由CTI論壇(www.estzdh.com)主辦的2017中國客戶體驗創(chuàng)新大會<http://www.estzdh.com/expo/2017/awards2017/index.html>于9月14日在深圳益田威斯汀酒店盛大開幕，本次會議以"在聯(lián)絡中心數(shù)字化轉型中搶得先機"為主題，北京神州泰岳軟件股份有限公司AI大數(shù)據(jù)副總裁張瑞飛應邀出席此次會議并發(fā)表題為《無人值守智能客服中心》的主題演講。張瑞飛介紹了泰岳無人客服方案，包括：智能機器人虛擬坐席，多輪會話，知識管理，語音質(zhì)檢，語義質(zhì)檢，場景化應用，智能IVR導航，工單機器學習，對接業(yè)務流程引擎及客服智能運維，以及同合作伙伴聯(lián)合打造無人客服生態(tài)。

圖：北京神州泰岳軟件股份有限公司AI大數(shù)據(jù)副總裁張瑞飛
【演講PPT下載pdf格式】

　　簡單介紹參與研究的人員，我們給這些人員做一個致謝。首先是李生教授，他是咱們國內(nèi)第一個獲得國際ACL國際語言協(xié)會的終身成就獎的第一個科學家，是哈工大的黨委書記。也是人工智能研究院的名譽院長，是我們的首席科學家。顏永紅教授是Intel做人機界面的總架構師，是中科院的科學家，主要負責語言學和聲學研究部分。趙慶衛(wèi)教授是中科院聲學所的研究員，推出的語音識別和語音上面具體的應用場景。晉耀紅博士是我們?nèi)斯ぶ悄苎芯吭旱脑洪L，是原北京師范大學的博士生導師，他在語義里面曾經(jīng)參與過HAC概念層次網(wǎng)絡的語義研究，是當時跟著中科院的團隊，是研究組的組長，提出一些不同的概念分詞和語義分局的方法。我們把這個方法用在現(xiàn)在人工智能平臺里面，去構建OEC平臺。蔣宏飛博士是原來阿里做訓練的訓練小組的專家，他在我們這邊負責小富機器人的開發(fā)。這是我們的核心研究團隊。

　　無人值守的客服系統(tǒng)，傳統(tǒng)的電話服務和無人值守的智能服務，我們想代替?zhèn)鹘y(tǒng)電話不足的地方，可能是用戶體驗和用戶24小時接聽電話的能力，他的感知和傳統(tǒng)IVR繁瑣的操作，我們想在其中優(yōu)化的地方。我們想做智能客服，但是智能客服和無人值守的客服中心還是有一點不一樣：1、智能客服沒有辦法有效解決口語標準化的問題。2、多輪會話的場景里面表現(xiàn)不好。3、不能對復雜邏輯和復雜的業(yè)務流程進行有效的診斷。4、缺乏語義糾錯的能力。我們講傳統(tǒng)的智能客服只是在以前的客服里面部分注入人工智能的能力，并沒有形成基于人工智能形成判斷和形成虛擬座席的能力。

　　我們的設計原則：在客服中心問答的時候，我們想做到一步到位的精確語義理解。在進行人機智能會話的時候進行自由調(diào)整，人機會話，我們設想由機器和人進行互動和回答問題的時候，無論問題涉及其他的場景或者這個問題涉及到要辦的業(yè)務，比如要辦理一個房貸，買保險或者申請信用卡，無論什么樣的業(yè)務，我們希望在會話的過程中進行自由跳轉。智能問答除了渠道界面，更需要處理業(yè)務和保留歷史記憶來進行多輪會話的能力，我們在這個能力上取得一定突破，才取得無人客服的概念。

