Ocado客戶服務中運用了TensorFlow和Google雲平臺

通過建立與Google及Google雲平臺（GCP）的合作伙伴關係，Ocado Techonology公司釋出了一種新的方法，用在對Ocado的50多萬使用者及來自這些使用者的海量電子郵件請求的處理中。該方法使用了TensorFlow及宿主於GCP上的TensorFlow Python API，重點在於解決電子郵件的自動分類問題。

Ocado認為對於電子郵件分類問題，非常適合於使用工業規模的機器學習和自動化，更具體的說就是自然語言處理（NLP）。很多的企業支援中心為讓工作一致和可靠，採用了依靠工作人員手工處理電子郵件佇列的工作流程。在企業的業務迅速成長時，或是整體客戶支援量所需的支援人員日益增長時。這種方法並不能很好地擴充套件，這會導致郵件響應的延遲，客戶不滿意度也隨之增加。

Ocado的做法是將所有的電子郵件彙集到同一處，然後通過分析郵件內容為郵件打標籤，例如標記為客戶投訴的則需要立刻反饋，標記為一般性反饋的則具有稍低的優先順序可稍遲反饋。此外，郵件標籤還包括：重發貨請求、退款請求、支付問題或網站問題、新商品查詢等。

Ocado想要在分配標籤類別時，儘可能地減少需使用者及支援人員手工輸入的域和標籤的數量。因為這種手工輸入不僅容易產生偏差並生成噪聲資料，而且也佔用了支援人員的寶貴時間，這些時間是本可用於根據客戶請求的優先度服務於客戶的。

Ocado科技的高階軟體工程師Marcin Druzkowski今年八月在Datasciencefest大會上的演講上，給出了Ocado訓練神經網路所用的各種模型的一些細節。其中的方法包括：使用詞袋的邏輯迴歸、使用嵌入（embedding）的卷積神經網路（CNN）、使用嵌入的長短期記憶模型（LSTM）。

Druzkowski指出深度學習並非一定要使用GPU，考慮到CPU晶片的相對低成本、雲端計算的可擴充套件性和平行計算模型訓練，沒有必要再採用特定的GPU寫入和訓練模型。他也指出通過以軟體工程為中心的資料科學方法，他們的TensorFlow圖以資料矩陣和圖定義的方式部署，這不同於資料科學軟體所使用的一般方法，那些方法已被證明在部署和易於整合到生產環節的實現上存在著挑戰。Druzkowski在演講中提到的特性還包括：可移植性和依賴性管理、程式碼質量、測試覆蓋度、版本管理和持續整合。

圍繞著測試模型，還出現了其它的一些新挑戰。這些測試模式需給出隨機性、可接受結果值範圍和良好模型效能的組成目標。此外，挑戰也存在於如何在後臺資料集發生改變時，重新訓練和測試模型。在確定一個模型是否有價值時，需額外考慮的變數是資料集改變的比例和速度。當前測試的執行使用了pyTest和TensorFlow，但是Ocado拒絕了提供示例程式碼的請求。

檢視英文原文：Ocado Uses TensorFlow and Google Cloud Platform for Novel Customer Service Approach