根據(jù)2024年4月15日斯坦福大學(xué)發(fā)布的2024年度《人工智能指數(shù)報告》，過 去一年，以ChatGPT為代表的人工智能模型席卷世界，生成式人工智能的領(lǐng)域資 金比2022年增長了近八倍，達(dá)到252億美元。在圖像分類、視覺識別和語言理解 等領(lǐng)域，人工智能已經(jīng)超越了人類的能力。然而，在數(shù)學(xué)競賽、視覺理解和規(guī) 劃等更復(fù)雜的任務(wù)上，人工智能仍在追趕人類。在中國也是如此，以金融行業(yè) 為例，在國內(nèi)42家上市銀行中，已經(jīng)有9家銀行在2023年半年報中明確提及正在探索大模型應(yīng)用。目前在國家互聯(lián)網(wǎng)信息辦公室登記備案，提供生成式智能服務(wù)的企業(yè)已達(dá)到117家，相信伴隨生成式人工智能的發(fā)展，在客服行業(yè)也必將迎 來一次智能客服的升級與重構(gòu)。
回顧歷史，10年前，當(dāng)智能客服剛剛興起的時候，我們也曾看到過上百家企業(yè)一哄而上提供智能客服服務(wù)的場景，今天回頭再看，能留存下來的企業(yè)鳳毛麟角，雖然過去10年企業(yè)在智能客服上投入了大量的資金，但從效果來看， 整個社會對智能客服的反饋仍然是矛盾和撕裂的。一方面，有人認(rèn)為智能客服的出現(xiàn)，把客戶服務(wù)延伸到了所有和客戶交互的觸點(diǎn)，在工作效率提升、運(yùn)營成本降低、服務(wù)質(zhì)量增強(qiáng)、個性化服務(wù)和數(shù)據(jù)分析優(yōu)化上帶來了顯著的效益；另一方面，因?yàn)橹悄芑潭扔邢蕖?shù)據(jù)處理不到位、應(yīng)用體驗(yàn)設(shè)計不夠友好等問題，造成各大央媒報道的“人工智能不智能”、“AI客服快把人逼瘋了”的 現(xiàn)狀。
國內(nèi)企業(yè)在智能客服上做了這么多年的投入，為什么智能客服還存在這樣或那樣的問題呢
筆者認(rèn)為主要有以下幾個原因：一、原有基于NLP（自然語言 處理）技術(shù)的人工智能主要屬于判別式人工智能的范疇，它根據(jù)已知的數(shù)據(jù)學(xué) 習(xí)輸入和輸出之間的關(guān)系，從而對未知數(shù)據(jù)進(jìn)行預(yù)測和分類。
它主要關(guān)注如何 基于現(xiàn)有數(shù)據(jù)來做出決策或判斷，相對來說，技術(shù)應(yīng)用尚不成熟，使得原有智能客服在語義理解、個性化服務(wù)等方面仍有待提升。例如，一些智能客服難以識別個性化的提問方式和語句結(jié)構(gòu)，導(dǎo)致無法為用戶提供精準(zhǔn)化、人性化服務(wù)。這使得智能客服在應(yīng)對復(fù)雜或特殊問題時往往顯得力不從心；二、一些企 業(yè)為了降低成本和提高效率，過度使用智能客服，沒有友好轉(zhuǎn)接人工客服的流 程，當(dāng)智能客服無法應(yīng)對某些問題時，客戶往往無法獲得及時有效的幫助，導(dǎo) 致客戶體驗(yàn)下降；
三、智能客服能否發(fā)揮作用，數(shù)據(jù)質(zhì)量問題是一個重要的瓶 頸，由于智能客服數(shù)據(jù)來源的多樣性和復(fù)雜性，數(shù)據(jù)中可能存在噪聲、冗余和不一致等問題，這會影響到智能客服的準(zhǔn)確性和效果。