　　無人客服并不是我們現(xiàn)在提得很新的話題，京東本身去年的時候開始嘗試京東無人客服，我們這里講和京東的區(qū)別，我們發(fā)現(xiàn)一些在銀行或者是稅務或者政府、企業(yè)里面應用的企業(yè)級客服重要需要的，不是消費型市場的客服中心需要的東西，比如我們的業(yè)務流程需要更強的定制，比如我們對個人的肖像需要更好的面向企業(yè)的管理，這是企業(yè)里面不同的，我們打造的是面向企業(yè)級大B的生產(chǎn)端的無人構成。技術架構，基于文本語義交互式引擎和智能語音交互式引擎，對語音系統(tǒng)和語義系統(tǒng)分別做解析。智能客服接入網(wǎng)關對各個業(yè)務進行各個接口，比如銀行，存貸款、理財?shù)鹊葮I(yè)務的流程接口。部署架構，我們通過語音PBX系統(tǒng)，進入IVR，在IVR對接無人值守客服系統(tǒng)，再生成語音，再和CTI系統(tǒng)進行交互。

　　這樣的會話架構里面，我們需要能夠進行智能交互的引擎結構，這個和傳統(tǒng)機器人不一樣，我們分五層：知識學習、知識引擎本身的建設、問答引擎、對話引擎、場景引擎，這里面分五層進行管理，所以它不再是我們單一的機器人，只是智能問答的交互引擎，是知識構建到最上層管理的完整功能。具體的組件，包括推薦學習、地圖學習、閑聊學習、場景關聯(lián)、碎片化的業(yè)務能力的架構和業(yè)務要素的了解，概念的理解以及會話歷史和會話間的記憶，會話和場景的關聯(lián)。這里面的能力有這樣幾個：1、我們?nèi)绾芜M行相關意圖的學習，有時候我們的人類自然問法背后隱藏的是概念化的語義表示，比如我們說能吃多少吃多少，能吃多少吃多少，重音不同意思不同。這是結合語音和語義一起做到的。2、知識加工，如何讓機器人去學習到一個業(yè)務，我們以前做機器人智能問答的時候，有一個標準問答，對應一些答案，做出擴展。一個標準問對應1200個擴展問，這個概念在現(xiàn)在的無人值守的客服中心里面可能要顛覆掉，首先不能以問答來理解語義和用戶的業(yè)務系統(tǒng)。我們要有入口告訴機器人怎么學會業(yè)務知識，然后我們構建業(yè)務框架的東西，在這上面通過跟機器人的會話，首先交給一個機器人業(yè)務知識。這是傳統(tǒng)給人工座席的培訓，當我的一個人工座席來的時候，我應該講我的業(yè)務框架和業(yè)務要素，以前的機器人是沒有的，只有問答，這個不夠，所以把這個補起來了。3、我們對概念歸一化的講解，我們在嘗試能不能直接把問題和答案自動匹配，在銀行或者在特定的應用場景里面，我們讓擴展問消失，這樣機器人維護過程中，我們就可以基于純粹的人工智能的語義技術來進行維護，這種場景到底可不可能發(fā)生，我們嘗試做這樣的場景。我們也做了測試，最近在上海銀行，我們做了兩輪：一是帶擴展問測試。二是把所有擴展問刪掉的測試，兩輪測試效果都很好。4、話題站的管理，話題記憶管理和場景管理，后面分別說。

　　整個構成，無人值守的智能客服交互式架構，從知識學習到線下訓練到線上的知識的發(fā)布，這是完整的框架。

　　技術特色，語音識別，我們做了幾個特定功能：1、如何將連續(xù)的語音能夠自動轉換為文字，這里面主要用到的算法是大家看到的雙向LSTM的深度學習神經(jīng)網(wǎng)絡的算法，利用這個算法我們把這個速度做到比國際開源軟件快5倍以上，基于WFST的語音和語音特點和句法進行整合的識別技術。通過這個實現(xiàn)人機交互和人人交互，準確率分別是90%和80%，我們在單臺服務器處理并發(fā)語音。人機交互是手機打電話是最常見的人機交互，我們的語音進入到手機，在手機里面進行識別。人人交互是通過電信的線路來進行語音識別，他們主要的區(qū)別在于對音質(zhì)的線路損耗和后臺處理算法的差別。

　　2、關鍵詞的檢索，對用戶的敏感詞、業(yè)務詞、提供詞和與說話人無關的詞，還有支持電話、網(wǎng)絡和互聯(lián)網(wǎng)的自然語言的對話來進行關鍵詞的檢索，保證在講話的時候，第一個是合規(guī)，第二個是在質(zhì)檢的時候有些使用。

