AI智能客服解決方案分析
在數(shù)字化轉(zhuǎn)型的浪潮中,AI智能客服已成為企業(yè)提升服務(wù)效率和客戶滿意度的重要工具。本文通過對比傳統(tǒng)客服與智能客服,深入剖析了AI智能客服的解決方案,供大家參考。
一、傳統(tǒng)客服與智能客服
過去大部分的ai智能客服都是基于BERT模型,隨著ai的快速發(fā)展,ai智能客服從底層技術(shù)到應(yīng)用都有了快速突破。
基于BERT模型的智能客服:雖然BERT模型在語義理解方面有一定優(yōu)勢,但由于其更多是“填空題”的模式,對用戶Query的理解仍存在不足,回答準(zhǔn)確率不足50%,導(dǎo)致很多用戶在面對智能客服時會直接輸入“轉(zhuǎn)人工”。同時,它主要是基于FAQ進行回復(fù),無法根據(jù)用戶的情緒變化調(diào)整回答方式,無法給到用戶情緒價值。
基于大模型深度學(xué)習(xí)的智能客服:從意識識別到自主行動(問題引導(dǎo)、生成回復(fù)、流程控制、閑聊控制、情緒識別),大模型深度學(xué)習(xí)的智能客服能夠全面理解和應(yīng)對用戶的復(fù)雜需求。它不僅能夠準(zhǔn)確理解用戶的語義和情感,還能根據(jù)用戶的上下文信息和歷史行為,生成更加個性化和精準(zhǔn)的回復(fù)。此外,大模型還具備強大的自我學(xué)習(xí)能力,能夠不斷優(yōu)化自身的知識庫和服務(wù)流程,提高服務(wù)質(zhì)量和效率。
二、零售O2O智能客服分析與調(diào)研
2.1 場景分析
要進行智能客服的場景分析,首先需明確客服的場景分析框架。
我們可從以下視角思考:用戶是誰,用戶的生命周期是怎樣的,用戶的消費旅程節(jié)點有哪些;業(yè)務(wù)場景范圍涵蓋哪些方面,交互的形式有哪些,用戶反饋的客體(反饋內(nèi)容)是什么,客體狀態(tài)(反饋內(nèi)容的狀態(tài))是什么。
基于此,我們至少可以從兩大核心視角進行深入思考:一是從用戶旅程出發(fā),二是從智能客服管理的角度,明確人工智能應(yīng)用的重點場景,即并非所有場景能完全適用人工智能,挑選出重點場景方向,才能事倍功半。
以下僅為通用性場景假設(shè),具體需根據(jù)實際業(yè)務(wù)具體分析:
假定處于有門店銷售的 O2O 場景之下,基于用戶旅程視角,第一步需要厘定大致的用戶旅程節(jié)點,以及各節(jié)點衍生出的觸點與對應(yīng)的用戶行為。順著這些節(jié)點脈絡(luò),明確客服的角色和職責(zé)。部分節(jié)點,諸如進店、與店員互動環(huán)節(jié),客服暫且無需介入;而在客服需要參與到消費者旅程節(jié)點,客服的參與程度深淺不一。舉例來說,在售前咨詢、自動外呼營銷階段,客服發(fā)揮著關(guān)鍵效能,參與力度較大;而在支付交易以及物流環(huán)節(jié),客服主要活躍于事后的售后交易階段,聚焦交易問題、物流信息查詢等場景,與客戶展開互動交流。
總體而言,基于消費者旅程,可大致劃分為售前、售中與售后三大階段:
- 售前階段涵蓋了解品牌與產(chǎn)品、產(chǎn)生需求、搜索信息等環(huán)節(jié);
- 售中囊括定位門店、進店、產(chǎn)品體驗、產(chǎn)品選購、銷售互動(此處特指線下門店銷售互動)、購買產(chǎn)品、支付產(chǎn)品、物流配送、交貨等流程;
- 售后涉及產(chǎn)品使用、產(chǎn)品分享、產(chǎn)品售后、再次購買等過程。
這里更佳的做法是將用戶觸點&用戶行為&客服行為&客服職責(zé)&客服okr量化指標(biāo)結(jié)合,由于需要根據(jù)實際情況進行分析,下表并未將okr指標(biāo)一一對應(yīng)。
前文已詳盡闡述基于用戶旅程智能客服的參與場景,接下來從智能客服管理視角深入剖析智能客服場景,具體如下:
1)業(yè)務(wù)場景維度:
- 營銷場景:基于用戶的歷史行為、偏好數(shù)據(jù)以及實時瀏覽信息,精準(zhǔn)推送個性化的營銷信息,如新產(chǎn)品上市通知、限時優(yōu)惠活動、會員專屬福利等,激發(fā)用戶的購買沖動,助力企業(yè)拓展市場份額。
