機器學習，學習與進步的發生都離不開大量的高質量的真實業務場景數據，尤其是數據的收集、整理、清洗和轉換將會耗去整個數據項目的三分之二左右的時間，這其實對於整個企業的數據治理機制提出了很高的要求。而且，不同的演算法有著不同的業務適用範圍。例如，卷積神經網路模型擅長圖像識別，而遞歸神經網路則更適合語言情景的理解。知道處理何種任務最應該用哪種演算法以及哪些數據既是一個數據科學問題，也同樣是一個業務理解問題。業務理解是技術開發的前提，在這一點上，任何AI技術的開發、採購或部署都應該有業務人員的參與，讓他們從業務流程和業務結果的角度來評估AI技術的實用性和適用性。
AI技術仍在快速演進
人工智慧技術的演進潮流是有目共睹的，各種貼著「AI」標籤的系統或解決方案被接二連三地推向市場。儘管不完美，但最起碼做了概念普及和技術鋪墊。隨著自主學習和演進演算法的不斷改善，未來我們能看到的將不僅僅是機器圍棋大師、機器人作家和藝術家、機器人駕駛員等，而且能夠看到你的最佳銷售和最佳服務坐席的模仿系統。一個人人都是最佳銷售或服務大師的時代也許已經為時不遠了。
TAG:呼叫中心數據分析 |