“我說了半天，它就只會裝聽不懂”
“一言不合就開始賣萌”
“超簡單的問題都回答的驢頭不對馬嘴”
……
這年頭只要網上購物，被聊天機器人、“智障客服”花式虐心早已經是家常便飯了。而上述問題，其實統統都與如何賦予智能客服“智商”密切相關。
因此，腦極體白洞企業AI喚醒計劃的第二期節目，我們就邀請了智能對話創業企業奇點機智的CEO鄔霄云先生，和計算機學會常務副主席黃惠燕女士，來共同探討一下：想要搭建一個“棒棒噠”電商智能客服系統，需要解決哪些“致命細節”。
這里先劇透一下結論：想要避開“智障式AI客服”，僅僅依靠自然語言處理技術的進步還遠遠不夠，工程能力與產品落地能力可能才是成敗的關鍵。另外，管理用戶預期也至關重要哦。
智能客服三重門：
挑戰售后業務源于哪些無奈？
在整個交流過程中，我們可以看到電商平臺智能客服最嚴重的問題——體驗焦慮。
大家想必也深有感觸，網絡購物時往往更愿意向人類客服進行咨詢，而這往往需要經歷漫長的等待和輪候。一旦選擇了智能客服，就會在聽不懂人話、只會做選詞填空題、無法解決需求等等挫折中倍感窩火。
據奇點機智鄔總反饋，他們服務的客戶也大多更傾向于將智能客服應用在售后場景之中。這也體現了目前電商平臺的主流選擇：售前交給人工，售后交給機器。
售前不配“被智能”嗎？答案顯然是否定的。
之所以出現這種情況，原因就在于智能客服想要在售前體驗上拿到“高分”，實在是太難了，而用戶的每一點體驗不滿，最后都會變成平臺銷售額的淚啊！
簡單來說，電商平臺的“售前智能化”，戳中了智能客服系統的三大軟肋：NLP技術、集成服務、商業場景三大關鍵點需要協同突破。
一是NLP技術的局限性。
目前，智能客服所普遍采用的問答系統，能夠很好地解決售后過程中那些簡單清晰明了的服務訴求，比如退貨地址、使用方法、保質期限等等問題。
但反觀售前，用戶的問題往往非常發散且主觀化——“黃黑皮穿紅色好看嗎？”“我男朋友是工程師適合這個嗎？”“能不能推薦點搭配的單品啊”……問答技術目前很難在這些問題上有出色的表現。想要閑聊，還是人類客服小姐姐更靠譜。
二是集成服務方的整體水平。
黃老師（她也是某電商平臺的 AI技術負責人）向我們闡述了電商平臺應用AI的基本思路：
平臺往往會追蹤最前沿的智能對話技術進展，但自己并不會過多地介入底層技術開發，而是選擇由2-3家技術集成服務商來提供服務模塊。
因此，就要求奇點機智這樣的第三方服務商既要對高速變化的前瞻性技術高效地把握和應用，又要對商業邏輯和商業場景有足夠清晰與深刻的認知，最后還要能以簡單易用將技術整合為流程化的chatbot系統，再提供給商家。眾所周知，國內智能客服也是近兩年剛剛起步，業務能力參差不齊，消費者對智能客服的印象自然也就眾說紛紜了。
三是商業場景的復雜度。
電商平臺售后幾乎都是相似的，但售前面臨的業務場景卻完全不同。比如說護膚品商家，在解決膚質、搭配、功效等問題時，就可以大幅度引入智能客服來提升銷售效率，縮短接待時間。但服飾類賣家，面對的往往是“適不適合”“好不好看”之類的主觀題，機器人也無能為力。商家售前流程的需求差異太大，不能“放之四海皆準”的智能客服系統自然也就要退居二線了。
總而言之，NLP技術瓶頸、第三方服務水平參差不齊、商業需求復雜，是桎梏智能客服能力向上延伸的幾個重要難點。
這就引發了另一個疑惑：消費者到底應該對智能客服抱有怎樣合理的期待？智能客服之于電商平臺的價值究竟體現在哪里呢？
告別“想當然”：
智能客服系統的“行”與“不行”
在白洞計劃的“反定義”環節中，我們邀請兩位老師以撕標簽的方式探討了許多大眾對于售前客服的刻板印象。
從中可以發現，智能客服（甚至于人工智能），究竟是“神”“神經”，還是“神經病”，有時候并不取決于技術本身的發展維度，而是需要建立起一個理性的預期。尤其是智能客服這樣與消費者聯系緊密的技術工具，最容易先被“神化”，然后迅速失望變成“神經病”。
在這個過程中，電商平臺如何去管理用戶的預期就變得至關重要了。除了先在售后環節“練兵”之外，或許我們也應該理性認知當下智能客服系統的核心能力：
1.做好選詞填空。“選詞填空”是一個看起來不怎么智能、卻不容有失的任務，像是用戶詢問“面膜一包幾片”，機器準確地回答出“3片”，用戶不會驚喜；如果答成“四包”，那就是要被全網群嘲的節奏了。語義理解（即讓機器明白用戶在問什么），一直是NLP領域的技術難題，尤其是中文還存在倒裝、反問、同義句等語法，因此，作為一種工具性的存在，智能客服能夠做好“選詞填空”，替代人工高效率地解決一些機械性問題，減少用戶的等待時間，已經能夠滿足企業和大部分用戶的實際需求了。