- 服務(wù)場景:當(dāng)用戶遇到產(chǎn)品使用問題、售后維修需求、訂單查詢疑惑等情況時,提供專業(yè)、精準(zhǔn)的解決方案,全方位保障用戶的滿意度,維護企業(yè)的良好形象。
2)交互場景維度:
- 外呼場景:涵蓋客服主動發(fā)起的營銷活動、工單回訪等環(huán)節(jié)。借助云呼叫中心的外呼機器人,依據(jù)預(yù)設(shè)規(guī)則篩選目標(biāo)客戶,主動撥打電話進行營銷推廣或回訪。例如,針對新注冊用戶推送新手禮包引導(dǎo)消費,對近期購買產(chǎn)品的用戶詢問使用體驗并推薦配套產(chǎn)品。同時,結(jié)合短信和私域回訪,通過短信吸引用戶進入私域平臺(如企業(yè)微信、小程序等),在私域環(huán)境中與用戶深度互動,提升用戶參與度與轉(zhuǎn)化率。
- 客戶主動問詢場景:當(dāng)用戶通過 400 電話、在線客服等統(tǒng)一渠道主動發(fā)起咨詢、投訴、建議或表揚等行為時,智能客服借助智能語音 / 文字轉(zhuǎn)換技術(shù),將用戶訴求精準(zhǔn)傳遞至統(tǒng)一智能客服工作平臺。在此平臺上,智能客服迅速識別問題類型和意圖,將咨詢或投訴精準(zhǔn)分配給相應(yīng)人員或流程,并生成工單,確保用戶問題得到及時、有效的處理。
3)客體狀態(tài)維度(反饋內(nèi)容的狀態(tài)):
- 有問題且已反饋:用戶明確意識到自身問題并主動反饋,如產(chǎn)品故障、訂單延遲等。主動反饋至客服。
- 有問題未反饋:用戶雖察覺到問題但尚未表達(dá),智能客服系統(tǒng)可通過數(shù)據(jù)分析和用戶行為監(jiān)測,如發(fā)現(xiàn)用戶頻繁瀏覽某產(chǎn)品使用說明,推測其可能遇到困難,主動出擊,通過短信、彈窗等詢問是否需要幫助,提前化解問題,提升用戶體驗。
- 問題已形成工單:用戶問題經(jīng)初步處理轉(zhuǎn)化為工單,智能客服工作平臺需高效管理工單,確保及時流轉(zhuǎn)至相關(guān)部門,設(shè)置合理處理時限和提醒機制,實時更新狀態(tài),方便用戶查詢,增強信任與滿意度。
- 問題未形成工單:對于簡單即時可解的問題,雖不需形成工單,但智能客服應(yīng)做好記錄統(tǒng)計,分析常見問題類型和趨勢,為優(yōu)化產(chǎn)品、服務(wù)及知識庫提供依據(jù),提升整體服務(wù)質(zhì)量。
- 無問題單純訪問:用戶僅出于好奇或隨意瀏覽,智能客服可發(fā)揮引導(dǎo)作用,通過友好問候和個性化推薦,吸引用戶進一步了解產(chǎn)品和服務(wù),將無問題訪問轉(zhuǎn)化為潛在業(yè)務(wù)機會。
4)客體類型維度(反饋內(nèi)容的類型):
- 咨詢:用戶咨詢產(chǎn)品、服務(wù)、政策相關(guān)問題時,智能客服依靠知識庫和語義理解能力解答。如產(chǎn)品咨詢解答功能參數(shù)等,服務(wù)咨詢告知售后流程等,政策咨詢解讀相關(guān)規(guī)范,助力用戶決策。
- 投訴:面對用戶投訴,智能客服耐心傾聽、安撫情緒。產(chǎn)品質(zhì)量投訴,問清故障后安排退換;服務(wù)態(tài)度投訴,了解情況后道歉并處理。同時記錄分析,避免問題再發(fā)生。
- 建議:用戶提出產(chǎn)品改進、服務(wù)優(yōu)化等建議,智能客服記錄并反饋給相關(guān)部門,助力企業(yè)依此優(yōu)化升級。
- 評價:用戶評價涵蓋產(chǎn)品使用和服務(wù)體驗,分正面、負(fù)面評價。正面評價表示感謝,負(fù)面評價深入了解、記錄反饋,推動改進。
2.2 業(yè)務(wù)流程
前文基于場景的分析,相當(dāng)于從宏觀放大鏡的視角分析,而業(yè)務(wù)流程分析,則直接聚焦在客服業(yè)務(wù),從受理前、受理中、受理后對客服業(yè)務(wù)流程進行梳理:
- 受理請求:多渠道第一時間接待用戶,響應(yīng)咨詢、投訴或反饋.
