调研 | 李喆 洪军
撰写 | 洪军
随着NLP技术的兴起以及google的bert模型开源，不少新兴企业开始进入客服机器人领域，市面上逐渐出现了一大批质量参差不齐的客服机器人。其中大多数只能完成某个场景的验证，在深入做复杂场景时往往无所适从，真正具有竞争力的产品可谓是凤毛麟角。
众多企业以NLP作为噱头大肆宣传，但其中真正能经得起考验的产品却少之又少。
主要原因在于，单纯地利用NLP技术只适合于回答一些规范性的问题，例如实体属性、关系的问答，并不能够完全解决客服机器人的全部实际问题。
实际上，rule base、深度学习、NLP技术在客服机器人实际应用过程中拥有各自的优势。
rule base适用于一些常见问题的场景，通过关键词匹配、快速搜索，能够快速、准确的进行问答；深度学习适用于一些泛化类的意图问题，他能够基于上下文语义理解，更好的服务客户；而知识图谱适用于一些规整的问题，例如实体属性的问答。
因此，想要做好一款智能高效的客服机器人，只有以海量的数据为基础，在实践中运用不同技术对产品进行不断打磨，才能带来媲美人工的舒心服务。
云问 科技 基于rule base、深度学习、NLP等技术针对具体问答场景提供不同的技术，大幅提高了客服机器人的智能化水平。
云问 科技 是一家客服机器人供应商，并在客服机器人基础上提供质检、培训等增值服务，帮助企业在服务和管理上更加高效智能。
与同行业其他公司相比，云问 科技 最大的特点在于技术融合性与庞大知识库。云问 科技 综合rule-base、NLP、深度学习等技术搭建了客服机器人底层平台，并构建了一个拥有50多个细分行业的知识图谱与常见问题问答的知识库，将不同知识库内容搭载在底层平台上为金融、电商、政务等行业提供相应的客服机器人。
在服务的场景上，云问 科技 提供的客服机器人以接待、咨询等呼入场景为主，包括售前与售后环节，主要以文本形式进行交互问答，且可以进行业务咨询全覆盖，以及多群体访问。
除客服机器人之外，云问 科技 还提供企业内部人事、IT、财务等自动咨询和系统服务问答调用的智能服务平台以及实体机器人等增值服务。
目前，云问 科技 客服机器人以本地化部署方式收费，第一年运维免费提供，之后每年会收取20%的维护费用。企业内部智能服务系统以SaaS订阅方式收费，订阅费用根据API调用量决定。
客户方面，云问 科技 以金融、政府、IT行业的中大型客户为主，典型客户有国泰人寿、华夏保险、海南省人民政府、腾讯等。
云问 科技 在2013年成立之初，就采用rule
base技术上线了第一款文本客服机器人。
但单纯的使用rule base技术应用场景有限，只在一些频繁性的问题问答较为适用。于是，在2015年，云问 科技 引入深度学习技术，并上线了第一款在线客服系统，可以同时满足多人的在线自动问答，并增加了问答内容范围。
随着客户对客服机器人准确率的要求越来越高。2017年7月，融合了NLP技术的云问客服机器人上线，在一些规范性的实体属性、关系的问答情形精确度大幅提高。
现如今，云问 科技 在针对客户的需求时，已将三种技术融合的游刃有余。由于不同企业的FAQ库与知识图谱略有不同，如何在较短的时间内提供高效智能的产品变得尤为重要。而云问 科技 恰好精于此道。云问 科技 经过6年的专心打磨，已经熟知在哪些问答问题上应该使用哪种技术、哪种模型，技术转化为产品能力居行业领先水平。
在产品实际部署时，由于需要了解客户的需求，构建企业的知识图谱，因此，部署时间通常为3-6个月。而云问 科技 与中大型客户从开始接触到最终产品落地只需要1-3个月，其中产品实际落地时间往往在1个星期之内，工程化能力同样出众。
