人工智能有三大領域：視覺、語音、語義。其中，圖像和語音算法成熟度已經很高，且要遠遠高于語義。在中文機器閱讀理解比賽中，人的準確率大概是 95%，機器做到的最高水平只有 80%，還有 15% 的差距，這是一個挑戰，也是一個機會。

　　具體應用上，目前來看，比較多的人工智能公司，首先需要在企業服務方面落腳，這是最容易看到的商業模式，也是 AI 技術最容易被認可的一個商業模式。

　　企業服務機器人 VS 聊天機器人，差別在哪？

　　今天主要針對企業服務機器人展開介紹。

　　首先說下企業服務機器人和聊天機器人的差別。第一，聊天機器人一般是虛擬形象，說話不要求很嚴謹，反而是比較風趣，這種機器人一般叫情感陪護型機器人。而企業服務機器人代表企業形象，代表企業去服務顧客，表達和對話都比較嚴謹，說話要負責，不能隨便回答。

　　第二，兩種機器人的技術路徑也不一樣，企業服務機器人是一個垂直領域，在專業領域和用戶對話，而不是開放的聊天，從這個角度來看技術難度變輕了；但是和通用機器人相比，它對準確率要求更高。

　　然后接下來，我們來探討怎么做好企業服務機器人。

　　想做一個客服機器人，核心要把語義理解、意圖理解做好。舉個例子，一個電商產品不同用戶有不同的反饋，比如“要買的裙子怎么沒有腰帶？”或者“充電器為什么沒有一起寄過來？”這些問題看起來很雜，但背后語義都是同一個，就是商品零配件少發了。

　　在解決意圖理解上，技術路線上經歷了好幾輪變遷。2000 年左右就已經有企業服務機器人這種產品形態，只是當時解決意圖理解的技術比較簡陋。早期是用本體 + 句法模板的方式來實現，比如用本體完成理解詞的問題，用句法模板完成理解對句的問題。

　　隨后像百度、Google 等公司興起以后，搜索技術也被用在客服機器人里。在這個階段，一般用同義詞的方式解決詞關系的問題，用詞權重解決抽象核心語義的問題，用文本相關性解決匹配的問題。

　　再后來深度學習技術出現，在語義理解上，深度學習相比之前的技術有很大提升。

　　基于深度學習的語義理解

　　那么深度學習，又是如何解決語義理解？

　　在計算機里面，用文本方式表示的語言，比如漢語和英文，是一種符號，但這不是計算機能理解的符號。計算機可以理解的是向量和矩陣，無論是語音、圖像還是語言，深度學習都是把這些原始信號轉換成計算機能理解的向量和矩陣，才能更好地做計算。

　　首先完成將語言當中的詞轉換為向量，然后通過一個深度神經網絡轉化成句的向量，再通過句的向量進行更豐富的計算。

　　這個過程中，會用到注意力模型，注意力模型最早來源于圖像理解。舉個例子，人進入到會議室，首先不會去注意有多少板凳，雖然板凳這些信息占據面挺大，但人首先會挑選自己注意的東西去看，比如說注意來了哪些人，因為人在觸摸信號時會選擇性地去挑選。語言也是這樣，用戶說了很長一段話，注意力模型能夠在很長的文本中，發現用戶主要表達的信號。比如一個用戶說“昨天剛收到貨，今天天氣不錯，和朋友一起出去玩，一劈腿褲子開衩了”，前面的話都沒有意義，他最想表達的意思是褲子開縫了，是想退貨或換貨。對于一個客服機器人來說，這是它要抓住的重點。

　　注意力模型之后是映射層，相當于完成一個歸一化，之后機器人才知道怎么去回復用戶。

　　閱讀理解

　　剛才講的都是需要人事先把知識庫整理好給機器人用，為在線機器人去解析、調用、推理。還有一類，可能所有的知識都是一些原始文檔，它們沒有形成知識庫。比如一家銀行有很多線下商家優惠活動的書面文檔，這類活動經常更新替換，沒有人可以完全記住這些文檔內容，反而是機器比較擅長做這個事情。假設有一個用戶問題，需要從文檔當中找答案，首先機器要找到哪個文檔可以解答，再找到文檔當中哪一句話可以解答，這個過程叫閱讀理解。

　　閱讀理解在國外比賽已經做的挺久，國內才剛剛開始，這一塊的技術還是比較新。

　　機器人知識庫的運營

　　剛才講了客服機器人在線處理用戶的請求，理解用戶的請求，其實客服機器人還做了很多離線的工作。一個機器人并不僅僅是一個在線的服務，它是一個離線服務和在線服務同時包含的系統工程。