- 確認(rèn)問題:有效溝通,耐心傾聽,引導(dǎo)用戶提供細(xì)節(jié),明確問題.
- 分析需求:結(jié)合情緒、歷史記錄和業(yè)務(wù)背景,剖析真實需求.
- 分類需求:將需求歸類為咨詢、投訴、表揚或意見,快速匹配資源.
- 搜集信息:迅速搜集產(chǎn)品資料、政策規(guī)定、歷史案例等依據(jù).
- 制定方案:綜合考慮需求、信息和資源,制定可行解決方案.
- 解答疑問:用易懂語言清晰解釋方案,復(fù)雜問題分步驟或圖文講解.
- 記錄過程:詳細(xì)記錄問題、需求、方案和溝通關(guān)鍵信息,形成檔案.
- 跟蹤效果:問題解決后,關(guān)注用戶反饋,回訪確認(rèn)服務(wù)效果,及時調(diào)整.
- 總結(jié)反饋:定期總結(jié)案例經(jīng)驗,提煉建議,反饋相關(guān)部門,助力改進.
2.3 需求分析
基于前文的場景分析和客服業(yè)務(wù)流程分析,從宏觀角度與直接聚焦在客服業(yè)務(wù),充分分析人工智能對客服業(yè)務(wù)的需求支撐,下圖藍(lán)色的標(biāo)記為主要的人工智能設(shè)計的范圍,根據(jù)實際業(yè)務(wù)需求進行優(yōu)化,下圖僅為示例。
核心需求可以在一定程度上歸納為多(知識庫覆蓋多,識別客戶意圖更準(zhǔn))、快(流程順暢、回復(fù)效率高)、好(識別客戶情緒,滿足客戶需求)、準(zhǔn)(回答專業(yè)度,準(zhǔn)確性)
2.4 技術(shù)流程
1)智能客服服務(wù)流程
- 感知階段:智能客服通過文字輸入、語音識別、圖像識別等多種方式,精準(zhǔn)捕捉用戶的咨詢內(nèi)容和行為信息,建立起對用戶需求的全面感知.
