作者 | 李冬梅

ChatGPT 的誕生打響了現(xiàn)代 AI 軍備競賽的第一槍。以 GPT-4、ChatGTP、Bard 等為代表的大語言模型在全球各界引起了廣泛關(guān)注。結(jié)合 ChatGPT 的底層技術(shù)邏輯，未來中短期內(nèi) ChatGPT 產(chǎn)業(yè)化的方向大致有四類：即智能客服、文字模態(tài)的 AIGC 應(yīng)用、代碼開發(fā)相關(guān)工作以及圖像生成。其中，最適合直接落地的項目就是智能客服類的工作。

(資料圖片僅供參考)

基于大模型技術(shù)所構(gòu)建的智能客服正在從根本上改變傳統(tǒng)的人機交互過程，大模型自動生成對話流程讓運營智能客服更高效，可以提升復(fù)雜纏繞問題解決率、人機交互感知程度，以及意圖理解、流程構(gòu)建、知識生成等運營內(nèi)容的效率。

如果單從產(chǎn)品滲透率層面來看，智能客服早在過去的七八年里就已經(jīng)在電商、金融等等領(lǐng)域慢慢普及開來了。大模型帶來的兩個核心改變，一個是開發(fā)智能客服產(chǎn)品的成本大幅度下降，另一個就是用戶體驗的提升。

在 2016 年左右，做一個智能客服的原型產(chǎn)品要一個七八人的小團隊耗時幾個月的時間才能完成。有了大模型之后，現(xiàn)在可能一個工程師兩到三天就做出來了。雖然將原型產(chǎn)品進行產(chǎn)品化需要更長的時間，但是和以前投入的人力和時間成本來比也是數(shù)量級層面的下降。

此外，過去的智能客服產(chǎn)品雖然也稱之為“智能”但回答問題時會給用戶留下“呆板”的印象，基本上回答內(nèi)容都是預(yù)先寫好的模版，能夠回答的問題也有限?，F(xiàn)在大語言模型能夠根據(jù)用戶的問題和對應(yīng)的標(biāo)準(zhǔn)答案，給出個性化的答案，用戶體驗上已經(jīng)不太容易分辨出是人工客戶還是機器客服了，這一點上是很明顯的提升。

隨著新一代智能技術(shù)的突破，尤其是大模型可以為智能客服提供強大的自然語言生成能力，勢必將智能客服推向更加智能化、高效化和個性化的新局面。

但不得不注意的是，盡管大語言模型在智能客服領(lǐng)域的應(yīng)用前景看起來非常樂觀，但在現(xiàn)階段它的應(yīng)?場景仍不成熟：主要表現(xiàn)在其?成結(jié)果不夠穩(wěn)定，且可信度也不夠高。從實際應(yīng)?場景來說，成熟穩(wěn)定、經(jīng)過市場驗證的產(chǎn)品如果貿(mào)然引?達模型可能會給產(chǎn)品帶來巨?的變化，甚?影響客戶體驗、浪費?量??物?。

那么，想要將 LLM 大語言模型與智能客服產(chǎn)品進行結(jié)合，或者將前者落地于 ToB SaaS 應(yīng)用軟件領(lǐng)域，該如何著手搭建技術(shù)棧？大模型產(chǎn)品將如何賦能智能客服產(chǎn)品？帶著這些問題，我們采訪了華院計算技術(shù)總監(jiān)兼數(shù)字人事業(yè)部聯(lián)合負責(zé)人賈皓文和中關(guān)村科金智能交互研發(fā)總監(jiān)、中關(guān)村科金智能客服技術(shù)團隊負責(zé)人王素文，探討 AIGC 在智能客服產(chǎn)品中的落地及未來發(fā)展趨勢。

大模型在智能客服領(lǐng)域的落地

可以看到，目前 AIGC 智能客服的優(yōu)勢?常明顯，隨著 AIGC 智能客服技術(shù)的不斷升級和完善，其在?融、電商、物流等領(lǐng)域的應(yīng)用前景也是十分樂觀的。

