【客服节】茆传羽：“AI+知识”的下一代智能客服

首先，我觉得在传统的服务系统，现在其实大家已经陆续的都建立起来了，这些系统建立起来之后如何能够在下一代让这些系统发挥到最大的价值，我们就要讲到刚才客服他最大的本质就是解决问题，如何帮助他很好的，很高效的，很便捷的解决问题，就是知识的建设。

知识有几类：

第一类，文档，就是你的结构化的数据。

第二类，经验，我们经常说的隐性知识，存在于客服的脑袋里。

很多时候有些客服中心的领导希望能够把那些解决问题很好的一些客服经验让大家很快的去复制到其他的客服当中去，这就是我们所说的经验。客服中心现在已经完全不是一个孤立的部门，跟所有的部门都要整合，都要关联在一起，这些所关联的节点我们认为是数据。最后一个，引擎。如果我们要去拥抱智能的话，我们要去关注你引擎的数据现在积累的怎么样，你的引擎一些语义库现在建立的怎么样。

云问题出来，如果这个客服中心想要转型的话，大家现在想从成本中心转成利润中心，我们认为如果客服中心要去转型，应该要转型到知识赋能中心，他可能会去赋能我的营销部门，赋能我的一线解决问题的这些团队，赋能我的用户，但是他一定是靠底层的知识去做这样的赋能。

我们用这样的案例图做一个讲解，比如说线下有做电子业务顾问，有你的一些用户，可能有大厅的服务人员，甚至是你的管理者，他们会有很多关联的系统，他们在这些系统上会产生一些业务的办理也好，或者是业务办公。那么，关联起所有节点核心的东西是什么？就是知识中心，这也是串联起所有客服环节里面最关键的节点，如果有一个很好的知识中心的话，你的智能服务就已经做好了一大半。

首先我们看，大家都在讲全渠道的客服，智能客服的核心是什么？当然我们有各端的入口，现在有机器人、人机协同、智能工单，但是这里面有两个非常核心统一的一个底层支撑单位，一个是智能知识中心，一个是AI能力与训练平台，这两块对我们客服人接下来提出了一个更高的要求。如果是知识做赋能，可以赋能到哪些环节，第一个是大家熟悉的机器人，我们对机器人里面的运营已经非常的了解，你在做知识去赋能的时候不光是推荐一个知识点，这种知识的个性化，这种知识的传达有效化，包括你在做知识交互过程当中的友好化，这个知识你想告诉用户，其实这个智能不一定体现在机器给你回答的那一刻，可能在知识交互、知识呈现中已经帮客户把这个问题解决掉。

AI+知识可以赋能客服实时效率的提升，包括如果我的客服在服务的过程当中，不管你是通过在线还是电话去接听服务，对这个用户的画像，对这个客服当前知识的赋能，对这个客服调用系统的自动化，对这个客服解决知识的查询，其实有很多环节都是跟知识中心有关。大家记住，我刚才提到的知识中心，不光是有知识，还有数据，客服怎么样才能便利的解决用户问题，昨天嘉宾分享的非常好，如果这个客服现在听到一个用户说我的订单到哪里的时候，最好是告诉他在哪里，而不是说让他再等等，这就是整个赋能的时候你的知识中心构建的怎么样。

还有AI+知识赋能培训效率的提升，如果你建好了一个很好的知识中心，你可以通过这套知识给你的客服做策划培训，自己出题，自己考核，这样子的一种考核不是泛泛的，一定是根据每一个人的特点自己做主题。像现在K12的人工智能教育，他做一份卷子看到你可能不会哪些题，就在这些题上面多做一些推送，让你不断的了解这块的知识。

再比如说，AI+知识赋能，有些制造业的企业经常一线会有一些维修工人、业务人员，不光是我们的用户，这些人员也是客服服务的对象，而且这些人提的问题一般会更专业，很多公司会单独设立，可能专门解决这些人的问题。所以，如果你建立一个很好的知识中心，你就可以帮助他打造一个自己的企业内部知识的精准头条，这个人他从入职开始到他的各种阶段，比如说这个人是修地铁的，车头也好还是车尾也好，会根据这个人的特色给他推送他应该要去学习的知识类型，其实服务不光是要去做这种，你要问问题我才告诉你，而是把他的问题产生之前，我可以告诉你将会遇到什么样的一些问题。

现在还有一个非常好的做法，AI+知识的主动服务。现在有些用户其实不会在客服平台上提问题，或者来提问题会给你服务造成很大的压力，因为要一对一去解决他的问题，比如说洗衣机用了什么问题的时候，肯定先去百度一下，或者是说如果我主动做一些很有意思的抖音什么的，他是1对N的，常见的一些问题他的效率是非常高的，如果我有智能化的手段，他有什么样的问题主动做一些解决，其实就可以做到。