2.特殊語言任重道遠。隨著電商平臺的普世化，越來越多的兒童、老人、偏遠地區人口也開始在網上購物，但智能客服想要通過語言識別的方式來準確把握他們的需求，也是難上加難。這需要兩個前提：一是有足夠大的語料詞庫進行訓練，目前該類數據集還并不多，自然也沒有辦法進行系統訓練；二是解決特殊語言的知識表達邏輯。國際頂尖的語言算法（比如斯坦福Equilid）對于非正式方言的識別依然未能達到實用階段。目前看來，要么求助于人類客服，要么還是學好普通發吧。
3.個性化服務尚需時間。大家期待的專屬客服與個性化服務，目前看來依然遙遠。盡管智能客服系統有一定的記憶功能，能夠記住你上次說的尺碼、偏好，但要實現個性化推薦，往往需要很高的覆蓋率。商品的覆蓋率越高，同一個商品出現的頻率也就越小，買到差異化、個性化產品的幾率自然也就越大。但要實現這一愿景，往往需要企業進行大量的工作，比如大數據的收集與處理、推薦模型的優化、chatbot的訓練升級，對于業務場景復雜的電商平臺來說，還有很長的一段路要走。
總的來說，一個理想中的智能客服系統，是時間的饋贈。在此之前，需要技術人員、企業管理者和大眾都多一份耐心。
未來面前，企業如何對癥下藥
智能客服越來越成為電商平臺的標配，它的技術潛力已經開始在產業端展現出來。黃老師分享到，未來通過個性化、智能化的chatbot，智能客服也可以實現動態多輪對話，告別總是聽不懂的“鬼打墻”，更關鍵的是，機器的知識庫更加龐大，未來能夠取代人工實現向上銷售，即用戶的興趣探知和主動營銷，從而幫助電商平臺更好地提升銷售額，找到新的商業增長模式。
聽起來是不是很美好呢？那么，在未來到來之前，行業應該做好哪些準備？目前看來主要集中在三點：
一是數據的積累。
與電商平臺相比，金融、通信、教育、保險等業務也在越來越多地引入智能客服系統，但它們的吐槽聲似乎要小很多。一部分源自于這些傳統行業已經在漫長的發展過程中積累了大量的知識和語料庫，能夠更好地訓練模型。
對于電商平臺來說，盡管已經展開了一些年齡、性別、地域、興趣等用戶特征的的大數據工作，但還遠遠不夠。在此基礎上建立包括用戶關系、用戶理解向量的神經網絡模型，并隨著用戶每一個行為實時學習和改變，提供極致的服務體驗，將是未來電商平臺之間打出差異化的關鍵所在。
其次，工程化。
值得注意的是，技術只是技術，讓電商平臺呈現差異化特質還是在技術怎么使用。如何用同樣的技術實現不同的商業邏輯，將用戶需求歸一成語義結構信息，并跟商業場景結合起來，降低商業轉化的成本，才是問題的關鍵所在。
正如黃老師所說，智能對話一味關注在某些數據集中“跑分”已經成為一個產業問題，高分只是基本功，保證基礎的算法能力。更關鍵的還是工程能力和產品落地能力。
體現在現實場景中，就是智能機器人能不能給出讓用戶滿意的回復，這就取決于商家能不能清晰地定義出自己的商業邏輯、產品邊界，下沉到技術服務商身上，能不能幫助商家建立起從復雜技術到商業流程的連接，畫出簡單易用、符合實際的工具圖。
以奇點機智的語音對話平臺——對話流為例，核心就是整合機器學習、自然語言理解(NLU)技術，通過對話流深度理解用戶意圖，通過動態對話不斷訓練模型并自我糾正，進而提供高效而準確的服務。在這個過程中，企業不需要寫代碼或AI領域專業知識，就能夠快速創建語音對話體驗，同時可以應用于不同平臺和多種使用場景，不需要重復訓練和部署，大大降低了智能客服系統在企業端的落地門檻。
三是用戶習慣的培養。
目前主流的用戶習慣還是通過文本形式進行交流，與此同時，也有越來越多的企業、商家選擇植入了聊天機器人與用戶實時互動。比如優衣庫的智能導航，招行的語音導航，海底撈的智能訂餐電話客服等，通過語音的方式與機器人進行智能對話交互，正在成為未來的主流模式。
為了應對這種趨勢，奇點機智和電商平臺也在思考，如何將語音識別、聲紋識別等技術應用到客戶端，去引導和培養用戶的語音交互習慣。比如給智能客服賦予一個擬人化的名稱和形象，將對話欄設計成話筒的樣式等等，都是為了讓用戶在與智能機器人對話時更為自然。
至此，在智能客服系統的進化過程中，我們可以看到NLP技術是如何從實驗室中的一個個復雜模型，逐漸走進普羅大眾的生活。這或許也可以作為一面鏡子，折射出AI與整個社會的融合發展歷程。
腦極體都試圖通過白洞計劃，在每一個技術浪潮襲來的時刻，發出燈塔一樣的光亮，在AI技術企業與產業端應用者前行的必經之路上，照亮每一個暗礁與深坑。
