AI情感助手
在现代社会，高效、专业的客服服务已成为企业、组织机构竞争力的关键要素。智能客服系统应运而生，智能客服系统对客服的赋能作用和价值主要表现在提高效率、降低成本、优化用户体验、深度挖掘用户需求、数据分析与挖掘等方面。借助这些优势，企业、机构可以为用户提供更好的服务。 例如，某市人社信息化建设多年，陆陆续续建设了多个系统，但依然存在系统相对较分散，系统间关联融合程度不高的痛点问题。为了提升其客服效率，该机构的七个平台接入容联七陌的智能客服系统。 借助容联七陌的智能客服能力，为该部门提供了多样化的智能服务，包括：帮助构建文本机器人，通过启用内外部知识库，增加业务操作及运营手册，辅助座席咨询过程中进行直接搜索。同时开启X-Bot机器人，搭建常见问题知识库，自动为用户答疑；通过接入X-Bot智能机器人，提供咨询服务，并基于语义理解快速回复用户业务咨询；通过前置文本机器人处理重复事务性咨询，设置场景化转人工服务；人工服务时，文本机器人提供意图识别及恢复推送服务，提高人工服务回复的效率。 自从容联七陌智能客服系统上线以来，该市人社部门的客服能力得到了显著的提升。比如，通过知识库与机器人，快速解决机构内部咨询及问题答疑，大幅减少了重复性咨询回复；通过多渠道客服咨询的一站式管理，实现不同渠道在线咨询业务的专业客服对接，减少重复操作与时间浪费现象；借助X-Bot客服机器人实现了7X24小时在线处理客户咨询，减少客户咨询遗漏的情况，确保业务咨询第一时间得到回复。 需要指出的是，智能客服在推动客服行业发展的同时，其本身也处在快速发展进程中。智能客服不断吸收新的技术，来提升其创新能力。目前，ChatGPT等大型语言模型的技术突破为提升智能客服系统的智能化水平带来了巨大潜力。那么，ChatGPT这类大型语言模型到底能为智能客服带来哪些改善，两者结合的典型应用场景是什么。为了搞清楚这些问题，数据猿专访了业界专家，并以行业深度文章来分析ChatGPT等大语言模型在智能客服领域的应用前景。 智能客服+ChatGPT，会产生什么奇妙的化学反应？ 总体上看，通过接入ChatGPT这类大语言模型，智能客服系统可以在以下几个方面得到显著的提升： 提升智能客服知识库的搭建效率。 数据猿采访的多位业内专家，都提到了ChatGPT这类大语言模型在帮助搭建知识库方面的作用。 Sobot智齿科技联合创始人&CTO吴立楠告诉数据猿，ChatGPT可以赋能知识初始化和管理。现在的机器人知识库是通过配置问答对的方式管理和维护，这个过程中需要人工标注、分类及后期维护，重复且低效。与之相比，ChatGPT提供了Fine tuning和Embeddings两种能力，使得运营人员可以通过产品介绍、商品SKU、问题解决方案直接生成知识。运营人员由编写问答转变为对答案的审核和调优，颠覆了机器人知识库的维护方式。此外，在常见问题的更新方面，结合ChatGPT的问题生成方式，可以将短时间内出现的高频问题及时更新到常见问题中，帮助客户更好的自助解决问题。 吴立楠向数据猿介绍了智齿科技在线客服机器人的资料管理系统，该系统支持上传PDF、Word文档，客服机器人根据文档可以自动回复客户问题。并且，客服机器人支持对角色、语言、引导性、创造性等维度进行设置。机器人涵盖客服、售前、销售等角色，未来还可以开放角色给企业定制化，例如，给周大福定制的智能客服系统，可以用淘系客服的口吻回复客户问题，与他们现在的客服形象保持一致。 值得提出的是，智齿科技的智能客服产品可以针对不同渠道回复不同的语言，比如渠道为英文时回复英文，渠道为中文时回复中文。