- 認(rèn)知階段:利用自然語言處理技術(shù),對用戶輸入的信息進行意圖識別、場景分析和語境分析,深入理解用戶的真實意圖和需求背景,為后續(xù)的知識檢索和答案生成奠定基礎(chǔ)。
- 知識檢索階段:在龐大的知識庫中,依據(jù)用戶的意圖和場景,快速檢索出相關(guān)的知識點和解決方案,知識庫涵蓋產(chǎn)品信息、業(yè)務(wù)流程、常見問題等多個維度,確保答案的準(zhǔn)確性和專業(yè)性。
- 答案生成階段:結(jié)合檢索到的知識和用戶的具體情況,運用自然語言生成技術(shù),生成清晰、易懂、個性化的答案,同時進行語音轉(zhuǎn)寫,為用戶提供多模態(tài)的交互體驗。
- 行動階段:基于生成的答案和決策,智能客服執(zhí)行相應(yīng)的任務(wù)自動化操作,如自動發(fā)送回復(fù)、觸發(fā)后續(xù)流程等,實現(xiàn)服務(wù)的閉環(huán)管理,提高服務(wù)效率和質(zhì)量。
2)智能客服運營流程
- 模型訓(xùn)練:rag、提示詞工程和微調(diào)是模型訓(xùn)練迭代的主流方式,根據(jù)訓(xùn)練時間、成本和場景選擇,通俗的來說,rag能快速在大量的行業(yè)知識和特定場景信息里去查找相關(guān)內(nèi)容,提示詞是讓智能客服更好的理解“需求”,把話說的更能讓“機器人”理解,微調(diào)以預(yù)訓(xùn)練大模型為基礎(chǔ),用特定領(lǐng)域或場景數(shù)據(jù)再訓(xùn)練,讓模型更貼合特定場景。像電商平臺用自身數(shù)據(jù)微調(diào),使模型回答更精準(zhǔn)。雖需一定訓(xùn)練時間和計算資源,成本較高,但效果好 。
- 任務(wù)自動化與閉環(huán)反饋:實現(xiàn)任務(wù)的自動化流轉(zhuǎn)和閉環(huán)管理,當(dāng)機器人無法回復(fù)、顧客要求轉(zhuǎn)人工或遇到特定問題時,及時將任務(wù)轉(zhuǎn)接給人工客服,并進行數(shù)據(jù)分析和復(fù)盤,不斷優(yōu)化運營流程和服務(wù)質(zhì)量。
- 用戶滿意度調(diào)查與客服質(zhì)檢:定期開展用戶滿意度調(diào)查,收集用戶對智能客服服務(wù)的反饋和評價,同時對客服服務(wù)進行質(zhì)檢,評估服務(wù)質(zhì)量,及時發(fā)現(xiàn)并改進問題,提升整體服務(wù)水平。
2.5 產(chǎn)品定位
一款基于大規(guī)模深度學(xué)習(xí)的智能客服平臺,對客戶,實現(xiàn)個性化服務(wù),助力企業(yè)降本增效,提升客戶滿意度。對客服管理,實現(xiàn)內(nèi)部管理的高效協(xié)同與提質(zhì)增效。
2.6 目標(biāo)與衡量標(biāo)準(zhǔn)
1)成本效益指標(biāo)(示例,根據(jù)實際情況調(diào)整)
- 增益類指標(biāo):人力運營成本、平臺賠付成本、消費者滿意度、用戶增長率、用戶流失率、用戶留存率、營銷推廣觸達(dá)率、獲客成本、客戶問題處理成本、客服培訓(xùn)成本、客戶終身價值提升率
- 約束類指標(biāo):消費者投訴率、消費者問題一次性解決率、消費者問題解決時長、客服響應(yīng)時長
2)運營類指標(biāo)(示例,根據(jù)實際情況調(diào)整)
- 運營類指標(biāo):坐席簽入/簽出統(tǒng)計、天/周/月接通數(shù)、接通趨勢、平均響應(yīng)時長、外呼接通數(shù)、外呼接通率、線索轉(zhuǎn)化率、關(guān)單率、問題解決率、坐席利用率、客戶重復(fù)咨詢率、跨部門業(yè)務(wù)對接響應(yīng)效率
- 衡量ai智能客服的運營類指標(biāo):點擊率、接通率、人工轉(zhuǎn)接率、識別準(zhǔn)確率(訂單問題、問題識別、問題推薦)、問題解決率、自主問題解決率、關(guān)單率、并發(fā)處理能力、知識庫覆蓋率、智能客服閑置時長占比、智能客服話術(shù)匹配準(zhǔn)確率
