企業服務智慧化管理，都面臨哪些痛點？針對這些痛點，市場上都有哪些解決之道，各自優劣區別如何？對你的企業來說，什麼才是最優求解方案？在AI的產品開發應用上，有哪些誤區和經驗，又如何實現敏捷開發？從追一的實踐和探索，希望能夠和大家一起分享交流。
智慧管理的四個階段
提到智慧管理，可能大家首先想到的就是智慧質檢，這類應用與客服機器人有著本質的區別。前者是AI幫助人做資料探勘、人機協同，後者是機器完全替代人來完成封閉場景的對話互動。
我們將智慧管理的發展劃分為4個階段：
第一階段：基於傳統專家系統的智慧質檢。
透過關鍵詞模版、正規表示式對客戶和坐席的會話日誌進行分析，生成文字質檢報告；在此基礎上前置一層ASR，可以為通話錄音生成語音質檢報告。但這類實現方式在準確率、泛化能力和運營有效性上都存在明顯的瓶頸。
第二階段：基於深度學習（語音+語義）的智慧質檢。
有些客戶找到我們說想要更換質檢系統，原因是老系統要維護關鍵詞模版，效率低下，還容易出現漏命中、誤命中的情況。這些痛點恰恰可以靠深度學習來彌補，比如用RNN實現語義理解，用CNN、RNN實現聲學和文字的情感分析，用CNN、Bi-LSTM實現VAD（語音活動檢測）。監督學習依賴標註資料，初始化階段需要一定的人力投入。但長期來看AI訓練師的投入會逐步遞減，整體的ROI遠超專家系統。
第三階段：利用自學習的運維工具，大幅提升質檢引擎的運營有效性。
基於深度學習的B端產品能否取得成功，不僅取決於神經網路等底層技術，很大程度上取決於工程化、產品化和運營的成熟度。模型效果可以決定產品的下限，而運營有效性、使用者體驗、交付和售後服務則決定了產品的上限。
客戶拿到產品後，大量的訓練資料需要人工標註，規則策略需要人工編寫，Badcase需要人工核查，效果調優需要人工操作。高門檻、高頻的人工操作，已經成為B端AI產品的最核心痛點。為了解決這一痛點，我們做了兩件事：
1、提供智慧化運維工具包。
例如：資料標註、深度學習訓練平臺、語義快速教育、新語義發現、語義智慧消歧以及模型除錯等工具，盡最大可能減少維護的難度。
2、授人以魚不如授人以漁。
將運營過程中的經驗、方法論沉澱成《智慧管理運營手冊》，詳細描述智慧冷啟和持續運營的5個階段。它可以作為指導教材，幫助AI訓練師有坡度、有溫度地掌握工具，幫助企業牢牢守護住運維ROI。
第四階段：事前+事中+事後的閉環智慧管理解決方案。
隨著企業對風控、質控的要求越來越高，事後質檢很難滿足時效性的需求。所以培訓機器人和坐席助手兩種產品形態就應運而生，它們分別補全了事前培訓和事中人機協同的環節，配合智慧質檢覆蓋了整個坐席服務的週期。
我們回顧一下智慧管理的四個發展階段：從專家系統到深度學習，從窮舉式運維到智慧化運維，從事後質檢到全週期服務管理，共發生了三次質變。
閉環化的智慧管理產品
目前在智慧管理方向上，絕大多數廠商處於第一階段，第二階段的廠商只有幾家。能提供三款閉環產品 + 基於深度學習的語義理解 + 智慧化運維工具包，並支援標準化交付的只有追一科技。
下面分別介紹智慧管理的三款產品：
1、See：智慧質檢
See的定位是對坐席與客戶的通話錄音、文字會話進行質檢分析。其模組包含質檢引擎、分角色的工作臺（人工抽檢、客服申訴、複審、訓練師）和資料統計等功能。質檢引擎包含12個維度的分析運算元，幫助質檢員實現更加精準的質控。
See的分析引擎支援十幾種運算元，除了關鍵詞、正則、RNN、情緒等文字運算元以外，還支援語音情緒、語速、搶話、靜音等聲學運算元。初始化階段會有一定的AI訓練師投入，後期業務方每週只需要投入少量時間即可完成調優工作。
2、Pal：坐席助手
Pal的定位是坐席的智慧助手，在電話服務過程中為客服坐席提供人機協同能力。包括合規管理、流程導航、使用者畫像、話術推薦、智慧表單和一鍵直達等功能，幫助提升業務效率、降低上崗門檻，提升營銷轉化。
客服坐席在通話過程中會伴隨大量業務操作，比如工單系統、CRM。好的產品是用完即走的，Pal如何以貼心助手的角色融入到場景中呢？我們為它設計了三種模式：隱藏模式、簡單模式和完整模式。只有當坐席需要的時候，各項功能才會冒出來與坐席互動，多數情況下在後臺就偷偷完成分析過程。