　　3、通過對語音進行語音、語速、輕重音以及語音相關概念的層次分析，通過層次分析理解基本音頻，以及語調(diào)之間的相關性，這是基于語音聲學特征進行分析。

　　4、場景分割，我能夠去定義語音的角色、場景的背景，可以把語音部分和人的身份去做自動的聚類，可以給出客服語音和用戶語音相區(qū)分，即使在這兩個語音相重疊的時候，客服正在回答問題，機器人正在回答問題，你好，請您按照步驟一、步驟二，這時候打斷，客戶語音進來了，他可以分出來客戶的語音是什么、要點是什么，不會吧兩個語音疊加在一起，造成含混不清。

　　語音引擎突出體現(xiàn)幾個優(yōu)勢：1、語音的性能優(yōu)勢，首先準確率上能做到80%和90%，這是語音性能上的優(yōu)勢。當然我們在實驗室里面有時候說這不一定是很高的數(shù)據(jù)結果或者大家都差不多的數(shù)據(jù)結果，是這樣的。在語音識別里面，我想大家不會說哪家的語音識別的效率會特別高或者會特別低，比如科大訊飛特別高或者特別低，都不會。我覺得關鍵在于我們是不是有專家在優(yōu)化，給企業(yè)級或者再一個領域里面優(yōu)化企業(yè)的使用場景。當你的語音引擎在使用場景上進行一系列的優(yōu)化之后，它的表現(xiàn)在應用里面的差異特別大，這時候這是語音上面和別人的差別，我們在應用的窄領域內(nèi)去聚焦和投入，去做這樣的語音引擎。

　　2、語音的抗噪性，對于語速的識別，準確率和語音的適應性上，都做了相關的學習和建模的技術。

　　為了配合無人職守的客服中心，語義上我們做了相關的提升，主要是三個方向：1、場景化；、多輪問答。3、業(yè)務本體建模。說白了是為了使得我們的智能問答的機器人更接近予人類的操作能力。它除了能夠回答問題以外，它應該還能夠去干活，能夠做業(yè)務，能夠進行系統(tǒng)的錄入，甚至能夠辦理一些簡單的業(yè)務流程或者能夠提示或者能夠進行推銷。我們定義不同的業(yè)務場景，要能基于人類的一個問題，讓機器有多輪問答，引導出它整個問題。第三個是機器人要了解業(yè)務，它要進行業(yè)務的建模。

　　場景，它等于業(yè)務框架+知識類型+交互方式，這就是我們實際上對場景基于語義管理的定義。我們知道一個用戶有不同的業(yè)務類別，我們可以對應不同的場景。這些業(yè)務類別對用戶而言，首先看到的是業(yè)務框架，對于學習的知識庫而言，能夠看到不同的業(yè)務框架下有不同的知識類型。在交互方式上也會看到機器人給他的表述方式是不同的，這個我們管它叫場景化。以前的機器人在過于單一的場景里面使用同一種方式，都是問答。有時候不是，營銷的時候交互方式是更副文本一點，普通的時候可能交互方式適合簡單的回答，這樣一方面考慮機器的復雜和成本，也使得我們在不同場景下的使用變得更靈活，不同場景的答案不同。另外，以前過于強調(diào)單一的知識，這里面大家看到的FAQ的知識，像人類一樣，我們有不同的知識，機器人也應該學習不同的知識。等下我舉個海關的例子給大家講列表型知識。通常我們進海關，仿真槍能不能帶出海關？這時候機器人給的回答就是整個法規(guī)，一個海關的規(guī)范，但實際上如果人回答那就直接回答仿真槍不能帶出海關就可以。這句話意思在列表知識型里面解析，如果以機器人不具備知識架構，永遠做不到人類這樣回答問題，就不能從列表中解析。這是我們想要求的讓他辦理業(yè)務或者做場景化所必備不同的知識能力。這三個我們叫場景定義。

