摘要：
本文主要从知识型智能客服架构、智能知识客服应用、知识智能介绍三个方面分享“以知识智能升级服务新业态。”
本文摘自云问科技联合创始人&COO茆传羽先生在2021(第六届)中国客户联络中心行业发展年会上的演讲分享，本文从技术角度聊一聊知识智能如何赋能服务升级。
云问是业内最早一批倡导“AI+知识中台”的智能客服体系变革的公司，致力于为中国智能客服市场领导者梯队提供行业级的AI+知识客服中台解决方案。同时，云问参与了国家六项人工智能标准的研究和制定，包括智能助理、一二三级智能分级体系等，并获得了近百项国内人工智能与智慧客服大奖。
本文主要从以下三个方面分享“以知识智能升级服务新业态”：
1. 知识型智能客服架构；
2. 智能知识客服应用；
3. 知识智能介绍。
01
知识型智能客服架构
1.知识的生产和应用是智慧客服运营的关键基础
产品知识的应用、经验案例的应用、新员工的培训和成长都离不开知识。比如说，智能服务，首先要让客户的响应时长减少，这之中会产生大量的问题，这就需要依靠智能问答来解决。同时，客服在服务场景中，实际上是调用企业的知识、经验加以理解传递给用户，如何通过知识服务提升效率是非常重要的一点。
同时，企业会积累大量的评论数据、评价数据、服务数据以及舆情数据，这些都是影响服务决策的重要数据来源。因此，如何通过服务数据的有效分析来提升客户体验，这也是与知识息息相关的。评论、评价本身是知识的一种类型，这些我们称之为对外的知识服务。
对内，知识用于企业内部的支撑。例如很多的快消行业，一线业务人员通过内部的知识支撑服务快速提升自身的业绩；客服人员借助知识沉淀进行人才培养；在生产研发设计中，对知识架构进行补充。例如汽车行业，收集一线的服务知识应用到下一次车型的设计上；工业设备类的厂商，除了服务一线的用户外，还有支撑一线业务的检修人员以及设备的维护人员，帮助他们提升工作效率。
因此，我们非常倡导以人为中心，在不同的场景和对象上，以场景为诉求的立足点，利用智能知识管理，优化客服运营的整体工作流程。不仅仅是服务，还有整个公司的运营流程。
2.围绕智能知识的智慧服务产品矩阵——Y-ASK
以视频交互的形式的方式展开，这当中包括智能机器人、语音助理以及虚拟数字人。榫卯，是把我们所有底层的AI能力和NLP能力全部开放出来做文本分析开放平台，包括NLP与数据训练开放平台。我们不但关注前端原则化的知识应用，更关注后台对于AI数据的训练和管理的通用架构。如果客服人员之中有机器人训练师或标注人员，他们做完数据之后，可以给企业里的IT研发去提供NLP数据支撑。这就是榫卯平台诞生的初衷。知识型智能客服，包括智能客服一体化平台、智能质检平台、客服知识库、智能对练机器人、客户体验分析平台。具体流程包括从统一的智能服务平台开始调度，到不同的专家，在线客服，做业务的融合，做辅助、录工单，加之底层的数据融合做支撑。我们独立成立了knowledge plus知识的行业职能场景，它会根据行业背景来展示对应的知识图谱的技术。智能知识客服应用主要分为两大类，第一是通用型的应用，第二是行业垂直型的应用。包含客服产品：文本机器人、在线、电话、工单、智能辅助包括一键报修等等，我们会通过平台能力去做训练。更重要的是底层数据加工的过程：从各类型的知识数据出发，比如像业务专家隐性的经验知识，业务的操作手册，以及一些结构化的数据知识：用户的信息、产品的各类数据。这方面我们不仅要把它加工成可供客服直接搜索调用的知识，在做千人千面推送的时候也需要把知识和数据结构结合起来去做人物的画像。我们着重处理知识工程这一步，比如说像自动拆解、图谱构建、自动录入、知识共创，尤其是在集团型企业中，很多部门都在参与知识的生产，如何把这一套平台统一起来，是我们现在做的一个非常重要的重点，就是我们知识统一化管理。云问知识型智能客服主要定位知识密集型行业，比如多品类的电商，或是政策类型比较丰富的，一定是对知识的加工非常有痛点的。比如像工业设备类知识管理平台，我们要从集团的上一层，比如说要做汽车，肯定要和后面的整个车型的管理数据进行关联，这就涉及到工业设备类知识管理平台，通过知识中心形成百科。