目前，云问 科技 经过长达6年的积累，已经构建了一个庞大的知识库。该知识库由50个细分领域FAQ（FrequentlyAsked
Questions）与知识图谱组成，行业包括政务、金融、物流、电商等。
知识库的建立，一方面为技术的优化提供数据基础。另一方面，将不同行业的知识库与底层客服机器人系统相结合，可以快速实现不同领域的产品落地，加快市场拓展进程。
此外，云问 科技 目前服务的典型客户包括国泰人寿、华夏保险、腾讯等，示范效应显著，良好的口碑也为云问增色不少。
以客服机器人为切入点，向企业内部智能服务场景延伸
未来，云问 科技 将以智能高效的客服机器人作为切入点，与企业建立友好合作，并不断深入挖掘企业其他智能服务需求，提高客户的LTV。
若只提供单纯的客服机器人，其客单价往往不高，单个的客服机器人价格在10-100万之间，具体根据企业的产品需求而定。客服机器人为一次性付费产品，之后每年会收取10%-20%的运维费用，但收入都相对较少。
因此，云问 科技 需要不断挖掘客户需求，提供更加丰富、智能化的产品。云问 科技 将会和一些大型企业，包括美的、海尔等进行深入探讨，挖掘他们的需求，方向上包括企业内部IT场景、员工培训、企业知识管理等。
考虑到后续在企业需求扩展时，多为定制化产品情形，云问 科技 把软件做了很好的分层，通过构建通用底层平台，从而能够快速为不同企业提供不同产品。
爱分析从技术、场景理解、客群、获客等四个维度对云问 科技 进行评价。
技术： 2013年开始做客服机器人，综合了FAQ、深度学习、NLP三种技术为客户提供最高效的客服系统，经验丰富，技术较强。在针对不同客户的FAQ与知识图谱时，知道采用何种技术和模型解决特定场景下的问题，使得提供的客服机器人精度更高。
场景理解： 公司所在客服机器人领域，产品需求旺盛，市场规模为千亿级。想要做好一款智能高效的产品较难，技术与数据将会是核心竞争点。公司经过6年的积累，形成了50个细分行业的知识库，不仅能为模型优化提供数据，还能加速产品落地，扩大市场占有率。
客群： 以中大型客户为主，行业覆盖金融、电商、政府等，典型客户包括国泰人寿、华夏保险、海尔、美的、腾讯等，示范效应显著。中大型客户比小型客户对客服系统的需求强烈，客户粘性强，付费能力强，可深入挖掘空间大。
获客： 以直销为主，销售人员为50人。公司成立6年，中大型客户300家，SaaS型订阅客户数量数百家，客户数量较少，获客能力有待加强。
近日，爱分析专访云问 科技 创始人兼CEO王清琛，就客服机器人发展趋势与云问 科技 业务发展进行了深入交流，现摘取部分内容如下。
爱分析：在场景选择上，为什么云问 科技 选择接待机器人而不是外呼机器人？
王清琛： 主要是因为不同公司的 历史 发展和技术侧重点不同，例如，如果一家公司以前是做语音的，就很容易从呼叫机器人切入，但我们之前是做文本识别的，就容易从文本切入。
外呼场景相对来说比较容易，因为他们都是有目的、有话术、相对封闭的场景。但是呼入场景很难做深。呼入机器人需要有强大的知识库做为支撑，当一个电话呼入进来，对话不可控，用实体、边的属性很难实现全部的对话功能。所以做呼入机器人不仅就需要NLP技术、以及强大的知识库，还需要其他能力，这样才能把整个问答过程支撑起来。
爱分析：在实际落地时，客户完全会用客服机器人服务，还是一些简单的场景让客服机器人去做？
王清琛： 这些情况都有。主要是市场对客服机器人的认知度在不断变化。现在的发展趋势由原先的以人工客服解决为主转化为以智能客服为主。
例如，以前，客户会在人工客服下班的时候使用机器人服务。后来，逐渐在人手不够情况下使用机器人。现在大多是先使用机器人进行服务，在无法进行回答时再使用人工。未来预计会慢慢的只在有客户投诉的时候再使用人工客服。