　　場景定義下涉及到建模，定義一個場景怎么建模，這里面引入BOT建模的方式，通過BOT框架，通過它的底層自帶的概念庫來滿足機器人在不同場景下的表現(xiàn)出不同角色的能力，這是BOT概念建模。BOT就是一個業(yè)務體系或者一個圖譜或者就是一個多維度的業(yè)務樹，都可以。這是用戶很常見的BOT的拓普圖。招商銀行的業(yè)務劃分，業(yè)務劃分是像我們培訓普通座席一樣，有對公業(yè)務、個人業(yè)務。對公業(yè)務、個人業(yè)務再一級一級展開。這樣可以告訴他，在機器的情況下，比如我個人業(yè)務里面信用卡，它包括什么，它的知識要點應該包括業(yè)務流程、業(yè)務劃分等。機器人可以在相關類別情況下進行回答，二是它可以去推測你下一個問題可能是和什么相關的，就不會在所有的問題里面隨意列舉，而是在業(yè)務框架里面推測，這個思維是模仿人的思維進行的。我們?nèi)嘶卮饐栴}的時候也是這樣，屬于信用卡類，問了這個，我要找信用卡相關的，我們在BOT概念樹的情況下進行分析，大家可以列為一個寬表對屬性的窮舉，這個概念展開可以非常寬。這里面列舉了涉及BOT里面很多場景，不一一解釋，它的意義是一樣的。基于這個我們形成框架庫，我給招商銀行建立BOT場景，我就可以把領域定義為整個銀行領域，這個框架我可以定義為銀行哪類業(yè)務框架，基金辦、概念型知識或者整個銀行框架或者信用卡框架，我可以把業(yè)務領域和業(yè)務框架定義下來，結果是我到別的銀行的時候就可以復用。比如我到長沙銀行或者基金管理公司的時候，我可以把知識進行復用�；�金辦理的框架（見PPT）。

　　概念庫，這是業(yè)務領域常涉及到的場景。這個概念不單單是以前定義的打語義標簽的概念，應該還包括里面列舉的，比如它的集合概念、同義概念、業(yè)務概念、敏感概念、糾錯概念、停用概念、成長概念等，把復雜的概念進行處理，使我們在業(yè)務場景里，能使機器人應答更加靈活，可以更符合我去探訪問題本質(zhì)訴求的能力，我知道它應該從屬概念的哪類，看到不同的概念進行答案的提取。在這個基礎上我們再進行不同類型的知識加工，比如問答類知識，概念型知識，列表型知識和要素型知識等等。不同知識的特色，這是典型問答型知識，信用卡怎么辦、信用卡如何辦理，這就是問答型知識。概念型知識，信用卡主要通過訪問什么方式辦理，這里面提取的語義概念要素是信用卡辦理，信用卡辦理的方式、訪問、網(wǎng)點等等，這些要素是被自動提取出來，提取出來以后，這句問話變得更加靈活，信用卡怎么辦、信用卡該如何辦理、我該如何辦卡等等，這些內(nèi)容將被列舉成同一條知識。我們做過一個測試，剛才講了銀行里面一個基本問會對應1200個擴展問題，通過概念型知識加工，可以把問題的類別擴展類大大縮減，第一步縮減為幾十條，幾十條還不夠，我們希望最后消除擴展問，我們拿到適當?shù)恼Z料訓練之后，最終的目的是消除擴展問，讓問題自動找答案，或者使用很少的擴展問，把機器人維護的工作降到最低，對機器人有知識的人知道它的維護工作有多復雜，大家看其他銀行上線的機器人可能就會有體會。概念型知識，這是我們自動提煉出來的語義概念，信用卡辦理等等。

　　要素型知識，典型的是剛才說的賣保險的問題，我要辦一個保險或者買一張火車票等等這樣的問題，后面包含一個要素，保險人是誰、年齡是多少、辦什么樣的保險，火車票是從哪兒到哪兒，哪一天，買什么樣的座位、什么等級，這就是要素型知識。里面避免不了的話題是要給用戶畫他的歷史肖像，以前的行為更喜歡什么樣的，喜歡買一等座還是二等座還是喜歡坐票還是臥鋪，這些是我們要給用戶畫像的能力。這要結合起來。列表型知識，我們通過對列表型知識進行加工的時候，我們可以把機器人的人機回答變化一下，例如仿真槍能不能帶上飛機，這里說某某違禁品是違禁品，不可以帶上飛機。這是從列表知識里面提取的答案，仿真槍能不能帶上飛機？他告訴你仿真槍是違禁品，不能帶上飛機。比如度秘搜索，他會回答整個公約，這不是客服想要的答案。