同時，在使用智能客服 時，數(shù)據(jù)采集、清洗、預(yù)處理和標(biāo)注是一個長期工作，很多企業(yè)往往只在項(xiàng)目上線初期，為了保證智能客服的準(zhǔn)確率，花費(fèi)大量的精力進(jìn)行數(shù)據(jù)處理，一旦上線，沒有專門的預(yù)算和人員持續(xù)地完成數(shù)據(jù)處理工作，導(dǎo)致智能客服無法得到加工過的數(shù)據(jù)，最后的結(jié)果必然不盡人意。智能客服的核心是機(jī)器學(xué)習(xí)模型，這些模型必須通過大量的數(shù)據(jù)訓(xùn)練來學(xué)習(xí)如何理解客戶的問題，并給出相應(yīng)的回答。
如果數(shù)據(jù)包含錯誤、不完整或不 一致的信息，模型的學(xué)習(xí)效果將大打折扣，可能導(dǎo)致誤解客戶意圖或給出錯誤的回答。通過對高質(zhì)量數(shù)據(jù)的分析，智能客服可以不斷優(yōu)化對話流程，提高響應(yīng)速度和處理效率。在智能客服中，數(shù)據(jù)處理是一個核心環(huán)節(jié)，涉及多個關(guān)鍵步驟以確保數(shù)據(jù)的準(zhǔn)確性和有效性，從而支持高質(zhì)量的客戶服務(wù)。數(shù)據(jù)處理基本包括以下幾個方面，7．?dāng)?shù)據(jù)應(yīng)用：將數(shù)據(jù)分析的結(jié)果和訓(xùn)練好的模型應(yīng)用到實(shí)際工作中，如客戶服務(wù)、產(chǎn)品推薦等。這有助于提供更個性化和高質(zhì)量的服務(wù)，提升客 戶的滿意度和忠誠度。
圖1.大模型時代智能客服系統(tǒng)工程模塊
我們意識到在大模型時代，如果使用智能客服，數(shù)據(jù)處理是如此重要，但很有意思的是，如果我們把能客服當(dāng)成一個系統(tǒng)工程，我們會發(fā)現(xiàn)，從需求定義、模型選擇、算力準(zhǔn)備、數(shù)據(jù)采集、數(shù)據(jù)處理、模型調(diào)優(yōu)、應(yīng)用集成到體驗(yàn)優(yōu)化等不同模塊，都有不同的服務(wù)商在支撐和推動智能客服的發(fā)展。比如當(dāng)我們看到模型選擇時，我們可以想起一批大模型基座的廠商；當(dāng)我們看到算力準(zhǔn)備模塊時，讓我們可以想起一批算力服務(wù)商和云服務(wù)商；當(dāng)我們看到應(yīng)用集成和體驗(yàn)優(yōu)化模塊時，讓我們可以想起很多集成商和原來的AI服務(wù)商，但是當(dāng)我們看到數(shù)據(jù)采集、數(shù)據(jù)處理和模型調(diào)優(yōu)模塊時，我們一方面想不出在我們這 個行業(yè)哪家數(shù)據(jù)服務(wù)商更專業(yè)，另一方面我們往往覺得這個環(huán)節(jié)，要不是AI廠 商出人做，要不是系統(tǒng)集成商出人做，要不是企業(yè)客戶自己安排人做，彼此的邊界非常模糊。于是形成了今天兩個局面。一個局面是，一些非常優(yōu)秀的企業(yè)，在智能客服上有很大的投入，他們每年在數(shù)據(jù)采集和數(shù)據(jù)處理上幾千萬， 上億的投入，讓其它企業(yè)覺得成本太高，高攀不起；另一個局面是，有一大批中小企業(yè)，把智能客服項(xiàng)目當(dāng)成一次性買賣的項(xiàng)目，根本沒有考慮智能客服上線后的數(shù)據(jù)采集和數(shù)據(jù)處理成本，把這個環(huán)節(jié)交給系統(tǒng)集成商或者AI廠商，往往是項(xiàng)目驗(yàn)收前，數(shù)據(jù)處理得很好，為驗(yàn)收的準(zhǔn)確率提供很好的結(jié)果，但項(xiàng)目驗(yàn)收后，在數(shù)據(jù)處理上沒有持續(xù)投入的概念。智能客服好用的前提是需要有高質(zhì)量的數(shù)據(jù)，這樣的結(jié)果就是企業(yè)的智能客服越來越不好用，客戶也就對原有提供服務(wù)的AI廠商越來越不滿。