这个还有比较关键的点，也是接下来技术非常核心的部分，AI+结构化知识的查询能力，知识库有非常多的类型，文档，还有结构化的数据。如果一个产品有名称、出厂日期、价格、有效期等等，如果我想把他编辑成一个用户可以随时提问的知识，通过知识库很难去做到，通过AI—2，这个事情就变的非常方便，比如说出厂日期在几月几号，之前的产品有哪些，他比出厂日期多少之后的贵多少钱，这些都可以去通过智能数据加工完成，这些其实都离不开对于知识的高效AI处理。

接下来给大家分享一下如何去构建知识中心，我们倡导的是以知识AI加工增加解决问题的效率，云问跟某个电力行业的客户，因为我觉得他是最有代表性的场景。首先，云问在去年的时候提出来客服动态的思想，我们认为思想不一定说非要按照这个系统实施，AI中台有一个知识中台架构，包括知识运营能力、知识加工能力、知识AI能力，知识库的平台，以及对知识数据的分析能力，以及你的管理结构，知识运用场景，你要想清楚这些知识会用在哪些地方，将来把它赋能到更多的地方，这个也是我们客服新的定位的问题，一定要解决好，这样才能提升我们在企业里面的价值。

给大家讲一下背景，有这样的一个电力公司，他的设备非常多，他的知识中心在建设过程当中大家可能有一些共鸣，你的信息分布散乱，比如说你可能分布在更多的系统当中，你的技术处理的手段也很有限。比如说，可能检索的时候不是很方便，设备的这些知识还不断的在更新，你可能引入了一个新的设备，可能这个设备作为更新换代，知识不断的进行变更，包括你的运营管理有没有很专业的，服务能力、运营能力可能都比较欠缺。在这种情况下，我们怎么通过一个很好AI知识中心来去做构建呢？

首先，数据的底层，数据划分知识会有几种类型，第一个是非结构化的数据，包括文本数据。比如它的巡检，定期检修设备报告，包括自己出台的标准规范，以及一些媒体数据，比如说出厂设备的图纸，故障的图片，培训的视频，可能不局限于简单的文本。

第二个，办结构化数据，它有一定的格式，填一个申请单，工作牌，操作有哪些票据，这些有固定的格式，但是它里面所填写的内容有很多。

第三个，结构化数据，比如设备的台帐，巡检记录等，为什么非常详细讲这些东西，希望我今天的分享能给大家带来帮助，我们自己可以思考一下，这三类数据非常有哪一些可以关联到未来的客服系统当中去。这个时候就要通过AI的手段去做，比如说通过知识构建的时候通过拆解去做，把整个一篇文档数据转成PDF数据也好，或者是段落数据，把大的篇章知识转化成原子节点知识。

数据录入工作，其实这些录入的工作没有给大家展开来说，包括它可能会有知识图谱的录入结构，建立你的图知识库，建立你的D2R，最后要把它录成你可以清晰去理解的一些结构化的类型，最后形成一个整体的知识中心，通过架构知识中心，可能包含数据底层，包括你对接的系统，比如说你的TTS、ASR系统等进行划分，因为你在调用的时候这些数据是非常重要的，包括你数据的文档哪些做存储，还要建立AI引擎，包括我刚才讲的训练的引擎，包括你存储的一些方式，文本处理的技术，这些都是要去建立起来的，这边在我们文章中叫做AI中台，下面还有一个数据中台，你要去更好的管理起这些数据。再往上就是知识中心，比如说你的百科、云库，你的生命周期库、知识图谱，再往上面就是赋能和运用，如果你把这些底层架构好的话，知识能够去用到这么多地方，希望未来客服人把这套做起来之后，我们就能变成首席知识官。因为企业里最重要的就是知识的沉淀，当这个人走出大门外的时候，这个人的知识还能留在你的公司，我相信任何一个领导都会比较喜欢。构建起来之后就是这样的结构，我们公司的公众号大家可以扫码去回复知识图谱，可以看到里面很详细的记录文档，包括你的文档、类型、名称，基于这些点构建起整个的知识图谱。

这里讲到了接下来的一些运营，我们用我们最擅长的给大家举例子，我们怎么样才能够把机器人运营的好呢？在后端建立的时候很复杂，需要很高的能力，但是在前端运营的时候尽量简化，所以我们出了体检报告，我们会有自己的知识诊断，跑出来之后会告诉你在哪里建的不好，比如说分类是否合理，知识可能在哪些环节上做的不是很好，全部把这些东西出来，就像系统体检一样。紧接着，在做机器学习的时候，尽量完成自动化的过程，比如说拾贝，可以从服务记录里面发现可能存在的知识，把它的关联关系列出来，可以用一个你OK的知识点合并成一个。

