QQ在線
企業微信
資訊
499最具“情商”的新一代智能機器人來了!能讀懂上下文
也許你也有過這樣的經歷，向智能客服咨詢問題，卻陷入毫無進展的對話里：
-你們家的面膜都是純天然的?
-親親，我們家的面膜都是蘆薈精華提取，純天然的哦~
-我皮膚有點干，推薦一款唄~
-冬天皮膚干燥推薦給親親我們的保濕精華乳~
-我是要買面膜，你是機器人吧，讓人來說話。
作為顧客，此時你大概要嘆一句“人工智能真不智能”。這些所謂“智能”客服們往往只能做到一問一答，一旦對話涉及稍微復雜的情境，它們就開始答非所問。
讓人工智能學會根據上下文去處理信息，是自然語言處理技術一個關鍵的門檻，也是多年來整個學術界和工業界都在努力攻克的難題。盡管在通用NLP領域，gpt-2，BERT等算法模型的出現，讓語義理解取得了重大進展，但是由于專業性強、垂直語料庫不足等原因，某些亟待落地的應用場景，例如高強度的客服對話，還深陷在開頭出現的“人工智障”泥潭中。
最近，這個難題迎來了新進展。曉多科技(下稱“曉多”)開發的基于上下文的語義識別項目，以深度學習的方式，讓智能問答機器人能夠像人類一樣，結合語境去理解復雜場景下的對話，并且進行持續的自我學習，無需人工設置規則，也能不斷擴展和覆蓋更多的場景。
從一問一答到讀懂語境
為什么人工智能會有這些“不智能”的表現?這是因為目前市面上主流的智能問答機器人，大部分都是根據單個句子來識別顧客的意圖，從而進行一問一答的任務型對話。但在日常聊天對話中，我們習慣口語化表達，尤其在打字時，一般不會大段大段地發送，而會使用很多斷句，這種零碎的表達使得機器人無法從單個句子中準確識別出你的真實意圖，造成答非所問的情況。
這對于服務業來說是一個致命傷。
和普通的閑聊機器人不同，智能客服必須做到對各種場景的精準識別。因為智能客服面對的工作，是要及時地、明確地解決顧客的問題。
當你和閑聊機器人逗趣的時候，它答非所問的話并不會讓你煩躁，反而覺得很有趣味;但當你只想趕緊退貨或者得到賠償時，智能客服的胡言亂語足夠讓煩躁的顧客給這家店鋪打上0星，并在評論區洋洋灑灑好幾百字，控訴店鋪服務不到位。
在商品售前階段也是這樣，智能客服錯誤的回復或答非所問，都會影響顧客的體驗度，平臺商家競爭激烈的情況下，得不到滿意答復的顧客可能會很快放棄，選擇另外一家店鋪，從而造成顧客的大量流失。
單句識別與上下文識別的差別
解決這一問題的關鍵，在于要讓機器人像人一樣，學會聯系上下文，結合語境來對話，而不僅僅對單個句子作出反應。
目前市面上其他機器人都不支持上下文語義，他們是在靠規則和流程設置關鍵詞。也就是說，這個情景中需要什么信息，就要設計出對應的問題，讓機器人按照固定的順序提問，顧客按照要求回答完所有問題，機器人才能根據所有信息來進行回應。
例如，顧客要購買飛機票，就要設定機器人首先詢問顧客起點、終點、時間，再問顧客想要什么等級的座位等等，通過這些固定問題的答案，把需要的信息補充完整，最終給出推薦。
在這種情況下，每一個場景都需要人工去設定對應的規則，效率十分低下。尤其在電商領域，從售前到售中，再到售后，涉及到的問題是方方面面的，更別說還有購物品類的區別，場景的擴展是指數級的，靠人工設定規則去做到全覆蓋，說是天方夜譚也不為過。
如果能夠將目前人工智能領域大熱的深度學習應用到這一問題的解決上，讓機器人能夠通過自己學習，掌握基于上下文的語義理解，并持續學習擴展到各個場景中，就可以大大地提高智能機器人面對復雜場景的精準應對能力，同時提高它覆蓋各種場景的效率。懷著這樣的想法，曉多開始了上下文語義項目。
讓機器人自己“劃重點”：記住重要信息，忘記不重要的
機器人自己學會理解上下文，困難在哪里?曉多算法工程師、本次上下文語義項目的負責人張翀向大數據文摘介紹，最關鍵的問題在于要讓機器人像人一樣記得上文的重要信息，并且知道這些信息和當前問句的關聯。
在這個問題上，目前學術界和業界并沒有現成的解決方案。對此，張翀介紹，曉多為新一代問答機器人創新設計了一個深度學習模型，包含四個模塊：記憶與遺忘、提煉、融合、輸出。
記憶與遺忘模塊賦予機器人記住上文關鍵信息的能力。沒有記憶能力的機器人，只會對最近的一句話作出反應，而曉多的模型可以幫助機器人把前后的訴求關聯起來，及時作出準確的推薦。
點擊圖片查看詳細內容
在技術上，曉多做出了一個此前業界還沒有實現過的創新應用，參照一個名叫長短期記憶網絡(LSTM)的結構，設計實現會話級別的記憶和遺忘。
曉多的又一創新，是應用于提煉模塊的注意力機制。它會自動對上文的每一條信息進行計算，算出這些信息與當前句子對應的重要程度，重要程度高的，就會被保留下來。