　　機器人解答不了用戶的問題，有時候并不是因為意圖理解不夠好，而是機器人沒有知識去應對當前的回答。這就是知識庫運營所要解決的問題，有幾個方面：

　　一是新知識點的發現。有些熱點的知識點用戶已經在問，但是知識庫里面是缺失的，這部分問題可以交給運營人員添加相應的問題回答。

　　二是知識點的細化。一開始機器人的知識點沒有深入到用戶的問題細節里面，這種情況可以細化，把一個知識點拆分成多個知識點。

　　三是知識點的優化。比如說客戶看到了機器人回答，但是仍然轉人工了，這是因為答案并沒有解決問題，說明答案需要進一步優化。

　　機器人的產品能力

　　除了返回用戶答案外，機器人還需要更多能力，優化產品和運營。

　　一是熱點分析。比如在一個電商后臺系統中，用戶請求有集中性或爆發性，那很可能是產品上集中的事故，這種現象跟產品運營息息相關。

　　二是輿情分析，可以挖掘用戶在客服渠道里面經常會問什么問題。舉個電商的例子，用戶在問到奶粉這個詞時，最關注的正品、渠道商、產地，還有品牌。通過這個方法，可以判斷用戶在關注某個商品的時候更關注哪些點。

　　三是情感分析。用戶在訪問機器人時，是正向情感、中性情感還是負向情感？這些可以通過技術手段識別出來。我們做過某個客戶的統計，在售后客服機器人場景，中性和負向的情感占比較高，那就說明售后來找客服都是吐槽的。可以把這些負向的情感反應細化處理，比如分幾個檔次，分別對應后續不同的處理。負向情感比較嚴重，就可以讓機器人自動轉人工。

　　最后是敏感分析，這一點對于客服機器人非常重要。我們發現，不同行業有不同敏感信息定義。比如外賣，比較敏感的信息就是食品健康。對于電商，假貨就是比較敏感的信息。一般遇到這些敏感信息機器人會主動轉人工，交給人工客服處理。

　　機器人大趨勢：將來更注重交互

　　前面我們講了企業服務機器人的特點、如何解決語義理解、背后依托知識庫以及產品能力，最后我想講下企業服務機器人趨勢。

　　大家一開始認為企業服務機器人是客服機器人，主要是解決節省人工成本，后來發現，它其實是企業的虛擬助手。包括 Gartner 最近的報告，預測到 2020 年有 20% 的用戶訪問企業服務時，首選的是對話式的入口。

　　以前 PC 時代訪問銀行網站，網頁每個菜單對應辦理某個業務的入口。到移動手機時代，屏幕沒有那么大，APP 能放的入口也沒有那么多，客戶都想快速找到業務入口。如果放搜索框放在 APP 最上面，通過搜索功能，搜索“修改密碼”會出來十幾條修改密碼的入口，用戶也不知道哪一條，體驗并不好。

　　所以，將來可能更多會是對話交互的方式，這是未來的趨勢。比如說修改密碼，機器就會反問你想修改什么密碼，再根據你提供的信息，給你具體操作頁面。

　　通過用戶和機器人的交互，把用戶畫像沉淀下來，跨越時間和空間把用戶畫像融合在一起，對營銷、推薦和風控做一些數據上的支持。客服中心從一個成本中心轉變為一個用戶研究中心，這也是一個趨勢。

　　以上是我今天分享的企業服務機器人內容，感謝聆聽，謝謝大家！

　　如何去判斷一個人的情緒，然后根據他的情緒進行之后的問答操作？

　　這個就是剛才講到的情感分析，它包括兩個方面，一個是文本，一個是語音，文本里通過相關詞語可以去識別，語音會包含一些聲調、語速。對情感的判斷是滿意還是不滿意，也是用深度學習的方法，相當于是文本分類來解決這個問題，每個人溝通表達的方式不一樣，想識別出來還是有點難的。如果是用關鍵詞的方法，這個問題確實是很難解決好，用深度學習的方法會好很多。

　　現在的語音識別的瓶頸？

　　方言這一塊大家都做的不太好，訊飛是做的比較好的一家。這需要數據的積累，沒見過的方言仍然識別不出來，這是一個門檻。另一個門檻是垂直領域，如果語音識別系統，沒有一個垂直行業的訓練數據，也做不好。現在人工智能對數據依賴還是比較高的，人工智能的競爭有時候就是數據競爭。

　　券商這一類的主要是應用到哪些場景？

　　券商對知識圖譜要求比較高，希望通過機器人能夠做到問股選股，比如查詢“市盈率大于 20、小于 25 的股票”，比如查詢“A 公司去年和今年相比市盈率變化多少”。在機器人的知識庫沒有現成的答案，需要通過推理才獲得答案，再把它過濾出來。另外是投資教育這一塊比較多，經常會問港股通怎么收費等等。還有資料查詢，主要是問某支股票的信息，比如說法人、去年的財報。