但在大模型掀起一場“新革命”革命之前，我們還需要為其鋪好每一段路，不能操之過急。比如在智能客服產(chǎn)品領(lǐng)域中，對話通常是限定于特定業(yè)務(wù)領(lǐng)域和任務(wù)驅(qū)動的需求。但客戶并不希望訪客進來只是為了尋找?個超級智能、善解?意、會寫會畫的聊天機器?。對話內(nèi)容必須在企業(yè)業(yè)務(wù)范疇內(nèi)收斂，服務(wù)于客服和營銷場景，解決和處理問題，不要浪費寶貴的資源。直接將 ChatGPT 這類大模型引?客服領(lǐng)域?不加控制，其結(jié)果難免會讓人失望。

構(gòu)建一款能夠?qū)嶋H應(yīng)用于業(yè)務(wù)中的大模型并非容易事，通常需要完成多項步驟，包括大模型選型、數(shù)據(jù)采集清洗、模型訓(xùn)練、模型測試與評估、模型微調(diào)、部署應(yīng)用等。具體鏈路：

選擇開源的通用大模型 收集領(lǐng)域數(shù)據(jù)，用領(lǐng)域數(shù)據(jù)繼續(xù)訓(xùn)練開源大模型（學(xué)術(shù)上叫知識注入），得到領(lǐng)域大模型 整理領(lǐng)域任務(wù)的指令集合（可以半自動生成），用這些指令數(shù)據(jù)對領(lǐng)域大模型進行指令微調(diào) 篩選優(yōu)質(zhì)的真實場景的客服多輪對話數(shù)據(jù)，繼續(xù)微調(diào)領(lǐng)域大模型（使領(lǐng)域大模型的對話能力增強） 收集一些安全相關(guān)的問題（例如涉及到政治、敏感話題、歧視等），人工給出符合安全要求的答案，繼續(xù)微調(diào)大模型（對齊到人類的價值觀、規(guī)范） 模型部署，對接智能客服系統(tǒng)進行應(yīng)用

數(shù)據(jù)準(zhǔn)備

對話模型的訓(xùn)練數(shù)據(jù)應(yīng)該具有足夠的質(zhì)量和多樣性，以提高模型的泛化能力。對話數(shù)據(jù)可以通過爬蟲、問答社區(qū)、對話記錄等多種方式獲得。在獲得數(shù)據(jù)后，需要進行數(shù)據(jù)清洗和預(yù)處理，使得數(shù)據(jù)格式規(guī)范、數(shù)據(jù)質(zhì)量高。

模型訓(xùn)練

在準(zhǔn)備好訓(xùn)練數(shù)據(jù)后，就可以開始訓(xùn)練大模型了。在訓(xùn)練過程中，需要選擇合適的超參數(shù)，如學(xué)習(xí)率、批量大小、訓(xùn)練輪數(shù)等，以達到最佳的效果。另外，在訓(xùn)練過程中，可以使用分布式訓(xùn)練技術(shù)，以加速訓(xùn)練過程。

模型優(yōu)化

在模型訓(xùn)練完成后，需要對模型進行評估和優(yōu)化，以提高模型的泛化能力和效果。常見的優(yōu)化方法包括調(diào)整超參數(shù)、增加訓(xùn)練數(shù)據(jù)、使用正則化技術(shù)、剪枝模型等。另外，也可以通過模型蒸餾等技術(shù)，將大模型的知識轉(zhuǎn)移給小模型，以提高小模型的效果。

對話生成

在模型訓(xùn)練和優(yōu)化完成后，就可以進行對話生成了。對話生成可以通過兩種方式實現(xiàn)：一種是使用單個模型進行對話生成，另一種是使用多個模型進行對話生成。在使用單個模型進行對話生成時，需要對話模型具備記憶能力，即模型可以通過上下文信息，生成更加合理、連貫的對話回復(fù)。在使用多個模型進行對話生成時，可以利用模型的多樣性，生成更加豐富、多樣的對話文本。