假如顧客得到了滿意的產品推薦之后，又提出“什么時候發貨”的問題，注意力機制通過計算，就會發現上文的重要程度并不高，這樣，無用的信息就會被過濾，與當前對話有關聯的上文信息被選取出來，進入下一個模塊中。
在融合模塊中，機器人會對提煉出的上文關鍵信息和當前聊天消息結合，來識別顧客的意圖。曉多采用的方式是在向量空間做梳理，簡單來說，可以理解為提取上文關鍵信息是在機器人大腦內部的一個操作，這之后，再在一個抽象的空間里，把提取出來的關鍵信息與當前的單句進行綜合，最終輸出一個結合上文信息和當前單句所做出的判斷。
這個模型在實驗中得到的數據令人驚喜。曉多從真實電商聊天?志中抽取了若?涉及上下?的問答樣本，構造兩份意圖識別測試集，分別對應兩個電商領域，對?發現結合上下?預測的模型效果遠超只根據單句預測的模型：
recall(召回率)=機器人正確識別的問題數/問題總數;
Precision(精確率)=機器人正確識別的問題數/機器人已識別的問題數;f1core=2*precision*recall/(precision + recall) ，表示綜合考慮召回率和精確率的評分;
這些工作并不是想到就可以做到的，對機器人的訓練需要大量的數據，遷移學習能力是曉多能夠實現這些創新的關鍵。
“人工智能的深度學習，突出的特點就是對數據的依賴非常大，”張翀說，“因為深度學習模型的參數非常多，你可以理解為它是一個更復雜的智能體，數據是它學習的依據，它要學習的東西越多，需要的數據就更多，而你給它的數據越多，它也越聰明?！?
目前，曉多的標注團隊從上百億的數據中進行分析提取的價值樣本，提供給機器學習進行數據訓練。
如果每一步都需要人工設計，從發現場景、總結規律，到最后開發、測試、上線，可能需要至少兩周的時間才能擴展一個場景，張翀介紹說，而使用這樣的數據標注讓機器進行深度學習，只需要幾天的時間，就可以同時擴展幾十個場景、幾百個產品。
各個行業的電商客服需要應對的場景雖然有很多差異，但有一些數據卻是通用的，包括關于快遞物流的問答等。曉多對標注好的數據進行了模塊拆分，區分出通用數據，當機器人需要對新行業進行學習時，可以直接使用這些標注好的通用數據，實現迅速的擴展學習。
談到數據、算法和計算能力的關系，張翀認為，數據是基礎，大數據為機器學習裝上引擎;算法是核心，將人工智能帶到全新高度;而計算能力是保障，為算法的實現提供堅實的后盾。
不止于此，顧客體驗迎來后智能化時代
從售前的商品導購，到售中咨詢運費、活動贈品等，目前，曉多的上下文語義項目已經投入使用，覆蓋了多種電商服務場景。這僅僅只是這項技術投入應用的第一步，曉多的業務計劃中，還涉及到更多的業務鋪開。在售前，顧客可能會要求客服進行商品推薦，他們的需求點信息包含在整個對話過程中。傳統的客服機器人只能根據顧客最后的需求進行推薦，而曉多機器人會對顧客的會話信息進行分析，更加準確地識別到顧客的真實需求，推薦給顧客符合心意的產品。
點擊圖片查看詳細內容
另外，對于電商行業中熱門的服裝領域來說，售前的服裝尺碼推薦是客服經常會遇到的問題，店鋪內大量商品的尺碼各不相同，尺碼問題會耗費客服大量的人力。通過上下文識別的手段，客服機器人可以獲取顧客的尺碼信息，準確地進行尺碼推薦。
點擊圖片查看詳細內容
在銷售過程中，顧客常常要詢問運費問題，這就涉及到了首次購買和退換貨兩種場景。沒有上文語境，機器人就只能解讀出“運費”，而不能準確地判斷顧客詢問的是首次購物運費還是退換貨運費，可能導致錯誤的回復。而在加入了上下文理解后，機器人能夠準確判斷顧客的實際問題，準確地回復此類問題。
點擊圖片查看詳細內容
另一個常見的售中場景是關于活動贈品的問題。當店鋪進行活動優惠提供贈品時，顧客的提問可能不是針對商品，而是針對贈品，需要機器人通過語境來識別，防止混淆這兩個方面的提問，給出張冠李戴的答案。
這項技術不但可以應用在智能對話上，智能營銷、智能質檢、情緒識別……客服行業中還存在著更多未被開發的可能性。
對于曉多來說，這意味著他們為顧客提供的服務，向超專家級更進了一步?！拔覀儸F在可能只是把它應用在語義識別上，但后續我們在其它業務線上還可以繼續鋪開。我們把它當成一個基礎的能力，一個支撐我們整個公司的算法產品。”張翀說。
曉多也期待著，上下文語義識別可以作為技術基石應用到行業各個方面，通過推開這項技術的應用，機器人可以自動生成尺碼表，自動獲取個性化對話內容進行系統自動萃取對接等等，機器人行業一直以來由人工配置的時代可能走向終結，而迎來一個從數據中學習后智能化自動生成的時代。
