远程获客渠道及加盟商招募中！
一、智能客服发展背景
随着互联网时代的到来，人们使用的终端设备从传统的pc、电视、电话转到了智能手机、智能穿戴等设备上来，网络信息也呈现出共享化、个性化、实时化、大数据化等特点。人们生活节奏的加快，使人们追求更高质量的生活，对服务也提出了更高的要求，能不能及时、准确的解决生活中遇到的问题是人们评价提供的服务好坏的重要指标。然而面对大数据化的信息，仅仅依靠传统的人工客服解决用户问题已经无法满足用户的需求。
人工智能技术的进步，语音识别技术、自然语言处理等技术的成熟，智能客服的发展很好的承接当下传统人工客服所面临的挑战。智能客服能够24小时在线为不同用户同时解决问题，工作效率高等特点，这是传统人工客服不能替代的，它能为公司节省大量的人工客服成本。
二、智能客服发展过程
智能客服机器人的发展主要经历了四个过程，从刚开始的依托单个关键词进行匹配，再经过可以依靠多个关键词匹配，具备了一定的模糊查询的功能，到第三阶段通过关键词匹配，并具备了一定的搜索技术，到目前依托神经网络技术，应用深度学习理解用户的意图来解决用户的问题。
三、智能客服应用
目前智能客服应用场景比较广泛，涉及到金融、房地产、教育等行业，主要有智能外呼、在线客服等应用场景。在线客服中，主要是通过语音助手等形式，用户和机器人进行交互，机器人会根据用户的问题，通过自然语言处理，解析用户的问题，反馈给用户相关的答案，例如阿里小蜜、小i机器人等。外呼场景里主要用在贷款催收、房屋销售、教育培训邀约等，通过机器的话术引导与用户对话，筛选出意向用户，对用户进行分类，例如：udesk、智齿科技等。本文主要介绍智能在线客服的应用。
四、智能在线客服流程框架
智能在线客服是怎么来完成从用户问句输入到机器给出问句输出的呢，下面就简单的用一个图来了解下智能在线客服的工作流程：
1.首先用户描述自己遇到的问题，（这里主要有文本输入和语音输入）
2.机器通过语音转写把用户语音输入的问句转换成机器能理解的文本形式
3.将文本通过模型解析，匹配到知识库中相似度最高的标准问句
4.最后把答案输出，展现给用户（这里主要也有文本形式的展现和语音播报的形式展现）
五、智能在线客服成长
智能客服模型训练会经历3个阶段
初期阶段特点：
1.缺少模型训练的语聊，没有大量的语料来源，这也是小公司需要面临的难题
2.语料审核的标准不规范，会审核大量重复的语料。
3.无法构建完善、标准的知识库
4.模型训练前期选择用怎样的模型很难确定，没有参考
5.模型优化困难，不知道怎么调优模型
中期阶段特点：
1.知识库中未审核的问句增多，数据和模型需要快速迭代
2.初期审核的问句存在脏数据，影响解析正确率的提升
3.新知识增多，库中的知识点覆盖不全，满足不了用户需求
4.需要依靠大量的人工审核，流程没有标准化
后期阶段特点：
1.FAQ量减少，正确率提升遇到瓶颈
2.需要制定模型训练闭环的流程，减少人工参与模型训练流程
模型训练闭环的流程结构图
六、智能在线客服存在问题
我们可以根据智能在线客服的流程，说一下流程中存在的一些影响解决率的问题：
1.语音转写问题：
首先是语音转写，这是最基础的，也是决定用户问题能否解决的关键。但语音转写过程也会存在转写漏字、多字、错字的问题，这也就导致机器在解析用户问句的时候存在问题。目前主要解决的方法就是通过语料训练语音识别的模型，对于敏感的、容易出错的字着重训练，最好模型具备一定的纠错功能，这样才能更好的为后面的语义解析服务。
2.模型训练和数据准备问题：
忽略语音转写的问题，语义解析的好坏主要跟模型和训练的数据有关，目前训练模型主要是用机器的深度学习来完成，主要有卷积神经网络（CNN）和深度置信网络（DBN），前者是一种监督学习下的机器学习模型，后者是一种无监督学习下的机器学习模型，不同的学习模型出来的结果也是不一样的，这边就不展开讨论了。
另一个因素就是训练的数据，保证训练数据尽可能的都是良性的数据，还有训练数据知识覆盖面的程度越广，能解析的知识点就会越多。
3.用户问句存在上下文问题：
用户对问题描述如果存在上下文的句子，这也会影响到解析的效果。如果用户对一个问题的描述只有一半，就不知道用户具体想要表达什么，解析的效果就会大打折扣，这时就需要配置上下文的服务，通过引导反问用户，来达到解决用户问题的效果。这里也可以延伸出利用知识图谱来完成对用户问句的解决。
4.个性化服务问题：
不能提供个性化的服务，对于不同用户的同一个问题给的都是同一个答案，缺少情感上的交流，用户体验不是很好。机器不能解决的问题还是需要依赖人工解决。
基于深度学习的智能问答
问答系统能够更为准确地理解以自然语言形式描述的用户提问，并通过检索异构语料库或问答知识库返回简洁、精确的匹配答案。相对于搜索引擎，问答系统能更好地理解用户提问的真实意图,同时更有效地满足用户的信息需求。
事实上，无论是业界应用还是学术研究，问句的真实意图分析、问句与答案之间的匹配关系判别仍然是制约自动问答系统性能的两个关键难题。
问答系统最早的实现构想可以追溯到图灵测试。为了测试机器是否具备人类智能，图灵测试要求电脑能在5分钟内回答由人类测试者提出的一系列问题，且其达到超过30%的回答让测试者误认为是人类所答。随着人工智能、自然语言处理等相关技术的发展，针对不同的数据形态的变化也衍生出不同种类的问答系统。早期由于智能技术和领域数据规模的局限性，问答系统主要是面向限定领域的AI系统或专家系统，例如STUDENT[1]、LUNAR[2]系统。该时期的问答系统处理的数据类型主要是结构化数据，系统一般是将输入问题转化为数据库查询语句，然后进行数据库检索反馈答案。随着互联网的飞速发展以及自然语言处理技术的兴起，问答系统进入了面向开放领域、基于自由文本数据的发展时期，例如英文问答式检索系统AskJeeves(
转载请注明：http://www.0431gb208.com/sjszlff/9076.html
