在刚刚过去的双11消费狂欢节中，巨大的交易订单数再创新高，集中式爆发的咨询需求背后，一个全新的潜力市场正在浮出水面。阿里机器人客服小蜜、京东无人客服、苏宁苏小语、网易七鱼等智能客服，成为了这场电商大战幕后的重要角色。显然，AI的战火已燃烧到每一个客服坐席之中。
大多数人应该都有过这样的经历：使用某平台的服务时遇到问题，接入客服电话后却是长时间的等待音；费尽力气接通人工客服，却常常收到人工坐席忙，请稍等的提示。晚上终于有时间想购物，但在线客服的头像却已显示为灰色。
如今，这种令人恼火的状况正在变得好转。无论是打开淘宝、京东、携程、美团等众多生活服务平台，还是使用银行APP和微信服务号，智能客服系统已经做好了准备。当用户遇到困难时，还没开口问，智能客服就能提前给出一系列常用问题及其答复。
原因很简单，在消费者的问题中，有八成以上都是一些高度重复的问题，只要智能客服的知识库数据足够全面，智能客服对问题的解决至少能令一部分用户满意。相对于传统人工客服体验的不尽人意，智能客服在应对每天大批量的用户提问上，其服务效率已远超人工。
对于企业来说，智能客服的成本只相当于人工的10%，大规模使用智能客服系统，一年大约可以节省数千万元的成本。更不用说智能客服24小时在线，永不疲劳，情绪稳定，对于越来越看重服务体验的企业来说，无疑是一个巨大的福利。
智能客服真的智能吗？
被互联网巨头、大型金融机构和运营商大力拥抱的智能客服市场，正在变得炙手可热。据咨询公司艾媒咨询2015年的行业现状分析，中国客服市场的整体规模已经超过千亿人民币。与之相呼应的，是两年间突然涌现的大批智能客服和智能问答相关企业。
由此，隐藏于B端的智能客服市场迎来了新挑战与新变局：既有深耕智能客服领域多年的资深玩家，如小i机器人，也有TTS相关业务衍生而来的AI技术企业，如科大讯飞、捷通华声，还有从手机助手业务转型到智能客服领域的企业，如智齿、云问，以及大量的新兴创业公司等。当然，在这场技术盛宴中同样少不了BAT的身影，巨头们对改造传统企业客服市场展开了实际行动，接连推出自家的智能云客服产品。
面对市面上形形色色的AI技术公司，问题随之而来。各大服务商纷纷声称自己的智能客服方案技术领先，对外宣导的产品功能非常强大，但事实上真的如此吗？
看似简单的智能客服系统，其实背后有多种AI技术作为支撑，涵盖自然语言处理、数据挖掘、语音识别、图像识别、机器学习等多个领域，是基于文本、语音和视觉统一建模的深入交互。智能客服系统对多种技术的综合应用要求极高，因此实际业务的应用将真正考验服务提供商的能力。
伴随着智能客服大量涌入，不同服务商的实力差异也凸显出来。入门级的智能客服，大多数服务商都能提供，一般以云的方式交付，其特点在于对准确率的要求不高，能够简单帮助人工客服降低工作量和工作压力。虽然目前市场占有率较低，但因为产品和服务较为简单，其费用相对较低，对于部分企业来说也是一种选择。
如果企业需要AI能力更强，具有更高的语义识别准确率，更进一步，能够把智能客服引进来之后，构建一个大的AI平台，以客服中心这个企业最主要的信息来源部门为基础对业务底层进行全面的智能化升级，这就需要小i机器人等技术实力更强，行业经验和知识沉淀更多的大公司。
对于消费者而言，接入客服最核心的需求在于解决问题，沟通是否顺畅，客服是否理解用户的意图并给予准确的信息，都决定了消费者对服务的满意程度。
不难发现，在某些情况下消费者对智能客服并不买账，比如：用户在提出一些开放式问题时，有的智能客服只能给出简单的单轮回答，类似搜索查询功能，得出的答案机械呆板；当用户使用自然语言提问时，口语化的表达方式令很多智能客服并不能理解问题的涵义，答非所问，带来的体验是人机交互远不如人与人之间的交流来得顺利和深入。
如何选择一家靠谱的
智能客服供应商？
现实中的智能客服表现参差不齐，其原因在于要实现客服的智能化，语义理解功能是一项核心技术。
机器如何理解一个词语、一个句子、一段对话的含义，如何分析句子里包含的情感，都与之息息相关。这其中既有语言学的基础，也有AI算法和模型的技术要求，同时还会通过大型高质量的语料库建设，以及各种知识库的辅助，来提升智能效果。自然语言处理，尤其是语义层面的理解和分析，可以说是一个国际性的技术难题。
针对各家都宣称自己AI技术领先的智能客服企业，到底如何来判断其真正的核心技术水平和业务实力？我们可以从三个层面来观察：
首先，从技术实现方式看，多轮对话和场景处理能力最为直观地考验了AI的应用能力。目前大多数智能客服企业都是基于搜索的方式实现FAQ类单轮问答，并没有上下文和场景处理能力。
换句话说，如果消费者的提问刚好在提前设定FAQ的范围内，那么智能客服看起来一切正常。一旦问题超纲，或者需要应对的场景稍微复杂，那么这类智能客服就基本失效，回答得驴唇不对马嘴。