　　語義技術在這方面進行增強，一是場景化。二是業(yè)務建模。三是知識不同表示和知識加工。四是持續(xù)化的優(yōu)化和服務的能力。

　　我們用了深度學習的算法，一是信息抽取和信息發(fā)現(xiàn)，主要是用在問題的識別上。現(xiàn)在的算法主要是兩種，CNN的方式和LSTM的方式，在機器學習上學習情感表達和多輪會話的能力，這是用LSTM的算法來進行提取，它也用在答案自動生成和提取上，也用在實體提取和標注上，實體標注上我們對應的CRF等等，還有其他算法的組合。這樣一些算法的提取，包括答案生成，我們用對抗學習的機制來自動模擬人類自然語言生成答案，這樣的算法機制使我們完成了什么呢？我們說一個和以前的對比，以前我們在做語義標簽的時候，我們自己的引擎是通過傳統(tǒng)的機器學習算法構成的，我們做擴展的時候，我們怎么都做不靈活，我們在上海銀行實際測試的時候，我們用這樣的算法替掉原來的引擎，做兩種引擎的對比，在沒有擴展論的時候，機器應答的準確率和召回效果，和以前維護標準兩百條擴展論問答效果差不多。

　　這是學習流程，結合用戶畫像當前提問和用戶的歷史提問，把這三個作為我們判別的數(shù)據(jù)源，通過我們對問題的處理，包括對概念的規(guī)劃處理，對問題的分類，對信息的識別，最后拿出一個結構化的用戶意圖，是用JASON表示的，意味著我們的系統(tǒng)可以開放給所有人，只要用JSON進行編程的人，我們可以把引擎的意圖開放給所有咱們在座的系統(tǒng)。語義識別的例子，幫我訂一張明天從北京到上海的機票，最好不經(jīng)常晚點的。我們得出的結論，這個人是高大偉，男，36歲，商務人士，經(jīng)常拜訪客戶，經(jīng)常攜帶藏刀、佛像等禮品。這就是他歷史的畫像，這是我們的數(shù)據(jù)鏈。加上他的問題，我們就輸出這樣的JSON格式，他要做機票預定從北京到上海，名字叫高大偉，36歲，商務認識，對航班準確率要求高，他要攜帶禮品。我們會把完整的JSON數(shù)據(jù)發(fā)放出來，可以結合數(shù)據(jù)源讓機器人做后臺的自動分析架構結合語義。

　　同時我們考慮對話棧的技術，像人一樣，人是有記憶的，機器人回答問題的時候，最方便的回答是你帶著機器人和人回答，比如我說，幫我推薦個信用卡？這個問題入棧，你問什么幣種、什么職業(yè)。他又說，我想再問一下保險，他把你的問題打斷了，說了一個其他的問題，機器人還是可以自動問答，你要什么險種、額度是什么，這個是話題的入棧，我把話題推到棧里面去。什么時候話題會出棧？一是話題中斷。二是話題徹底解決完了。三是話題異常終止或者完美解決。如果不想買，他就知道。接著回到信用卡，他說，請問你什么職業(yè)？這是不是比較接近客服的自然響應。我們把話束記憶也加入機器人的多輪會話里面去。通過這個也可以做所謂的引擎算法熱切換，第一種，傳統(tǒng)語義標簽的方式，通過語義標簽的方式去減少機器人在語義和句式變化上對人需求的維護，減少這樣的需求。二是基于深度學習的方式，基于深度學習的匹配，對兩類內(nèi)容進行匹配，一個是問題到問題，哪些問題是標準問，哪些是擴展問，問題到問題的自動匹配。二個是問題到答案，問題到答案的生成很新，我們正在做這方面的努力，也正在跟招商銀行聯(lián)合做這方面的研究，我們怎么從問題里面生成答案，這樣我們既希望于最后能夠脫離所有的擴展問。

