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


AI 时代,看大模型如何助力智能客服
发布日期:2024-10-23 19:01:44 浏览次数: 1601 来源:Ai知识助手


综述

AI 智能客服

LLM 技术为AI 智能客服插上了新的翅膀,让客户服务更精准,更个性,也更温暖。

    客服,全称客户服务(Customer Service)。旨在为满足客户需求、解决客户问题、提升客户满意度而提供的一系列服务。


1


客服模式的演进




    打破地理壁垒 从最早期的面对面服务,伴随无线电和网络科技的发展,逐渐演变成了电话、邮件以及在线聊天等不受地理位置限制的端到端完整服务。 

    引入科学技术 自然语言处理(NLP)技术为规则性和信息查询类问题提供了相对完善的解决方案。然而,在提供人性化服务和智能体验方面常遭用户诟病;近两年,大型语言模型(LLM)技术的使用成本大幅降低,使得 LLM 技术在业务中的应用成为可能。这将为智能客服领域带来了新的飞跃,为用户提供更“人味儿”和“智能”的服务体验。


2


传统智能客服系统的产品方案




    我们抛开一系列的技术基础设施和服务平台部分。将重点放在自然语言理解、对话管理与自然语言上,对其常见的实现方式进行拆解。

1

自然语言理解(NLU)  

    自然语言理解指的是让机器具备理解和解析人类语言的能力。其核心在于让机器能够如同人类一般理解文本对话的含义与意图。它更为注重对语言深层含义的理解,涵盖词义消歧、实体识别、情感分析等方面。它要求机器能够理解句子的语义、上下文以及语言背后的意图,从而实现更智能的人机交互。

    在这个环节,主要要分析清楚用户所描述的事情究竟是什么?是要求完成一项任务、询问一件事情,还是过来发发牢骚。

2

对话管理(DM)

    当我们理解用户所描述的内容时,则需要匹配到不同的工具流中,以完成相对应的任务。

任务式问答 根据用户意图和包含的实体(词槽)执行符合其需求的任务。对于复杂的问题,可以通过多轮对话的方式进一步交互。常见的场景有:票务机器人、房屋酒店预订、订外卖、点歌等。除了需要准备一些执行任务的话术外,还需要整理一些词槽、实体类别等内容。

匹配式问答 匹配式问答应用比较广泛,常见的规则咨询、科普问答等都有应用。首先要根据业务场景需求梳理准备问答对数据(问题与答案的组合 Questions Answer Pairs),训练相似度模型,当用户问题 Query 与问题 Questions 相似时,即会输出该问答对中的答案。

基于知识图谱的问答 解析用户问题后从知识图谱中查询或推理结构化知识,找出答案。可以完成相对复杂的多跳、限定条件、序数类、是否类、计数类等类型的问题。

基于表格的问答 从表格查询和推理获取用户问题的答案。比如商品属性相关的表格,从表格中搜索商品具体属性的值。基于表格的问答也可以解决复杂问题,带约束查询、推理计算、多表联查等。

3

自然语言生成(NLG)

    这一部分通常比较模板化,通过预置好的话术或者模板话术进行回复,尽管回复的内容符合预期,但在“人味儿”上还是有所欠缺。  

    i. 固定话术匹配随机回复;

    ii. 固定话术填槽式模板回复;


3


LLM 加码的智能客服产品方案




    LLM 的加入让自然语言理解、对话管理、自然语言生成都有了不同程度上的效果提升。通过微调+RAG 的双线合作,能够让智能客服更好地理解用户的问题,并提供更准确、更自然的回答。

    在自然语言理解方面,LLM 能够对用户输入的文本进行更深入的语义分析,识别其中的意图、情感和关键信息。这使得智能客服能够更好地理解用户的需求,从而提供更具针对性的解决方案。

    在对话管理方面,LLM 可以帮助智能客服更有效地管理对话流程,根据用户的回答和上下文进行合理的追问和引导,提供更流畅、自然的对话体验。

    在自然语言生成方面,LLM 能够生成更自然、生动的语言,使智能客服的回答更具人性化,提高用户的满意度和信任度。

    此外,微调 + RAG 的双线合作还可以让智能客服不断学习和优化。通过对大量数据的微调,智能客服可以更好地适应不同领域和场景的需求。同时,RAG 技术能够将外部知识源整合到回答中,提供更丰富、更全面的信息。

RAG(检索增强的生成技术)

    在生成文本之前,从外部知识库中检索与任务相关的知识,并将其作为输入的一部分,以提高生成文本的准确性和相关性。

    RAG 系统通常包括两个阶段:检索阶段和生成阶段。在检索阶段,系统使用编码模型根据任务需求从知识库中检索相关信息;在生成阶段,系统以检索到的信息为基础,结合任务的具体要求,生成符合要求的文本。

Fine-tuning(微调)

    微调是一种在大规模预训练模型上进行调整以适应特定任务的技术。在微调过程中,首先使用大量无标签或弱标签数据进行预训练,得到一个通用的语言模型;然后,针对特定任务,使用有标签的数据集对预训练模型进行微调,使其适应特定任务的需求。


    RAG 和微调是两种各有优势的技术。RAG 适用于需要大量外部知识的场景,如知识密集型任务,能够提供更准确、更相关的答案,并增强模型的可解释性;

    微调则适用于需要强化模型已有知识或适应复杂指令的场景,能够提升模型的交互效率。在实际应用中,可以根据具体任务的需求和场景特点选择合适的技术。

   RAG 就相当于是开卷考试,考试的时候可以翻书, 可以随时翻到某一页来查找对应的知识点去回答。微调相当于你一整个学期的学习,并在考试前进行了重点复习和记忆,考试时,凭借自己巩固的知识去答题。


4


智能客服的新范式




AI 客服 = LLM + 计划+ 技能 + 纠正偏差


    在 AI 客服的搭建和运行过程中,需要结合多个要素。

LLM 代表大语言模型(Large Language Model),这是 AI 客服的核心技术之一,通过大语言模型,AI 客服可以理解用户的自然语言输入,并生成自然的语言回;

计划 则指的是在对话开始前,系统需要制定一个对话计划或流程,以指导 AI 客服如何与用户进行交互。这个计划可能包括要询问的问题、要收集的信息以及可能的回复策略等;

技能 指的是在对话过程中,AI 客服需要使用各种工具来执行计划。这些工具可能包括知识库、对话流程管理工具、对话状态管理工具等,以帮助 AI 客服更好地理解和回应用户的请求;

纠正偏差 则指的是在对话过程中,AI 客服需要收集用户的反馈,并根据这些反馈来调整对话计划和执行方式,以纠正偏差。这种反馈可以来自用户的评价、提问、建议等,通过收集这些信息,AI 客服可以不断优化自己的对话能力和服务水平。


    在产品形态上与传统的智能客服并无大不同,但 LLM 赋予了 AI 客服维护成本更低、时效性更高、处理复杂问题更高效的能力。


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