在智能客服產(chǎn)品中，最需要內(nèi)容?產(chǎn)能?的地?，莫過于知識庫。?般??，智能客服產(chǎn)品都具備這樣?類知識庫：內(nèi)部知識庫、機器?知識庫和外部知識庫。

對于內(nèi)部知識庫，?般將其定義成需要實時定位查詢使?的知識庫。由于企業(yè)的業(yè)務(wù)變化頻繁，知識庫的調(diào)整需要及時到位。傳統(tǒng)的上傳、編輯、整理等流程?常耗費?作量。引?大模型，可以協(xié)助?效智能的協(xié)助員?歸類、?成知識庫的類?及明細。同時，還可以增加對外部數(shù)據(jù)源的引?，并減少知識庫的同步操作。?戶在實際應(yīng)?時，還可以給對知識點給出反饋，幫助知識庫?動調(diào)節(jié)權(quán)重。

機器?知識庫是?本和語?機器?能夠回答訪客問題的核?所在。機器?知識庫的有效內(nèi)容對于機器?的表現(xiàn)?關(guān)重要。對于未知問題的整理，需要智能客服使?者?量投??作量。借助?戶反饋對未知問題進??動整理和關(guān)聯(lián)，能節(jié)省很多知識庫維護者的?作。同時，通過多機器?組合的?式，在?通會話中接?棒?般服務(wù)于客戶的不同場景，大模型專屬機器?也可以在特定的場合發(fā)揮能?，并逐步替代?些以往模式僵化的問答型機器?。

而外部知識庫需要整合在智能客服產(chǎn)品中，將已整理的知識內(nèi)容轉(zhuǎn)化為輸出產(chǎn)物，更?便?成知識?章、圖?、甚??視頻。基于 ChatGPT 的多模態(tài)的 AIGC 能?，可以快速?成?個個性化的知識空間。

總的來說，還是利?大模型??的?成能?，基于向量數(shù)據(jù)庫、可信內(nèi)容審核等技術(shù)，為智能客服提供優(yōu)質(zhì)的內(nèi)容補充。

盡管大模型在智能客服領(lǐng)域的構(gòu)建流程和鏈路已經(jīng)基本清晰，但在實際落地過程中仍然面臨著多種挑戰(zhàn)。

據(jù)受訪專家透露，這些挑戰(zhàn)主要來自數(shù)據(jù)層面，以及和實際客戶的系統(tǒng)場景對接層面，產(chǎn)品本身反而是比較容易的。例如，新要上的系統(tǒng)的客戶數(shù)據(jù)本身是原始的數(shù)據(jù)，需要清理出高質(zhì)量的結(jié)構(gòu)化的數(shù)據(jù)才能夠有一個比較好的效果，但這一步是十分困難的。

第二個是當(dāng)實際深入到業(yè)務(wù)中去的時候，會出現(xiàn)各種信息散落在客戶內(nèi)部的各種系統(tǒng)里的情況，只有把這些信息打通才能有一個好的效果和體驗。這些都是未來需要重點攻破的難題。

如何讓智能客服說“人話”？

目前，以 ChatGPT 為代表的大模型已經(jīng)在許多企業(yè)中用于智能客服應(yīng)用。它可以通過自動回答常見問題、解決簡單問題和提供基本支持，減輕人工客服的負擔(dān)。大語言模型通過深度學(xué)習(xí)和大量的語言數(shù)據(jù)訓(xùn)練，能夠理解和生成人類語言，使得用戶能夠以自然的方式與它交互。在一些常見的客戶查詢和問題解答方面，這類大模型已經(jīng)取得了相當(dāng)不錯的效果。

然而，當(dāng)前的大語言模型在實際應(yīng)用于智能客服場景中時仍存在一些挑戰(zhàn)——它可能會生成錯誤或不準(zhǔn)確的回答，尤其是對于復(fù)雜的問題或領(lǐng)域特定的知識，這就對智能化程度提出了更高的要求。未來的在線客服系不僅需要更高級的算法和機器學(xué)習(xí)技術(shù)，還需要更多精準(zhǔn)的自然語言處理能力。這將對在技術(shù)上不太強大的企業(yè)形成巨大的壓力。