三、ai智能客服行業(yè)的主要廠商和產(chǎn)品
四、ai智能客服系統(tǒng)架構(gòu)
4.1 業(yè)務(wù)架構(gòu)
4.2 系統(tǒng)架構(gòu)
智能客服系統(tǒng)需要根據(jù)實際情況選擇設(shè)計功能模塊,以下是比較主流的功能模塊:
- 知識管理:對FAQ、Task、chat的知識進行增刪改。其支持詞的維護(如:專有名詞、同義詞、敏感詞燈)、QA的維護(業(yè)務(wù)問答知識)、標(biāo)注維護(標(biāo)注問法、標(biāo)注轉(zhuǎn)譯)燈內(nèi)容 的維護。
- 知識教育:根據(jù)實際服務(wù)用戶的問答數(shù)據(jù),對智能客服的知識進行優(yōu)化調(diào)整,以實現(xiàn)更好的問答效果
- 對話管理:可視化的流程畫布維護(單輪對話/多輪對話)、參數(shù)調(diào)用配置(如“動態(tài)的參數(shù),,查詢余額,積分)、標(biāo)簽的配置應(yīng)用、策略的配置(如“轉(zhuǎn)人工策略)
- 問答質(zhì)檢:通過人工標(biāo)注,對機器人的實際問答效果進行質(zhì)量檢查,評估機器人的實際問答效果。如:我們向模型內(nèi)投入一定數(shù)量的優(yōu)質(zhì)錄音、文本,然后告知大語言模型都有哪些加分因子、讓他自動判別生產(chǎn)數(shù)據(jù)的質(zhì)檢情況,然后不斷通過手工質(zhì)檢的對齊調(diào)優(yōu),讓模型持續(xù)不斷學(xué)習(xí)和改進。(運用AI agent 內(nèi)容分析、質(zhì)量檢測、情緒識別、標(biāo)簽體系)
- 智能工單:(運用ai agent 工單生成、智能派單、工單流轉(zhuǎn))
- 數(shù)據(jù)分析:機器人問答數(shù)據(jù)分析,主要體現(xiàn)用戶提問、知識覆蓋等方面的指標(biāo)..意圖命中清單報表、用戶交互日志報表、轉(zhuǎn)人工清單報表等
- 系統(tǒng)管理:系統(tǒng)管理模塊是智能語音導(dǎo)航機器人流程對話管理系統(tǒng)中不可或缺的一部分,它負(fù)責(zé)機器人公共策略、用戶及角色權(quán)限等內(nèi)容的配置管理。
五、基于AI大模型的智能客服搭建(以知識庫為例)
由于本文篇幅關(guān)系,無法全面分析基于人工智能的智能客服搭建方式,所以選取了一個較為典型的功能模塊,即基于AI大模型的知識庫,通常知識庫的底層能力是基于通用性的大模型底層能力的,但由于行業(yè)的特性和客戶特征,大多數(shù)會外掛行業(yè)知識庫等進行語料喂養(yǎng)。那么基于AI大模型的智能客服搭建知識庫流程總體是什么樣的呢,下面將進行簡要描述。
5.1 AI智能客服知識庫
1)確定范圍與數(shù)據(jù)處理
- 知識庫素材整理:廣泛匯集客服人員長期積累的經(jīng)驗、歷史會話記錄以及行業(yè)知識,構(gòu)建原始素材庫。這些素材涵蓋了實際問題處理策略、用戶咨詢熱點以及行業(yè)規(guī)范等內(nèi)容。
- 數(shù)據(jù)清洗與聚類:對原始素材再次清洗,提高數(shù)據(jù)質(zhì)量。然后通過聚類分析,按問題特征將相似問題歸類,找出常見問題模式,如歸納出某類產(chǎn)品的高頻咨詢問題。
- 問題提煉:按照業(yè)務(wù)板塊(售前、售后等)和問題類型(功能咨詢、故障反饋等)對清洗后的問題進行分類標(biāo)記,為構(gòu)建結(jié)構(gòu)清晰的知識庫做準(zhǔn)備。
- 知識形態(tài)的判斷:準(zhǔn)確區(qū)分簡單問題(可依據(jù)知識庫直接回復(fù))和復(fù)雜問題(需人工憑借專業(yè)素養(yǎng)和溝通技巧處理),規(guī)劃智能客服與人工客服的協(xié)作流程。
2)提升理解與模型選型