3、Learn：智慧培訓
Learn的定位是對新手或者有短板的坐席進行場景模擬練習。客服行業人員流動率非常高，傳統的老帶新培訓模式效率較低，老員工的耐心有限，但機器人是不知疲倦的。
Learn分為學、練、考、評四個模組：
1）、學習：坐席透過教學影片、PPT等素材完成學習輸入的過程。
2）、練習：坐席與機器人模擬接聽、外呼等場景，反覆模擬練習，直到掌握業務。
3）、考試：場景互動過程比練習模式增加了難度，去掉了提示指引。除了場景互動考題，也有選擇、判斷等傳統題型。
4）、評分：自動化閱卷生成評分，將多維考評項合成能力臉譜，為學員指明提升路徑。
以上就是三款產品的介紹，整套智慧管理解決方案是一套閉環的服務。Learn在服務前幫助學員達到上崗門檻；Pal輔助坐席完成服務過程，將語音流、實時分析結果給到See做進一步的挖掘；See輸出坐席畫像、將優質案例和反面案例給到Learn做為課件和題目的參考素材，並根據坐席能力短板推薦課程和考題。三款產品貫穿服務的全流程，實現了資料的高效複用。
做產品創新的公司，需要主動承擔起定義標準、解釋標準和推廣標準的責任。我們為智慧管理制定了一套驗收標準，包含功能模組、效果指標、使用者體驗等三個方面。專案實施的過程中，客戶會收到詳細的自測驗收報告。
挑戰與思考
在做產品的過程中，我們也遇到過一些挑戰和思考：
（一）智慧分析引擎應該依賴深度學習還是專家系統？
先來看下RNN和關鍵詞主要有哪些差異：
1、匹配模式不同
關鍵詞是精準匹配，優勢是可解釋性，配置後立即生效。RNN有更強的泛化能力，侷限是不可解釋，無法做可控的調優（AI訓練師可以憑藉經驗做一定的最佳化）。舉個例子，當ASR轉譯出錯的時候，用關鍵詞匹配就很難正確命中。
2、資料來源和運維效率不同
關鍵詞和正則更依賴使用者對業務的理解，需要人工梳理出關鍵詞；而RNN的訓練資料主要來源於生產系統的會話日誌，後期的維護效率也比關鍵詞高1.5到2倍。
3、適用的語境不同
開頭語、結束語、禮貌用語、禁用語就很適合用專家系統，例如“你好，很高興為您服務”，這種講話的定式很容易用正則來窮舉。但像【客戶表達不滿】這種相對發散的語義，敘述方式靈活多變，更適用RNN來匹配。
為了分析RNN和關鍵詞的取捨問題，我們拿實際落地的專案做了些研究。在確保質檢引擎準確率≥90%的前提下，尋找效果最優的配置邏輯，不刻意偏重關鍵詞或RNN。結果某基金公司有80%的質檢規則使用RNN+關鍵詞，10%的規則純用關鍵詞，10%的規則用聲學運算元；某新能源車企的33條質檢規則都同時使用RNN和關鍵詞；其他專案大多數規則也是兩種運算元共存。
所以結論是：關鍵詞決定了質檢水平下限，RNN決定了質檢水平的上限。過度依賴其中的一種，都是產品不夠成熟的表現，二者互相結合才能做出好的效果。
除了運算元的選取，影響質檢引擎效果的因素還有很多，比如分類體系、語料歧義、資料量、資料粒度、話者分離等。在講智慧管理發展階段的時候，我提到了運營有效性和方法論。透過《智慧管理運營手冊》和行業資料積累，可以幫助客戶完成高效的智慧冷啟和持續運營。
（二）如何做好語音互動的場景化？
B端產品最終也是給人用的，我們在打造智慧管理的過程中，很多場景體驗都按照C端的標準。
語音類產品的場景化有三個原則：
1、單場景的極致閉環：例如Pal坐席助手的5個模組有相互獨立的觸發條件，流程上相互照應，互動體驗和諧統一。
2、跨場景的無縫銜接：例如智慧管理將實時、事前和事後的三個場景銜接貫通，共用分析引擎和訓練資料；質檢分析結果迴流到培訓系統中，形成服務閉環。
3、人性化的互動體驗：例如機器人的TTS播報略顯生硬，如果用錄音來代替，互動的感受就更有溫度。同時也減少呼叫TTS服務的時間，還能砍掉TTS的成本；在VUI邏輯中，我們加入了容錯輪次，給坐席一次重說的機會，避免了學員的尷尬。
在技術選型上，也需要忠於使用者體驗。對於偏流程化、目的性強的語音場景，業界一般用任務型來實現。但培訓機器人和智慧外呼的角色完全對調，我們反覆推敲了二者的差異性，最終決定只引入任務型的設計思想，沒有拿外呼的NLP方案來生搬硬套。
（三）客戶對AI產品的過高期望和誤解