首先，我昨天跟客服聊的时候，为什么我们在做整个智能客服的时候效果不是很好，我觉得你们第一步没有做，你要做你的领域数据库，这个时候可以通过机器手段找出来。比如说家电行业它的分类，比如说电视分类。第一类是电视，比如说液晶的还是什么类型，型号是什么样的，去做到这样的关联关系，建立底层的这些数据库对我们未来的数据检索、知识检索是非常有用的。

知识冲突动态检测，用户也经常反馈，你看我机器在运营的时候，最后系统里面有好多知识挂了不同的人在维护，大家怎么去做冲突的检测呢？你通过系统去做一些工作。

这个地方要着重讲一下，再次给大家呈现这样一个概念，知识的含义里面还有一个对于引擎的知识，我们在构建知识库的时候不要忽略了引擎要去用到哪些知识，比如说你的参数库，你的词的上下位的关系。打个比方，我要装一台电视，我要问你电视的型号，或者你是在哪个店购买的，或者是现在地址是什么，需要我们有底层库，有品牌参数库，不管你将来在质检的时候，在做产品故障问题分析的时候，还是说在整个质检培训的时候，这些都是可以做到很好的调用，所以底层构建的隐形知识库也很重要，会为AI做赋能的时候提供很好的帮助。

构建很好的知识底层就可以在上层做很多应用，这也是客服很痛苦的，做一个什么样的应用都要跟厂家说，包括AI开发，如果有这个能力自己可以做一些应用。   

线上问答、知识训练到知识库里面的一些做法。

AI的知识引擎如果已经构建出来之后，我们怎么样能够利用好这样的引擎做好数据运营，这些数据的运营可以帮助我去做到一些决策和支持，不光我的客服是发现我一些问题，我还可以给我的这种营销的决策也好，管理的决策也好，提供一些辅助。

首先，之前讲了NLP的能力中台，包括底层算法层、模型层以及能力层，如果你的能力层构建起来之后，上层的应用都是通过能力的架构完成一些应用。比方说，我以某个家电的行业全平台的评价分析中心来举例子，现在很多企业都会面临一个问题，客服现在只能分析我客服的一些记录，知道大概可能存在什么问题。但是，我的信息源能不能更广，比如说我的信息源有社台信息、微博信息、用户反馈、内部工单系统，我把所有的系统并联在一起到中心里面去，把这些节点做一些分析，通过之前构建好的知识运营架构做一些分析，这个时候我们就可以赋能到很多的服务场景，比如说你行业口碑的改善，我发现这个地方有一些，我们主动的去做支持，或者是用户的投诉在哪个地方，直接去干预，这样就可以把整个企业的信息舆情也好，包括评价也好，放在一整个平台上做关联和分析，也可以让他去关联节点。

比如说，现在很多企业会做NPS，如果我们发出去很多的NPS调查问卷，我们怎么能够发现这些NPS调查问卷里面所关联的信息节点呢？比如说有的一些数量统计，最基本的数据统计在你的平台上面，我们可以看到有哪些标签上面是排名比较高的，是我们要去解决的问题，比如说你的标签的分布占的比较高，标签关联关系，比方说你的配件标签跟服务态度是很相关的，很多用户在受到维修人员服务态度不好的时候可能都会去提到他是因为配件价格贵，所以两个标签不同的关联关系会让你在解决问题的时候发现新的问题，不然你老是会觉得就是因为维修人员态度不好，但是他为什么态度不好，本质可能是配件价格的原因，所以你要在这方面做一些调整或者是话术上的调整。

最后，给大家介绍一些云问的信息，一直都专注在智能语音与交互的技术上面，到目前有300多家KA的用户，每天数据交互量超过一亿，也是智能助理小组的牵头人。

这是我们服务的一些用户。

基于AI+知识的全面服务，云问有一个比较有情怀的词语，这些都是从古文当中抽取出来的一些跟我们相关的词汇。比如说雅言，官方普通话，司南就是我们的一些方向，杏坛就是传播知识的地方，星秀就是客户需要我们去关注他，玲珑是客服助理等。最后，总结一下，云问我们希望根据客户的需求去做AI的落地，不是抱着单一的产品去做企业，比如说你企业的知识、服务特点深度定义整个策略，符合你的场景，所以为什么提出来AI+知识，通过你的知识就能了解AI的特点是什么。所以，我认为一家合格的智能应用公司首先应当是一家AI咨询公司。最后，希望用AI和我们客户一起去做下个时代最伟大的企业，谢谢。