以下例子是该产品的应用实例： 天润融通首席科学家田凤占也提到，ChatGPT及大模型在通用领域中积累了足够的数据和语料，能够快速生成相似问法，解决智能客服冷启动语料不足、场景覆盖率低等问题。落到行业中来看，在制造业中，基于ChatGPT的信息抽取、文本分类能力，可帮助客户快速实现已有文档到结构化知识的转换，形成企业自己内部的知识图谱、知识库、信息系统中的数据资产。我们从实际效率来看，平均100条FAQ需要2~6人天，通过使用ChatGPT不到5分钟就可以生成数百条FAQ。 充分调用ChatGPT及大模型丰富的语料知识，能够帮助企业快速构建大规模知识库，短时间内快速完成全行业场景的语料扩写。 网易云商产品总监周丹也表达了类似的观点：ChatGPT可以辅助知识库的搭建和配置。比如以前碰到陌生的行业，需要人拍脑袋想访客可能会问到的问题，现在可以借助ChatGPT配置相似的问题。例如，可以给ChatGPT提问，“请帮我扩充10个关于表达和‘收到快递破损了怎么办’相同意图的问题，尽量差异化”，在ChatGPT给出答案的基础上再由人工进行审核。 显著提升复杂需求的理解能力，让客服更“人性化”。 在处理涉及多个步骤或需要深入理解领域知识的复杂问题时，目前的智能客服系统可能表现得不尽如人意，这可能导致用户需要多次反馈问题或转接至人工客服。同时，智能客服系统在识别用户情感和口吻方面仍有改进空间。例如，当用户表现出愤怒、失望或讽刺等情绪时，系统可能无法作出相应的回应。 以目前ChatGPT表现出的能力来看，正好可以弥补智能客服系统的上述问题。ChatGPT的模型架构和更大的参数规模，让其在理解复杂需求时有天然的优势。ChatGPT具有大量的参数和多层网络结构，这使得它能够在深度学习过程中捕捉到更多的信息和特征，从而提升对复杂需求的理解能力。ChatGPT在训练过程中接触了大量的知识，包括领域知识、实体关系等，使得模型能够更好地理解用户提出的复杂问题，并在回答中融合相关的知识和信息。 吴立楠认为，通过ChatGPT的对话上下文理解能力，可以根据知识库直接生成回复，降低了人工理解和查找过程的依赖，提升回复效率的同时，还整体提升了客服业务能力底线。此外，利用ChatGPT的语义识别能力，及时捕捉在线聊天、语音、工单处理业务中的客户情绪风险，结合现有智齿监控看板和客服分配策略，对于出现预警的客户群体进行优先接待或直接由更有经验的服务人员进行接待指导。 田凤占提到，通过充分、持续训练，能够使大模型具备更加精准的语义理解能力和更强大的自然语言生成能力。基于已经训练成熟的大模型，能够辅助智能客服根据用户输入的问题提供快速和准确的响应，快速解决问题，节省了客服团队大量的时间和资源，提高客户体验和满意度。 更好的上下文理解能力，更流畅的多轮对话。 尽管目前的智能客服系统已经在上下文理解方面取得了一定的进步，但仍然可能在多轮对话中出现理解偏差。在一次较长的多轮对话中，智能客服系统可能难以保持对话的连贯性和一致性。随着对话的深入，系统可能出现跳跃性、重复性或离题的回答。在多轮对话中，理解用户意图和回答问题通常需要进行一定程度的推理。然而，目前的智能客服系统在自然语言推理方面，尤其是涉及到隐式知识或复杂推理方面仍有待加强。 相对而言，目前的ChatGPT这类大型语言模型在上下文理解和多轮对话方面已经取得了显著进步。ChatGPT这类大模型基于Transformer架构，这一架构采用自注意力机制（Self-Attention），使得模型能够捕捉输入序列中长距离的依赖关系，这有助于更好地理解复杂句子和用户需求的内在联系。此外，更大的神经网络、参数规模，也为大模型理解上下文复杂的关系奠定了基础。