　　我們看一個例子，傳統(tǒng)語義標簽的匹配方式，這個匹配方式做了語義優(yōu)化。比我們以前看到的機器人好很多，大家可以看到幾年前的機器人效果比這個還差。比如我說微信密碼不記得，他回答的方式是我回答不了，小滬功力不足。微信密碼丟了，微信密碼不記得，其實是一回事。滬是上海銀行實測的機器人，我們把語義標簽去掉，換一個方式，熱切換深度語義，這時候召回的問題，微信密碼不記得，他會回答如果忘了微信密碼，我可以推薦知識。最神奇的是說到微信密碼丟的時候，還會推薦相關的其他類型的知識。這時候我們發(fā)現(xiàn)通過深度學習可以極大的提升機器人問題的維護和回答的能力。

　　場景應用，語音質(zhì)檢，語義質(zhì)檢，通過聲音質(zhì)檢可能比較常見，語義質(zhì)檢大家可能看到的比較少，但是可以通過文字內(nèi)容理解這個人的思維，判斷他回答問題的合規(guī)性。潛客挖掘，貴金屬結算卡在基金理財上，分別挖掘出不同的潛在的營銷客戶。這使呼叫中心從成本中心變成有可能盈利的利潤中心。智能投訴管理的場景化應用，我們把投訴分成三類76級別，把它的機構來自于上級機構的投訴還是有哪些投訴的升級，把投訴分類進行劃分。我們把整個客戶中心的投訴看得非常清楚，我通過一張表，我們叫三元組云圖，可以看到所有投訴里面最真實的投訴內(nèi)容是什么，而不只是關鍵字。這是我們有些項目投標的時候正在做的，越來越多的銀行提智能IVR語音導航，我們不再使用關鍵字，以前的方法是關鍵字，你可以說關鍵字，用戶很多時候不說關鍵字，他直接希望智能客服來問他，請問有什么可以幫你？他直接說我信用卡丟了怎么掛失，然后你直接跳到菜單里面。這是我們倡導的，我們現(xiàn)在也在投一些銀行的項目，我們也覺得越來越多的銀行用戶直接跟我們講，到底機器人能替掉人工工作多少的比例，我們在這個方向上一直努力。

　　我們希望實現(xiàn)虛擬座席，我們通過客戶的問題轉接到虛擬座席，這個座席是給他普通座席和權限的，給他普通數(shù)據(jù)庫的操作權限和訪問權限，以及知識庫的訪問權限。首先它通過小滬機器人的引擎來做用戶的意圖理解和智能處理，實時去辨別知識類型和場景，同時也顯示在我們?nèi)说目头�的屏幕上，人類客服可以通過關鍵字做相應的跳轉，進知識庫和頁面。我們把虛擬座席做成人的助理，而且某些情況下對固定流程、煩瑣的流程、固定的問答方式，虛擬座席可以完全輔助人類化解，而且他們之間可以一鍵進行切換，機器人可以呼叫人，人也可以呼叫機器人，進行場景切換。

　　渠道是咱們講的全渠道，不用通過任何渠道，網(wǎng)絡、短信各種方式。我們最近研究一個有意思的渠道，通過VR的方式來實現(xiàn)一個機器人的渠道，這里面的場景我通過虛擬座席可以做什么，可以咨詢銀行的業(yè)務，可以進行意圖的識別，做多輪會話。我可以進行營銷的主動推送，或者推地圖過去告訴你地點在哪里，我可以進行各種寒喧、聊天，大家可以在線上找我們的小滬試試，昨天有合作伙伴測試效果不錯。我覺得電影不好看，小滬說我理解您很憤怒。說了一些很有意思的話，這不是你的錯什么的。他們寒喧的能力比較強。它也可以做一些超時的處理，比如時間過長的時候，他可以知道提示電話要斷掉，也可以做無縫轉人工和人工和虛擬座席的互轉，也可以做沒聽清楚問題的提示，也可以做一些幫助。包括用戶的個人畫像，我們的畫像以前都是在大數(shù)據(jù)平臺下打數(shù)據(jù)標簽做出來的，這里面講的是用戶和實時繪畫過程中自然加工出來的，完全不一樣。我們做精準營銷的畫像，大部分來自歷史畫像，但是時間已經(jīng)過去了，不是現(xiàn)在的用戶行為。今天的用戶行為是正在講話的時候的畫像，價值是不一樣的。包括他的知識點建設。