(1)模型選型
langchain 框架等是比較主流的框架。提供便捷工具和接口,能靈活整合語言模型、外部數(shù)據(jù)源及各類組件,高效搭建智能客服系統(tǒng)架構(gòu),滿足業(yè)務(wù)特定需求。
(2)能力提升
- 訓(xùn)練意圖理解:用豐富多樣的文本數(shù)據(jù)訓(xùn)練機器人,使其能準(zhǔn)確解析用戶不同表達(dá)方式背后的真實意圖,避免理解偏差,提升回復(fù)準(zhǔn)確性。例如識別口語化和專業(yè)表述下的相同咨詢意圖。
- 增強情感識別:借助情感分析技術(shù)和訓(xùn)練數(shù)據(jù),讓機器人感知用戶情緒,根據(jù)情緒給出人性化回應(yīng),如安撫焦急用戶,提升服務(wù)體驗。
3)知識庫構(gòu)建與調(diào)優(yōu)
(1)策略技術(shù)
- 根據(jù)業(yè)務(wù)特點、數(shù)據(jù)狀況和應(yīng)用場景,選擇合適技術(shù)提升智能客服回答質(zhì)量。
- 提示詞工程:精心設(shè)計提示詞,引導(dǎo)智能客服依據(jù)知識庫生成準(zhǔn)確回復(fù),提高回復(fù)針對性,如針對不同產(chǎn)品咨詢設(shè)特定提示詞模板。
- rag(檢索增強生成):利用強大檢索功能在知識庫中查找相關(guān)知識,結(jié)合生成能力生成高質(zhì)量回復(fù),快速實現(xiàn)知識更新擴展。
- 微調(diào):基于預(yù)訓(xùn)練模型,根據(jù)業(yè)務(wù)數(shù)據(jù)和需求調(diào)整參數(shù),使模型更適應(yīng)智能客服場景,如針對客服話術(shù)風(fēng)格和問題類型微調(diào)。
(2)具體操作
- 轉(zhuǎn)人工判定:制定合理規(guī)則,當(dāng)智能客服無法解決問題(如復(fù)雜業(yè)務(wù)政策解讀、用戶多次不滿)時,自動轉(zhuǎn)接人工客服,保障服務(wù)連續(xù)性。
- 詞庫配置:構(gòu)建包含專業(yè)詞匯、同義詞、口語化表述的詞庫,提升智能客服對自然語言的理解,避免因用詞差異導(dǎo)致理解錯誤。
- 知識庫測試調(diào)優(yōu):全面測試知識庫,檢查信息準(zhǔn)確性和有效性,根據(jù)測試結(jié)果優(yōu)化,如補充缺失知識、修正錯誤表述。
4)灰度發(fā)布與上線
(1)小范圍測試與反饋收集
正式上線前,選擇特定小范圍用戶群體或部分業(yè)務(wù)場景測試。通過問卷、訪談、數(shù)據(jù)統(tǒng)計等方式收集用戶對智能客服回復(fù)準(zhǔn)確性、及時性、友好性的反饋,整理分析后作為優(yōu)化依據(jù)。
(2)性能監(jiān)控與保障上線
實時監(jiān)控系統(tǒng)穩(wěn)定性、可靠性和響應(yīng)速度等性能指標(biāo),利用監(jiān)控工具及時發(fā)現(xiàn)并解決性能隱患,確保系統(tǒng)能滿足大規(guī)模用戶使用需求,順利全面上線 。
5.2 知識庫索引與召喚描述
針對智能客服知識庫的搭建,知識庫搭建索引能有效提升知識庫效能,提供了快速檢索的能力,提高數(shù)據(jù)檢索的效率,使得在用戶提出問題時,系統(tǒng)能夠快速地從知識庫中找到相關(guān)信息,索引過程包括實體抽取、實體關(guān)系確定、實體摘要,以及構(gòu)建向量數(shù)據(jù)庫和圖數(shù)據(jù)庫,這些都是為了優(yōu)化數(shù)據(jù)的檢索性能。索引為召回打下了基礎(chǔ)。召回實現(xiàn)為了提供給用戶最相關(guān)、最準(zhǔn)確的答案或信息。
召回過程包括召回前處理(如問題擴散、意圖識別)、召回中處理(如選擇目標(biāo)知識庫、向量相似度計算、圖譜召回、召回排序),以及召回后處理(如生成質(zhì)量評分器、Token壓縮、生成回復(fù)、敏感詞混淆處理)
1)搭建索引