此外，隨著用戶數(shù)量和訪客量的增多，未來智能客服將需要處理超大規(guī)模的并發(fā)請求。這需要系統(tǒng)在多種方面都擁有特殊的設(shè)計，如負載均衡、高可擴展性和高可用性等。

現(xiàn)在市面上的很多對話機器人，回答是單一固定的，變化比較少，與真實的人與人對話還有差距，未來的智能客服系統(tǒng)將需要進一步加強對用戶行為的自適應(yīng)性和個性化服務(wù)。這就需要系統(tǒng)學(xué)習(xí)更多的用戶數(shù)據(jù)和信息，并適應(yīng)不同的用戶行為，為他們提供更好的服務(wù)和體驗。如何提升用戶體驗就成為了智能客服供應(yīng)商主攻的方向。

具體來講，主要應(yīng)從人性化服務(wù)、個性化服務(wù)和擬人化的對話交互方面進行改進。

首先是人性化服務(wù)。在場景和意圖理解精準(zhǔn)的基礎(chǔ)上，附加更有溫度的對話語境，可以讓機器人在擬人化上，再進一步。多模態(tài)情感計算是實現(xiàn)這一步的有效方法。目前，我們正在推進虛擬數(shù)字人客服進行人機交互對話，在此過程中結(jié)合情感計算，可識別用戶通過視頻、語音、文本所傳遞的情感表達，讓智能客服在應(yīng)對是作出相應(yīng)情感反饋，打造具有情感理解、有溫度的人機交互。這種多模態(tài)情感計算技術(shù)的實現(xiàn)方法主要是通過基于專家規(guī)則和基于機器學(xué)習(xí)兩種。其中，基于機器學(xué)習(xí)的方法通過訓(xùn)練模型來自動學(xué)習(xí)情感狀態(tài)的分類標(biāo)準(zhǔn)，可以更好地適應(yīng)不同領(lǐng)域、不同語境下的情感表達，效果相對更優(yōu)些。

其次是擬人化的對話型交互。通過場景化設(shè)計優(yōu)化，比如問題拆解、主題繼承、多輪對話、上下文理解等等，機器人能夠帶來一種更加貼近自然對話場景的對話型交互模式。

第三是個性化服務(wù)。根據(jù)客戶畫像千人千面提供個性化服務(wù)，從多角度出發(fā)進行語義理解，此外還要附加語音情緒判別。

大模型誕生后，無疑為智能客服領(lǐng)域注入了新的“營養(yǎng)劑”。這種“革新”體現(xiàn)在多個方面，包括座席輔助和座席提效、閑聊寒暄、話術(shù)優(yōu)化建議、提供語料擴寫等。

座席輔助和座席提效：過去的智能輔助更多局限于按單輪對話來完成，基于大模型的能力能夠快速分析并生成面向客戶側(cè)的系統(tǒng)支撐策略，這種處理效率和結(jié)果，遠超出依附純規(guī)則或者純知識庫所能達到的效果； 閑聊寒暄：是智能客服非常關(guān)鍵的基礎(chǔ)能力，能夠幫助企業(yè)對任意進線客戶進行即時響應(yīng)。過去的智能客服閑聊主要是將各類非業(yè)務(wù)相關(guān)的語料堆到素材庫，并通過調(diào)取數(shù)據(jù)庫已有的關(guān)鍵詞進行內(nèi)容的回復(fù)。如今可以充分借助大模型能力提供閑聊，在非業(yè)務(wù)領(lǐng)域上為座席和客服提供更多決策依據(jù)和參考； 話術(shù)優(yōu)化建議：話術(shù)往往決定了客服的效果，話術(shù)回復(fù)不精準(zhǔn)將直接導(dǎo)致用戶的流失。通過大模型強大的內(nèi)容生成能力，智能客服能夠?qū)υ捫g(shù)進行不斷地迭代和與優(yōu)化，提升客戶滿意度； 提供語料擴寫：在智能客服冷啟動階段，往往需要足夠多的語料來豐富知識庫的相似問法，以保證上線初期智能客服有足夠高的解決率和場景覆蓋率。以往的語料生成模型很難覆蓋眾多垂直行業(yè)和領(lǐng)域，大模型在通用領(lǐng)域中積累了足夠的數(shù)據(jù)和語料，可以很好的彌補語料生成模型的不足，快速生成相似問法，解決智能客服冷啟動語料不足，場景覆蓋率低等問題。