　　虛擬座席的知識學習怎么做的？你怎么進一個人類知識告訴他？一是對現(xiàn)有學習知識學習、現(xiàn)有知識強化、新知識的發(fā)現(xiàn)。以前的機器人沒有彈出過界面，我們現(xiàn)在把這個知識點可以做到普通人就可以加工和維護的場景，不需要懂人工智能的專業(yè)知識。知識特征我們可以做運維統(tǒng)計。系統(tǒng)的實施團隊，技術上有三個團隊負責，語義建模是張笑然領6個人的團隊，語音訓練是劉雪蓮領10個木團隊，接口開發(fā)是張青領20多人團隊來做開發(fā)，這是技術支持和服務隊伍。整個實施周期如果并行起來，在4-5個月可以把無人值守的客戶中心建起來。大家看到這里面有些售后，從業(yè)務調(diào)研開始，然后到知識庫的建立，一直到語義理解的系統(tǒng)功能，到鏈條測試到整體上線，大概是4-5個月時間就可以建立整個系統(tǒng)。這是實時服務體系，我們做的7×24小時保障。

　　案例，長沙銀行的機器人在微信和Web客戶端進行會話，這個機器人是我們前一個版本，沒有用深度學習的樣例，但是已經(jīng)用了語義標簽的樣例，長沙銀行整個維護的時間和維護周期非常短，整個實施周期控制在2個月左右的時間，整個機器人的知識建模已經(jīng)做好。招商銀行智能問答做的測試，這個測試是把小招85萬個匹配不到的問題做了第二次答案，原來匹配不到的問題，小招一鍵轉人工，這時候有大量人工工作量，后面又放一個機器人，發(fā)現(xiàn)85萬個問題，我們召回60萬個問題。棘輪是機器人無法回答的85萬個問題，通過智能匹配，有60萬個問題以90%+的準確率找到了答案。

　　我們通過二次匹配進行高知性運作，通過語義加工和深度學習的能力，去減少用戶的人工維護。智能語音導航也要對接其他平臺，比如GeneSys、Avaya、華為、中興等等，這是我們做過的一些案例（見PPT）。廣發(fā)做了機器人的語音質(zhì)檢，大家看一下它的應用，廣發(fā)銀行傳統(tǒng)的人工調(diào)取的方法是效率比較低，成本比較高，而且它也面臨很大的壓力，通過上線以后，制止三千個座席規(guī)模的客服在基于大數(shù)據(jù)的基礎上來實現(xiàn)自動的語音質(zhì)檢。紅色體現(xiàn)出來客戶價值，我們的覆蓋率可以做到100%，對于業(yè)務熱詞可以自動統(tǒng)計，自動推送培訓的內(nèi)容，有95%的合規(guī)內(nèi)容被發(fā)現(xiàn)，客服實時報檢是可以做一些分析�，F(xiàn)在廣發(fā)也正在做一些關于語義質(zhì)檢和語義防欺詐的關聯(lián)分析。比如廣發(fā)辦信用卡的時候，有很多人寫地址是瞎寫的地址，這個地址有可能是信用卡的欺詐行為。用常規(guī)的方法很難理解哪個地址是正確的，哪個是錯誤的，今天的威斯汀也有很多說法，可以說某路某號，也可以說威斯汀酒店，我們通過機器學習的方法來做地址歸一化的校驗，提出錯誤的地址，做防欺詐。重慶的案例，我們想做無人值守的客服中心，光有人工智能不夠。我們應該用人工智能的能力連接一切。重慶交委做的例子，我們把數(shù)據(jù)用專門的數(shù)據(jù)平臺連起來，把業(yè)務平臺、開發(fā)平臺、數(shù)據(jù)平臺、運維平臺、公共平臺做起來，整個做成應用服務平臺，這才是無人值守的客服中心。今天我們重點展開語音和語義兩部分，后面只是給案例的方法給大家展示。

　　這是我們實際做的一些原子服務和原子組合，這是我們現(xiàn)場做的采訪，做成業(yè)務圖譜。

　　謝謝各位！