正是这些特点，让ChatGPT这类大模型可以理解一定跨度的上下文信息，能够理解一定程度的复杂对话结构，包括多个参与者、多个话题以及各种问答模式，可以处理一定数量的对话轮次。 吴立楠认为，基于ChatGPT出色的上下文语义理解能力和编写生成能力，结合客服行业专业知识库，将ChatGPT直接用于客服机器人底层能力训练，可以提升机器人独立接待效果，进而打造更加智能的客服行业机器人产品。 需要指出的是，虽然然而，大模型的多轮对话能力也不是无限的。在实际应用中，大型语言模型通常可以处理数十到数百个单词的上下文，但理解能力可能会随着跨度增加而逐渐减弱。大型语言模型通常可以支持数轮到十几轮的对话，但随着对话轮次的增加，模型可能会逐渐丧失上下文信息和准确性。具体可以支持理解多大跨度的上下文、多复杂的对话结构以及多少轮对话，会受到模型规模、训练数据量和训练质量等因素的影响。 ChatGPT虽好，但要关注答案的准确率，避免被其“一本正经的胡说八道”所误导。 预训练语言模型（如ChatGPT）主要关注生成语法通顺、自然流畅的文本，而不是在训练过程中对事实真实性进行考量。因为模型本身缺乏事实验证的机制，模型生成答案后，很难对其进行自我评估。此外，训练数据集中存在的错误、偏见以及不完整信息都可能导致模型在生成答案时出现问题。并且，预训练模型的知识是静态的，截止于训练数据的最后更新时间。由于现实世界的知识不断更新演变，模型可能无法回答涉及最新信息的问题，从而导致答案不准确。 然而，智能客服系统对回答的准确性有很高的要求，宁愿不回答用户，也不要随便给用户一个错误的答案，错误答案误导用户往往会带来严重的后果。为此，在将ChatGPT这类大预言模型应用于智能客服系统时，需要对其进行额外的优化。例如，通过连接知识图谱、数据库等外部知识源，为模型提供实时可靠的知识，以提高答案的准确性；开发一个事实验证模块，对模型生成的答案进行实时验证；在模型训练时使用更加准确、高质量的数据集，以提升模型生成答案的准确性等。 业务咨询、办理、售后等，ChatGPT在多个业务场景赋能智能客服 虽然还存在一些问题，但ChatGPT这类大模型的确可以显著提升智能客服系统的能力。那么，大模型能在哪些具体应用场景赋能智能客服呢？ 业务咨询、业务办理、售后服务是智能客服的三个典型应用场景。接下来，我们以业务咨询为例，模拟实际的业务场景。需要说明的是，以下场景仅仅是模拟，用以说明ChatGPT加持之后的智能客服系统会带来哪些提升，与真实业务场景可能存在一定的差异。 假设某用户想了解购买一款价值10000元的电子产品时，商家针对该产品的优惠活动、贷款利率以及还款计划的详细信息。 这时，该用户问智能客服系统，“我想购买一款价值10000元的电子产品，请告诉我有哪些优惠活动，贷款利率是多少，以及每月的还款计划？” 以往的智能客服只能依据关键词返回一些标准化答案，当被问到很个性化的问题时往往不能给出很好的解答，系统可能会回复：“请查阅我们的官方网站或APP获取相关优惠活动信息和贷款利率。关于还款计划，您可以在贷款申请时与银行沟通。” 而融合了ChatGPT这类大模型的智能客服系统可能会如何回复呢？在理想情况下，其返回的回答可能如下： “了解您的需求，关于购买10000元电子产品的优惠活动、贷款利率和还款计划，请参考以下信息： 1. 优惠活动：本月该产品参与满10000元减500元的优惠活动，实际支付9500元；可享受免费赠送价值500元的配件。 2. 贷款利率：我们与某银行合作提供贷款服务，年化利率为6%，贷款期限可选择12个月或24个月。 3. 还款计划（假设选择12个月期限）： 由于优惠活动，您需要贷款的金额为9500元； 按照6%年化利率计算，每月利息 =...