还有一部分企业宣称使用深度学习的方式进行问答处理，通过一定量的问答对训练后，系统就可以处理所有日常聊天类的对话。但在实际领域的应用场景下，由于深度学习下机器回复内容的不可确定性以及不可控制性，也决定了这类系统真的是只能应对日常聊天，而在商业环境下基本无法实际应用。
事实上，由于语言学本身的复杂性，想要在语义理解上取得比较好的效果，仅仅通过关键词搜索的方式或者使用深度学习都是不够的。
各家企业在具体实现时有自己的算法模型，抛开效果说模型孰优孰劣没有意义，但有几个特征倒是可以参考判断：是否支持全渠道多维度的交互框架？是否能解决多轮对话、动态场景、多意图理解等一些在人类对话中必须会碰到的问题？总体一句就是否适配实际应用场景？
其次，从语料库的积累看，建立一个高质量、高扩展性的语料库，并在此基础上通过各种渠道获取尽可能多的行业问答知识，建立行业知识库，在某种程度上代表了AI企业在智能化方面的实力。
语料库是智能客服寻找答案的来源，语料库覆盖面越广意味着机器可以回答的问题越多。用户所提的问题的形式通常都是非标准化的，同一问题的问法多种多样。
比如，当用户想查询自己银行账户的余额，提问的方式可以是我还剩多少钱、帮我查下账户余额、卡里有多少钱......其表现形式可能是文字或者语音，因此必须将各种形式的问题归一化，以便同知识库中的标准问法相匹配，这就非常考验企业在语料库和知识库上的积累。
事实上，要提升在语义理解上的准确度，需要对基础的语言学和基础词类等进行复杂的梳理，同时依赖大量的高质量标注数据供机器来学习。而语料库和数据标注要达到满足实际应用的需求，这可能需要数百人花费数年的时间才能够积累完善。
这点在国内智能客服市场占有率最大的小i机器人身上体现最为明显。从2006年到2015年之前，在智能客服领域深耕的可以说只有小i机器人，因此小i机器人才拥有了全球最大的领域语义库、行业知识库。十多年行业项目的验证和优化，令小i机器人能够在智能客服的基础上为客户提供平台级服务，这种资源和经验的积累也为小i机器人的市场竞争建起了护城河。
最后，从核心技术壁垒看，AI企业的核心竞争力并不在于算法本身，而在于其工程化的能力，在于领域的积累、大量的实际项目和应用积累的行业经验。
自然语言处理、语音、图像、数据挖掘、机器学习等都是20、30年前的基础理论和通用技术，但是基础的技术和算法不能直接解决任何实际问题。实际应用场景下，具体应用是需要多种技术的综合应用形成有机的系统，从而实现组合式创新。
就好比软件，每个软件产品在具体的技术方面不会有太大差异，但是经受过足够多的行业积累和实施经验的软件产品，才是最终成功的软件产品，在AI领域也是如此。
目前国内的智能客服市场上，拥有多行业跨场景的应用实践且具备AI平台化能力的服务商屈指可数，基本集中在BAT等互联网巨头和小i机器人、科大讯飞等垂直领域AI厂商。在不同的场景下，各家在细分领域下的表现也各有不同。
对于创业型的公司来说，这种基于丰富的行业实践打磨出的系统化AI平台能力，可谓是一道坚固的护城河，很长一段时间内都难以超越。
来自智能客服领域的挑战
在业界人士看来，目前智能客服的市场仍处于萌芽期。虽然已经站在了风口，市场潜力巨大，但与此同时，萌芽期也就意味着整个产业还不够成熟，智能客服领域还面临多方面的问题。
一是，综合能力强的算法研究人员紧缺，特别是缺乏工程化能力强的人才。虽然企业可以通过大学和科研机构合作的方式缓解一定的问题，但是并不能解决根本问题。
二是，AI热带来了一定的投资泡沫，一部分互联网创业公司为了顺利拿到风投而夸大宣传，本来只能做到1分，很可能会被夸大成可以做到10分，通过讲故事让所有人都信以为真，引导市场对于AI产业产生过高的期望。
值得注意的是，1970年和2000年前后的两次AI低谷，都是因为外界对于人工智能的期望太高，技术无法满足，导致热潮过后大幅冷落，相关投资和经费急剧收缩，AI技术发展停滞。所以AI产业要健康发展，需要企业更加脚踏实地去解决实际问题。
最后，部分新兴创业公司为了进入市场，快速树立成功案例，以不计成本的方式恶意竞争，同样扰乱了整个行业的秩序。高成本的开发费用和低收益带来的差距越大，从长远看将导致行业的不良发展。
这个时代不缺乏能够实现算法或者开发原型的开发者，但是缺乏能够耐得下心对产品进行仔细打磨和优化的匠心精神。算法本身容易被超越，而整个有机系统的形成，不但需要大量长期持续的研发投入，也必须经历足够多的项目和真实应用场景的磨练。尽管诸如蚂蚁金服、小i机器人等企业在人工智能商业化落地方面已迈出了一大步，但整个人工智能行业距离真正崛起，还有很长的路要走。
发表评论 取消回复