爱分析：云问 科技 是只做客服机器人本身，不做在线客服系统和呼叫中心吗？
王清琛： 对。我们一直都是只做智能这一块，包括语义分析、语义理解。
爱分析：云问 科技 一直不做偏人工客服系统的原因是什么？
王清琛： 云问从一开始觉得，智能是未来的方向，我们会投入更多的精力在这方面。而在人工客服系统方面，无论从运营、渠道角度，都有很多厂商在做，我们也就没有过多涉足。
爱分析：现在最终判断客服系统与场景结合程度好坏的指标有哪些？
王清琛： 指标有很多，大型客户在招标问答系统时都有一套评价体系，主要包括多轮对话的轮次、语义的识别、模糊匹配、知识的理解、语义的泛化。
爱分析：现在一套中大型的客户，部署周期需要多长时间？
王清琛： 大概需要1-3个月，主要时间花费在与客户沟通交流，了解客户的需求，构建他们的知识图谱。我们会基于我们的方法论构建一些通用的知识图普，然后会为企业构建一些深度的企业知识图普。
爱分析：云问 科技 认为rule base、深度学习、NLP技术厂商都可能会转向客服机器人领域吗
王清琛： 任何一条路的可能性都有。在我们看来，不管是分词技术、还是用自然语言处理的技术做一些特定语的提取，都会解决某一个环节的产品，但不能解决整个问题。
客服机器人是一个技术的结合，不同的环节用不同技术效果会不一样。我们更多的用底层技术打起，从最底层分词的技术做起，提供整个的一套服务，我们服务对话机器人在问答效果上优势明显。我们认为主要原因是技术的融合，而不是某一项技术引领行业的发展。
例如，我们在做意图识别，遇到过一个超过200个选项的意图识别。当时尝试了很多算法，最后选择了深度学习算法，他的算法效果比其他算法准确度高十个百分点。
爱分析：在2017年之前，云问有用到知识图谱技术吗？还是等知识图谱技术成熟了之后再用？
王清琛： 知识图谱技术一直存在，高校也一直在研究。2017年开始有应用在机器人方向的导向。但是，知识图谱适合在特定场景下使用和擅长场景，并不是全部适用。知识图谱我们很早用过，但是在技术链中，他只是其中的一个环节，不能替代全部。
爱分析：用NLP技术应用在呼入场景时，会有哪些问题？
王清琛： 如果只用NLP技术解决呼入场景时，会使得效果大大削减，它可能只是在某一些场景会有好的效果。因此，需要针对用户具体的问题使用不同的方法，知识库会作为基石，但上面需要叠加很多的不同技术。
爱分析：机器是没有常识的，云问 科技 这边有什么解决方式？
王清琛： 随着技术的进步，未来一定会有相应的产品出现。我们也会构建，主要依靠知识库的积累，现有的数据来源比如有FAQ的数据，非结构化的文档资料，结构化的数据，通过NLP技术也可以快速的搭建针对问答的一套知识库。未来，将会去做知识库的自动理解和自动构建，这也是我们一直核心研发的智能辅助型的工具。
爱分析：多轮对话会是技术难度更高的一个点吗？
王清琛： 多轮对话的复杂度高，相对来说难度点是既能实现不同场景的多轮对话，又能满足高度定制化的需求。单纯的多轮对话技术难度不是很难，主要把各项NLP技术做一个综合的融合，就能解决这些问题。所以具体环节的落地更多的是工程化的工作，只做纯技术不结合业务还是不太适用。
目前我们能够完成10-20轮之间的多轮对话。
爱分析：去年google开源bert技术，会对行业会产生什么影响？
王清琛： 我们其实已经在逐步看到bert在行业内的影响力，云问目前已经在开展这方面的 探索 ，初见成效，相信未来bert潜力无限。
爱分析：云问 科技 未来的发展规划是什么？