- 實體抽?。哼\用自然語言處理和機器學(xué)習(xí)技術(shù),從產(chǎn)品文檔、客服記錄、行業(yè)資料等素材中精準(zhǔn)識別關(guān)鍵實體。例如,在電子產(chǎn)品領(lǐng)域,可能抽取“芯片型號”、“屏幕分辨率”等作為實體;在醫(yī)療咨詢中,則可能是“癥狀名稱”、“治療方法”等。
- 實體關(guān)系確定:分析并確定抽取出的實體間的內(nèi)在聯(lián)系,構(gòu)建知識圖譜。例如,手機型號與芯片、操作系統(tǒng)、售后政策的關(guān)系;或者在醫(yī)療領(lǐng)域,癥狀與可能的疾病、推薦藥物、相關(guān)科室的關(guān)聯(lián)。
- 實體摘要:為每個實體生成包含關(guān)鍵信息的簡潔摘要,便于檢索時快速預(yù)覽核心內(nèi)容。如旅游景點的摘要可能包括“特色景觀”、“開放時間”、“游客評價”等。
- 構(gòu)建數(shù)據(jù)庫:將知識轉(zhuǎn)化為向量存儲,利用向量數(shù)據(jù)庫根據(jù)語義相似度匹配內(nèi)容;同時,使用圖數(shù)據(jù)庫存儲知識圖譜,加速復(fù)雜查詢的處理,如金融產(chǎn)品的風(fēng)險等級、收益、適用人群等查詢。
2)召回流程
召回前處理:
- 問題擴散:用戶提問后,系統(tǒng)依據(jù)語義和知識關(guān)聯(lián)擴展相關(guān)問題,如“手機拍照模糊”可能擴展到“鏡頭清潔”、“相機設(shè)置調(diào)整”等問題,確保全面性。
- 意圖識別:使用深度學(xué)習(xí)模型分析用戶的真實意圖,如“出國旅游”可能包含“目的地選擇”、“簽證辦理”、“行李準(zhǔn)備”等需求,指導(dǎo)知識召回方向。
召回中處理:
- 選擇目標(biāo)知識庫:根據(jù)問題領(lǐng)域和行業(yè)分類,選擇最合適的知識庫子集,如醫(yī)療問題直接關(guān)聯(lián)到醫(yī)療知識庫,提高召回的相關(guān)性。
- 向量相似度計算:結(jié)合向量庫計算用戶問題與知識向量的相似度,進行排序,鎖定最貼近的內(nèi)容。
- 圖譜召回:利用圖數(shù)據(jù)庫中的知識圖譜,追溯相關(guān)問題的間接知識,如查詢“電腦維修網(wǎng)點”時,可能需要追溯到“硬件故障”、“服務(wù)地點”等信息。
- 召回排序:根據(jù)知識的相關(guān)性、熱度、匹配度等因素進行排序,優(yōu)先推送最相關(guān)的知識。
召回后處理:
- 生成質(zhì)量評分器:建立評估機制,對召回的知識進行評分,確保答案的完整性、準(zhǔn)確性和權(quán)威性,如醫(yī)學(xué)知識庫中,來自權(quán)威醫(yī)學(xué)期刊的內(nèi)容可能獲得更高評分。
- Token壓縮:精簡知識文本,去除冗余,加快信息傳輸,提升用戶獲取信息的效率。
- 生成回復(fù):將篩選出的知識整理成自然語言回復(fù),滿足用戶咨詢需求,如旅游規(guī)劃建議、健康咨詢等。
- 敏感詞處理:檢測并過濾回復(fù)中的敏感詞匯,確保內(nèi)容的合規(guī)性,如在金融咨詢中避免使用可能引起誤解的術(shù)語。
通過這樣的流程,智能客服系統(tǒng)能夠提供給用戶最相關(guān)、最準(zhǔn)確的答案或信息,實現(xiàn)快速、準(zhǔn)確的客戶服務(wù)體驗。
作者:Elaine.H ,公眾號:H小姐的數(shù)字化雜貨鋪
本文由@Elaine.H 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理,未經(jīng)作者許可,禁止轉(zhuǎn)載。
題圖來自Unsplash,基于CC0協(xié)議。
該文觀點僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺僅提供信息存儲空間服務(wù)。
- 目前還沒評論,等你發(fā)揮!