1、客戶應該對AI抱有怎樣的期望？
有人提出要用機器代替人去扛營銷轉化率，其實營銷是一門體現情商和柔性技巧的學問，連人類都未必能扛得住營銷轉化率。在營銷場景中，機器輔助人的可落地性遠遠強於機器人代替人。如果一定要用Bot直接做營銷，可以儘量避免過於發散的場景，擷取一段相對收斂的流程用任務型來實現。
就連大家津津樂道的Alpha Go，也是挑選了收斂的圍棋場景，在既定規則內最大化發揮出計算效能的優勢。深度學習的根基是統計學，神經網路的抽象層級還比較淺。相比於人類，AI不具備背景常識，更沒有自我意識和感情，不要苛求它去做特別深刻的邏輯推理。
2、AI技術是場景落地的主要瓶頸麼？
技術實力的確是落地的核心基礎，但發展到一定規模後，產品運營、後端資源、服務能力會成為商業化成功的關鍵。即便是擁有超強演算法能力的AI巨頭，也沒有精力做好每個細分領域的產品。各種演算法模型從實驗階段到工程化、產品化、規模化交付再到口碑運營，中間有太長的路要走。
3、如何快速驗證一款深度學習產品的水平？
任何廠商都可以對外宣稱自己擁有某項AI技術，但產品的落地依託於真實的投入與沉澱。很多客戶都沒意識到這一點，也很難分辨出廠商之間的真正差距在哪裡。其實到底有沒有，拉出來遛一遛就知道了。
分享個小技巧：讓廠商實際運算元據標註、模型訓練和模型呼叫的流程，證明自己有基於深度學習的智慧運維工具。然後看這套工具是否跟產品系統融合統一，給到使用者的互動介面是否友好。如果這些都滿足，就說明產品相對成熟，技術也差不到哪裡去。
4、深度學習 or 專家系統？
現在有很多AI廠商過度渲染深度學習的優勢，也有更多專家系統的廠商攻擊深度學習冷啟動週期的弊端，其實這些都是有侷限性的無意義對比。比如智慧管理場景的最優方案，就是透過專家系統+深度學習的多維運算元疊加來實現。並不絕對依賴於某一種技術，同時也能確保運維的效率。鼓吹其中的任何一種，都是產品不成熟的表現。
5、一些訓練資料或模型能否複用？
關鍵看場景的重合度，比如智慧管理的3款產品之間有部分模型可以複用，而外呼機器人跟智慧質檢的模型就無法強行復用。客戶想要複用模型，其本質訴求無非就是降本升效。我們假設模型真的可以複用，也就只提升了1倍的運維效率，依然無法應對業務迭代的情況，而我們提供的【新語義發現】+【快速教育】工具卻可以將運維效率提升十倍以上。
6、會話輪數是不是越多越好？
會話輪數從來都不會成為考核Bot互動能力的指標。關鍵是多輪會話的目的是要完成一項清晰的任務，還是完成一通閒聊？如果是為了完成任務，就要將場景儘可能收斂，互動路徑儘可能縮短。聊的越久，越容易出錯。
（四）AI時代團隊如何敏捷進化？
最後是一些關於敏捷的思考。我們團隊是公司的一個產品研發小組，在18年3月上線See，6月上線Pal，9月上線Learn，12月份做出其他創新型產品，奔跑速度已經不弱於網際網路公司。
快速裂變的過程中，矇眼狂奔一定會掉鏈子，關鍵看如何堅守剋制與取捨。我國的toB大環境下很難避開定製化，如何尋找標準化與定製化的平衡點呢？
這非常考驗產品團隊的基本功，我經常拿2個問題來挑戰組員：
1、給產品做加法時，能解決人無我有的問題，還是人有我優的問題？
2、最終能獲勝的憑什麼是你？需要講清楚背後的隱性邏輯。
做產品必須要敢於接受直逼靈魂的拷問。這是個不缺腦暴的時代，模糊、發散的idea並不值錢。只有當我們對核心細節做到入微操控，推演出金字塔尖的東西時，才可能做出核心競爭力。
同時，敏捷進化只靠內部努力還遠遠不夠，更需要群智效應和創造力賦能。群智效應是指業務方、廠商一起貢獻智慧。創造力賦能是指價值傳遞過程中，給到客戶的不僅是工具本身，更包含駕馭工具、探索新事物的能力。
目前AI行業競爭非常激烈，各公司的保密工作都很到位。外界對AI公司有強烈的好奇心，希望能得到業內的更多分享。AI公司也渴望透過更多合作來獲取資料、打磨場景，提升業務縱深能力和規模化落地能力。
產品和業務本質上是共生關係，脫離業務的AI產品就是沒有靈魂的軀殼，所以我們一直都在嘗試向客戶與合作伙伴傳遞產品理念。還是希望業務方和AI公司都持有更加開放的心態，如果大家能坐下來深入探討，就一定能挖掘出有價值的解決方案。