AI 大行其道的今天，在所有可自動化的領(lǐng)域中，客服服務(wù)無疑是自動化行業(yè)重要的目標之一。虛擬客戶代理(以下簡稱 VCA)，是一種智能系統(tǒng)，能夠在和客戶聊天的過程中，了解需求，并提供各種相應(yīng)答案來解決客戶問題。當然，在本篇文章中所談到的 VCA ,都是能理解自然語言的智能機器，與其交流，并非需要輸入復(fù)雜的 NPL 機器語言。簡而言之，這些 VCA 將與人類客服形成直接競爭。(看看現(xiàn)在市面上那些人類客服的態(tài)度，我毫不懷疑，不久的將來，這些職位會被機器所取代。)

　　下面是 VCA 開發(fā)所需要面臨的一些關(guān)鍵問題：

　　VCA 首先需要大量語句進行練習

　　開發(fā)人員需要模擬用戶語氣來訓練 VCA 的反應(yīng)，這個過程包含了數(shù)以千計的常見口語化問題，囊括我們?nèi)粘？赡芊傅囊恍┑图夊e誤，比如方言、語法和拼寫錯誤。然而現(xiàn)實是，并沒有那么多的可供訓練的句型。對此有兩種解決方法，第一種是開發(fā)人員人為的寫上千種句子，第二種是等 VCA 上線后，在實踐中搜集用戶的反饋。第二種顯然不行，會極大影響第一批用戶的體驗，形成不了口碑，很有可能造成惡性循環(huán)。即使公司有成千上萬條語句，這些語句對 VCA 來說也是無效的，因為他們沒有和說話人的意圖掛上鉤。(舉個例子，“你想干什么”這句話，生氣時說和日常說萬萬全全是不同的效果。)所以，如果人為的給這么多語句加上與之相配的“意圖”，是一件非常耗時的工作。公司的解決方案是開發(fā)一套半自動的“問題——意圖”配對工具，大大縮短了配對時間。

　　不可能用一種算法來理解所有用戶的意圖。

　　機器人學習途徑還是從用戶先前的對話中學習，簡單點說，從用戶過往的聊天記錄中揣測用戶的意圖。問題是，用戶對銀行的問題和對電信公司提出的問題是完全不同的，沒有現(xiàn)成的一種算法，可以一次性讓機器從這兩種完全不同的情境中，猜對用戶意圖。解決辦法自然是設(shè)置不同的算法，如SVMs、Naive Bayes、LSTMs和feedforward neural networks 的組合，匹配不同情景下的提問，提煉出不同的意圖。這種方法可以創(chuàng)造更加準確的答案。

　　兩種使 VCA 超越目前人工智能的方法

　　要知道，從一大段對話中提取信息是一件極其困難的事情，你在看一篇文章時，不僅需要讀懂文字浮于表面的意思，還要將這些意思映射到你對世界的理解中。

　　舉個例子，一句很簡單的話，“我的哥哥騎自行車”，有很多隱藏在語句之下的邏輯。比如，我和我的哥哥是擁有同一對父母，我的哥哥比我大，我哥是一個人，自行車是一樣可以被拿來用的、沒有生命的物品······這些認知，或者說世界觀，是我們在和這個世界長期接觸中學到的。如果在將文本意思映射到世界觀中出現(xiàn)了匹配錯誤或者無法匹配，這句話將被認為是毫無意義的。

　　由于今天造一臺計算機，不包括世界觀的輸入，所以在它看來，一句話僅僅就是一串毫無意義、被動鏈接起來的字符串。好比工作人員想造一臺回答金融問題的機器人，由于與金融服務(wù)相關(guān)問題是相當具體的，必須加強人工智能 NLP 語言學習的能力，以及給機器輸入豐富的語義。一定要設(shè)計“語義本體”——通俗點說，讓機器明白“貓和狗都是寵物，自行車是沒有生命的”。

　　還有一種方法是設(shè)計一種架構(gòu)，讓 VCA 根據(jù)上下文內(nèi)容，對已知和未知的語境進行標記。

　　目前 VCA 還是對大公司最有效

　　根據(jù)以往的經(jīng)驗，大部分人在面對客服時是沒有耐心的，可以想象，很多人可能會略過向人工智能提問時，建議的提問方法和需要注意的問題。我們所提出的問題是十分具體的，并且要求及時、直接了當?shù)拇鸢?。這對人工智能提出了很高的要求，目前人工智能成功解決問題的概率徘徊在10%-20%之間。

　　不過考慮到大公司需要成百上千的人，回答無數(shù)次重復(fù)的問題，這個比率可以省去大量這樣重復(fù)工作時間，把人力和時間成本花在創(chuàng)造性工作上面。