时间: 2023年01月03日 08:02 | 作者:朗依制药 | 来源: 医药资讯| 阅读: 194次
2021年至今,NLP领域经历了非常大的变化,Transformer、ELMO、BERT、GPT-3,再到最近的ChatGPT(GPT 3.5的微调)的突破,NLP在预训练大模型的暴力拆解路上越走越远,这也让各行业开始相信:很多之前无法做到的场景、效果,现在可以有新的解法和落地。
智能客服,是NLP和深度学习技术落地的重要领域之一。客服可以基于提前设定好的规则,对用户意图进行判断并生成对应的固定话术。文本机器人、外呼机器人,可以替代掉原有重复性比较强的人工动作,逐渐转变为相对日常的落地场景。比如你日常所接听到的快递客服电话,订单咨询的对话框等等,背后都有来自客服机器人的驱动。
但在对客服要求比较高的企业级场景中,对多轮对话理解用户意图和知识专业度要求较高,现有的客服机器人仍有很高提升的空间。
一是系统整体搭建的维护成本比较高,效率比较低,因为大多数的企业级智能客服的知识库不是流程化的,而是技术知识库,需要人工/半自动的方式进行搭建。二是业务场景复杂,专门知识门槛会更高,往往会涉及不同客户的应用场景,与业务流程相关的复杂场景。三是持续突破比较难,边际效益递减明显,一般在良好技术知识库的支撑下,企业级智能客服的起步较快,但受制于方法论的影响,前期需要投入的大量人力、算力和数据,而到一定阶段则会陷入提升的瓶颈。这样的问题也曾经困扰浪潮信息的客服系统研发人员。
近日,钛媒体App对话浪潮信息服务总监陈彬、浪潮信息AI软件研发总监吴韶华,围绕智能客服市场当前解决的难题,以AI大模型的实际落地应用为视角,进行深入交流。
具体来讲,浪潮信息以AI大模型“源”为智能引擎,和InService智能服务平台,搭建出了“智能客服大脑”。
据介绍,“智能客服大脑”学习了2万余份产品文档和用户手册的数据,并结合百万条浪潮信息专家工程师服务对话、数十万份日志、工单数据等算法训练,具备语言理解、数据分析、自主学习和智能推理等能力,支持自然语言交互服务、已授权IT设备的智能运维与诊断、以及备品备件等资源的智能管理和调度。
AI大模型在应用过程中必然会面临各个行业的应用落地。在此之前,浪潮AI大模型“源”已经在人机交互、知识检索、语言翻译、文学创作等领域有所应用。
以大模型作为基础能力,通过大模型的蒸馏实现相关的小模型,不仅实现的速度更快,智能化水平更高,从技术角度来讲,大模型在落地过程中呈现出了与以往模型非常不同的技术特征,也带来了更好的智能化水平。不论对大模型进行微调,还是引入领域知识库的方式,均是业界在探索的路径。
在浪潮信息AI软件研发总监吴韶华看来,“大模型想要在某个方向上训练得更好,智能化水平更高,确实需要在具体落地场景引入额外的领域知识,才能解决实际问题。AI大模型有其自身特点,训练时使用的数据集主要来自互联网,在通用知识和领域知识的分布上存在不均,百度,会影响其在具体行业的应用。”
举个例子,在浪潮信息服务所面临的主要客户问题,包括咨询和故障报修两大类:前者如各类的产品服务政策、设备使用、以及复杂的技术咨询,如技术咨询方面其实比较常见的是如何做系统安装、Raid配置等,因为这个过程比较复杂,常出现各种问题;产品咨询包括购买产品的内存配置、保修时长等等;故障报修相对会比较有针对性、更多元,例如无法开机、硬盘故障、内存故障等等。
在浪潮信息的咨询客户中,有80%的用户为非专业工程师,智能客服需要在准确理解用户、精准定义问题的基础上,通过多轮回答解决技术问题,给予客户满意的答案。对于客户而言,如若智能客服所给予的答案过于标准和冗余,却无法快速帮客户解决具体问题,客服所给予的答案只可被定义为对的答案而不是好的答案。
实际上,浪潮信息从4、5年前就开始进行客服的数字化转型和探索,并且在2021年开始着手应用业内在探索的FAQ、任务式对话、知识图谱等NLP领域相关技术,对客服系统进行了一定程度的改造和提升。
但当时遇到的瓶颈也十分明显,主要在于两方面:“一是企业产品信息更新快,造成模型训练任务非常大,加之模型知识库的封闭,在训练效果上也受到制约;二是机器人需要对上下文结合语境进行语义理解,引导客户提问并且精准识别问题,在专业知识领域的IT行业,难度非常高。”浪潮信息服务与实施部总监陈彬指出。
除了在大模型的落地中引入领域知识外,浪潮智能客服在研发过程中还重点考虑了其他几点因素:
© Copyright © 2009-2021 朗依制药. www.pedca.com 版权所有 京ICP备07023866号-1 | 网站地图
本站所有文章内容均来源于互联网,版权归原作者所有,所有文章内容观点与本站立场无关,如不慎侵犯了您的权益,请联系我们,我们将在第一时间处理!