AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


搭建AI智能客服的思考
发布日期:2024-06-02 15:17:42 浏览次数: 1866 来源:硬核刘大



  • AI智能客服天然的优势:重复,无情绪,高并发

  • 人工客服的问题:成本、效率、多渠道、标准化

最近一段时间负责本地相关的业务领域,本地商家、用户在交易前后会产生各类问题,以到店服务来说,用户从浏览商品、下单、预约、核销、评价整条链路都有可能需要咨询或提问,在此过程中,周到、完备的智能问答显得十分重要。
平台基于过往的技能范畴,其实已经产生了比较扎实的AI智能客服的基础。而我们要做的是深化打磨目前AI客服的智能化,包括底层数据的打磨、多路场景的召回、提供动态化方案。

一、AI智能客服整体架构设计

最底层是数据来源的部分,主要由两个领域构成,数据集成与AI语料的制作。通过这两个领域的数据清洗过程,结合通讯服务便可以与AI服务能力做关联,确保内容语义通过AI技术服务做语义层面的识别、解读、理解&加工、对话、反馈、输出为语音。
中间层是智能引擎的核心,包括对于语料库的认知召回、调取方式、切换任务时依赖的能力调用。
最后输出支持前端、语音的应用。
而标黄的部分,则需要将配置能力可视化,既保障安全性,同时响应到AI智能化系统的各个领域。

二、智能化策略与决策设计

可以理解为,AI应用最核心在于:如何保障智能服务引擎与实际服务交互的易用性,从本地业务的客服本身来说,需要具象化的认知:即AI客服只是属于业务的某个链路,而不是对服务体验的全权负责,在搭建智能会话前,需要明确哪些是分内之事的重要事项,哪些需要流转。
命题为:需要为本地业务提供AI智能咨询的能力
拆解链路:这些能力在什么场景下会被调用?解决线上哪类问题?这些问题发生在哪些路径?智能会话问题解决范围如何体现与量化?

2.1 智能化服务可能在哪些场景出现?

  • 有问题且已经发生

  • 有问题未反馈

  • 无问题单纯访问

2.2 在不同场景设立唤醒助手服务,对标各类问题场景

2.3 梳理智能化语料为交互提供弹药

  • 如何搭建好用、全面、即时程度化高的智能化语料?——对问题理解到位,回答准确

  • 应对这个目标,将搭建链路拆解为以下几个大的视角:

(1)问题定位
  • 订单识别

  • 问题识别

  • 问题推荐

上面的三个方面直接影响预测问题的排序与关键信息的检索
(2)正常数据
知识库及标准问题结构优化细化,提升问题识别、降低缠绕(需要结合不同应用场景判断标准问题与答案的严谨性)
  • 在不同场景问答预测列表不同

  • 来自不同渠道唤醒问答的预测问题列表

  • 关键词唤醒的搜索结果排序优先级逻辑

(3)异常处理
问答在各类场景异常的判断标准:如通话场景、人机互动场景的异常判断逻辑就会不同。
  • 【线路异常】对故障识别并保存沟通快照,减少重复沟通

  • 【问题不清晰异常】语音、私信、web页的话术询问逻辑

  • 【情绪问题】接入情绪识别模型能力,提升沟通体验

  • 【关联问题】通过相关性训练,为沟通互动提供关键问题推荐点选率

2.4 智能解决的核心规则

若有预期提升整体智能客服解决线上问题率,至少需要从以下几个维度入手:
研判规则:调研线上用户唤醒人工服务的主要原因是规则的可变动性,即异常问题的处理效率。因此在智能化责流程中,需要尽可能穷尽线上反馈较多通过人工解决的问题判责标准与依据,并在智能化解决中搭建通用链路。
权限一致:人工整体判断问题的过程会有上升通道,类似的,智能助手在解决问题的判断路径上也可以自动提交到高级人工判罚,确保在意图明确的前提下,需要上升处理的case量级保持相当。

三、评估AI智能语音的关键数据

效果:
  • 接通率

  • 识别准确率

  • 点击率

  • 问题解决率

能力:
  • 并发量

  • 话术设计

  • 开发周期

  • 定制化场景

  • 安全性



53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询