歸根結(jié)底，提高對話質(zhì)量的核心還是理解客戶和用戶的場景，以及能夠搭建出衡量得失的數(shù)據(jù)框架。這兩個組合之下，會有一個循環(huán)反饋的過程，就能夠通過正常的產(chǎn)品迭代達到好的效果，并且能夠衡量出來 ROI 和對實際業(yè)務(wù)的共享。

未來，AIGC 是否會完全取代客服人員？

隨著全社會點數(shù)智化進程步入深水區(qū)，越來越多的企業(yè)開始使用數(shù)字化工具——智能客服系統(tǒng)來做好客戶服務(wù)，打造極致體驗，進而提升企業(yè)核心競爭力。

無論是垂直領(lǐng)域還是通用型職能客服廠商，都希望憑借 AIGC 技術(shù)的成熟讓企業(yè)更上一個臺階。但要想把夢境變?yōu)楝F(xiàn)實，仍然任重?道遠。?如需要衡量成本與收益之間的投?產(chǎn)出?、需要保證?戶的數(shù)據(jù)隱私安全并遵守相關(guān)的法律法規(guī)、需要保證產(chǎn)品在不同?業(yè)場景的通?性及靈活度。

就客服行業(yè)而言，傳統(tǒng)人工客服向智能客服升級是必然趨勢，但在可預(yù)見的未來內(nèi)，智能客服還無法完全替代人工客服。它們分別有不同的特點和定位，在處理復(fù)雜問題以及對高潛客戶跟進的服務(wù)場景中，人工客服仍然處于不可或缺的地位。因此，企業(yè)需要根據(jù)自身實際情況，綜合考慮人工客服和智能客服的優(yōu)勢，從而制定最佳的客戶服務(wù)策略。

整體來看，AIGC 未來有較廣闊的發(fā)展空間，未來兩三年 AIGC 和類 ChatGPT 產(chǎn)業(yè)將高速發(fā)展，帶來互聯(lián)網(wǎng)和企服產(chǎn)業(yè)的進一步升級和變化。

不過目前在內(nèi)容質(zhì)量、投入成本、數(shù)據(jù)安全、隱私規(guī)范、版權(quán)歸屬等方面仍存諸多問題。另外，在長文本生成、視頻生成、融入世界知識等方面，還需更好的建模方法；通過加大模型參數(shù)增強 AI 能力，其訓(xùn)練和推理成本高昂，需要探索更經(jīng)濟、有效的性能改進途徑。

采訪嘉賓 ：

賈皓文，華院計算技術(shù)總監(jiān)兼數(shù)字人事業(yè)部聯(lián)合負責(zé)人，原阿里巴巴集團架構(gòu)師，也是一位連續(xù)創(chuàng)業(yè)者。

王素文，中關(guān)村科金智能交互研發(fā)總監(jiān)、中關(guān)村科金智能客服技術(shù)團隊負責(zé)人。

AIGC 課程推薦

極客時間《AI 大模型應(yīng)用開發(fā) · 實戰(zhàn)營》首發(fā)，作者是深耕 AI 領(lǐng)域多年的技術(shù)專家彭靖田。

課程 8 周全程直播授課，覆蓋硬件選型、大模型理論、 LangChain 開發(fā)框架剖析和落地實踐，全程緊貼實際生產(chǎn)環(huán)境?，F(xiàn)在市面上流行實用的，比如 AutoGPT 數(shù)字員工、翻譯助手、智能銷售顧問等經(jīng)典項目，課程中都會帶你動手實踐。

不容錯過的歷史機遇，幫助你掌握利用大模型開發(fā)相關(guān)的 AI 應(yīng)用的能力！

標(biāo)簽：