3、 知识图谱与深度学习
知识图谱与深度学习是都是人工智能的重要组成算法,但两者用两种完全不同的方法实现智能化。深度学习是用大量的数据训练,训练成模型,再进行调整。而知识图谱是把所有知识罗列整理成一个“实体和关系”的图谱,在图谱上进行推理,然后再把客户问题转化成图谱上的一个推理。深度学习能解决端到端的问题,知识图谱解决知识类的问题,知识图谱对深度学习有很大的候补作用。两者相辅,很多深度学习解决不了的问题,知识图谱可以解决。
但与深度学习相比,知识图谱非常“奢侈”,需要花费大量的人力物力,所以国内目前主要是一些大型企业在应用。
二、 人机对话模式
其实能用一句话来回答的简单问题,占了客服问题总量的70%以上,在这类简单、明确的问题解决上,各家的能力差异其实并不显著。而拉开差距的关键,就在于复杂问题的处理。近年来,这种机器人可以反问客户,有多次交互的形式,而不是传统一问一答的多轮对话,备受重视。
什么是多轮对话?多轮对话是一种在人机对话中,初步明确用户意图之后,获取必要信息以最终得到明确用户指令的方式。此时用户是带着明确目标来的,但因为用户陈述需求的话语不够具体或明确,也可能用户的需求可能比较复杂,需要分多轮进行陈述,或是用户在对话过程中不断修改或完善自己的需求。这时候,机器可以通过反问、澄清或确认的形式,来帮助用户聚焦问题范围,找到满意的结果。这在业务办理等很难一次性定位客户问题的业务类型中很常见。
所以,任务驱动的多轮对话不是一个简单的自然语言理解加信息检索的过程,而是一个决策过程,需要机器在对话过程中不断根据当前的状态决策下一步应该采取的最优动作(如:提供结果,询问特定限制条件,澄清或确认需求,等等)从而最有效的辅助用户完成信息或服务获取的任务。
三、 知识管理
1、知识管理需求趋势
纵观客户服务的发展历程,可以了解到是逐步为客户提供更高效、专业的服务,而这样的服务要求,就需要进行统一且规范的分类,且这些分类在服务过程中并非一成不变,而是动态更新的,由此就催生了知识管理的需求。
近年来,市场上涌现了大批的知识管理平台。这说明,知识管理系统早已不再是业务复杂、客户量大的大型企业的专属。文档式的存储已跟不上服务需要,中小型企业的知识管理需求也越来越突出。
2、知识管理的定义
知识管理(KnowledgeManagement,简称KM)指的是在组织中建构一个人文与技术兼备的知识系统,让组织中的信息与知识,能够不断地创造、分享、整合、记录、存取、更新,达到知识不断创新的最终目的,并回馈到知识系统內。这些文件、资料通过分类、存档之后能非常容易的被搜索、再利用,达到经验的有效传承的过程。管理大师德鲁克认为:“21世纪的组织,最有价值的资产是组织内的知识工作者和他们的生产力。”
知识的发展经过统一、分享、多渠道、大数据、客户个性化后,会逐渐形成一个良性循环,整个循环过程是知识被发现、被认知、被客户化的一个过程,将客户需求与企业进行绑定。在知识得到有效管理后,可通过分享、学习、培训等方式,对知识内容进行扩充及完善,对知识可读性、被认知方面,可通过电话或在线客服与客户沟通过程中,依照客户需求对现有知识进行客户化。
知识管理的目标在于:提升服务质量与竞争力;实现信息集成、知识共享;持续改进。对于客服团队来说,知识管理涉及与保持客户满意相关的所有信息资产。
可能有不少企业对知识管理的理解,就是采购一个知识库系统。但需要强调的是,知识库并不等同于知识管理。知识管理是一门学科,是通过组织管理的方式来识别、采集、评估、检索和共享企业的所有信息资产。这些资产可能包括数据库、文件、政策、程序,和历史员工个人的专业知识和经验。知识库只是完成企业知识管理的重要工具,或说是其典型实现形式。
通过知识库进行的知识分享,基于知识库的培训考试以及社区讨论等其他应用都需要知识库的支持,同时挖掘出来的知识需要沉淀到知识库中。但知识管理并不是一味增加,这会造成知识冗余,所以也需要给它适当瘦身。特别是机器人知识库,知识问句过多,可能会造成语意重合度较高,从而影响应答匹配率。