王清琛： 主要还是一点：AI变革企业服务全链条，包括企业的对内服务以及对外服务各个环节。
我们将侧重于深耕客服机器人在各个行业的业务场景、机器人理解的能力、以及是否能给企业创造更多的价值。现在我们已经安排业务人员对各个行业进行深入的调研，了解各个行业的痛点。我们也将制定全链条全环节智能化的解决方案。
爱分析：云问 科技 下一步往企业内部延伸，具体打算怎么做？
王清琛： 我们会和一些大型的企业，包括美的、海尔等，做一些深入的探讨，方向包括企业内部IT场景等。我们接触的很多客户都是大型客户，他们的业务数据异构程度、应用场景都比较高，这个会导致定制化产品比较重，所以我们把软件做了一个很好的分层，对于未来发展方向并没有限制。
爱分析：在多维表格方面，云问 科技 和一些金融公司做的方向是一样的吗？
王清琛： 我不太评价别人是怎么做的，我们是基于知识场景出发，去做表格理解、解读的能力。基于NLP技术，针对表格做一些深入化的理解和产品功能的提炼。
爱分析：云问 科技 后续会提供质检系统、销售系统等吗？
王清琛： 会的，只是目前我们主要精力还不会放在这些方面。
爱分析：云问 科技 会考虑NLP应用在其他场景吗？
王清琛： 我们会考虑做一些行业的定制深入优化，通用性不会那么多。今年云问已经成立了某些行业的业务线，做这些行业的深入挖掘和深度定制。
我们下个阶段可能会探讨NLP在保险、公共事业服务、交通物流等场景的产品落地。
NLP是自然语言处理（Natural Language Processing）的缩写，它是一种计算机科学和人工智能领域的交叉学科。其目标是让计算机能够理解、分析、生成自然语言，并与人类进行有效的交互。
教练技术则指的是一系列用于辅助个人或组织实现目标并提高绩效表现的方法和技巧。这些方法包括了心理学、行为科学等多个领域中所涉及到的知识和技术，旨在帮助被辅导者发掘潜力、制定目标并达成它们，同时也有利于增强他们在职业生涯中所需具备的各种能力。
人机对话根据对话轮次，可分为单轮和多轮；根据对话目的，可分为任务型和闲聊型；
按应用场景可分为三类：
1) 单轮的问答系统
一问一答的形式，对用户的问题给出精准的答案。
如天猫的客服机器人介绍产品，退换货流程等信息，可取代有标准化答案的人工工作。
单轮对话只涉及简单的上下文处理，可通过指代消解和 query 补全来完成的。单轮对话的技术主要是信息检索，当问题有多个候选答案时还需要一个基于机器学习的排序系统。
问题可分为以下几种类型：
a) 事实型问题
如：天空为什么是蓝色的？
b) 列举型问题
如：美国历任总统
c) 定义型问题
如：什么是人工智能
技术原理(待补充)
2) 开放领域的聊天系统
如聊天机器人小冰、Siri、出门问问、科大讯飞、度秘等等，智能音箱的闲聊；
技术原理(待补充)
3) 特定领域任务驱动的多轮对话系统
如语音生活助手：订机票，酒店，查路线，查附近美食；
如订火车票，机票，酒店，这些日常生活领域，人们的需求目的是信息查询及订购。需要多轮交互，通过给用户提供选择，询问领域相关的限制条件，澄清或确认需求等手段，推理用户意图。所以
任务驱动的多轮对话不是一个简单的自然语言理解加信息检索的过程，而是一个决策过程，需要系统根据当前的状态决策下一步应该采取的最优动作。
技术原理（待补充）
以上就是关于单凭NLP撑起客服机器人恐怕你对NLP有什么误解 | 爱分析调研全部的内容，包括:单凭NLP撑起客服机器人恐怕你对NLP有什么误解 | 爱分析调研、nlp和教练技术是什么意思、NLP人机对话系统应用场景及技术等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