所有的技术规范、使用规程、巡检标准等等这些全部形成一个百科的概念，把知识做成原子化的词条，包括文库，包括全生命周期库，整个设备比如说你从出厂之前它的安装文件、投影文件等等所有文件全部都在，当给客户做服务的时候，就可以快速调用这些知识和数据，以及形成设备的图谱，通过图谱关联化去做呈现。这些应用包括检索，设备的知识地图，都会有关联，比如说咨询的是A设备，但实际上它跟B设备之间是有非常强烈的关联性，这样一些设备知识地图的关系要去做建立，就可以非常行业化。①BOT-知识的问答场景
比如说交通行业的客户，他要实现从自助到评价整个知识客服的闭环，自助首页首先要推送，客户从什么页面来的？客户若从下订单的页面来，这时要推送一些可能和下订单热门的相关问题，和场景、跟用户身份去做挂钩，这个时候你所有建立的模型就来源于你之前对数据做的加工。接下来就是做机器的问答，然后做人机的协同，最后去做服务的评价，服务的评价所有的过程最后可能又会影响到整个知识被调用、被搜索的次数。我们可以看到，界面的上方有做滚动播放一些文字条，为什么要做这么小的功能？因为我们会发现很多客户他都会出现一些突发性的事件，因此我们想将这些突发性事件的信息有效地提前预知给用户，我们做了简单的滚动词条，比如说是游戏的厂商，最近游戏某个角色丢失了或者宕机了，我们就可以在这个界面告知给用户。其次就是我们要自定义生成一些推荐欢迎语的内容，这就是千人千面，包括手动配置一些自助推荐以及快捷卡片、引导胶囊，这些都是前端对知识的应用。其实云问对于知识权限的隔离和共享做得非常细了，我们有非常多的隔离，比如说站点隔离，知识集隔离，权限隔离、身份隔离，在不同场景下会有不同的应用。比如有的公司是子母公司，希望集团有知识库，每个分公司有自己的知识库，因为集团底层的知识库你要继承上面的知识库，同时要有自己的知识库，数据分析怎么独立、知识怎么做共享、位置问题怎么做处理，这时候我们就开辟了子母的概念。举个例子，可能我在A的子公司有些知识可以给B公司去用，但是它散在不同的分类下面，这个时候又没有办法对某一个分类做权限，我也不可能具体到某一个具体的知识给他去做共享。这个时候我们推出知识集，相当于是在所有知识现有的分类上面，我们又给它加上了标签的概念，这个标签可以自动生成，也可以人为打，打完了这个标签之后，会形成一个标签的知识集，可以对应到不同的身份。这个时候比如说做统计局，可能用户进来之后，统计的知识很多，是能源类的厂商，还是经济类的，还是IT类的，可能和统计问的问题不一样，所以首先给你框定在某个知识集的范围之内，这个时候去做隔离共享，这个非常重要。
机器人自动化知识的训练平台。包括了拾贝、知识发现、消歧等等这些，知识之间有重复度，我们自动发现有相关的合并，所有的位置问题做聚类、分派，看客户的人怎么去做处理等等，最后为客户形成一个知识的体检报告，快速去告诉大家这个知识接下来应该怎么去优化。
这里有两个重点，第一个是问答辅助，其实问答辅助这个场景看起来简单，我们做了很多种不同的尝试。如果一个问题进来之后，我直接给他推送答案，右侧在不停滚动，客户受到的干扰是非常大的，这种知识辅助场景的友好度并不高。所以我们后来提供了什么呢？当一个用户的问答发过来之后，我们这边命中一个比较高精准度的知识，这个时候会显示一个下拉菜单，客户一点就可以看到这个菜单，这样对客户是没有干扰的，他可以自己去选择要不要做这样的事情。包括录工单也是这样，我们会去自动匹配和执行一些需要的操作，这个有点像流程自动化了，它后面是和其他的系统做对接，比如这个客户接下来要干嘛，要操作订单，系统可以直接把他要操作的订单给显示出来。电话坐席的服务，它和在线是不同的。在电话场景当中，客户对知识的消费场景是不一样的，更多的是流程型的操作。因为客服在线，直接使用的是word文档，电话方面用户是和你是一轮一轮地交互，进行实时转译，并且我们有一个优点，客服处理问题的时候发现这个结果不对，马上改了一下，就会立马反馈给后面语音的平台，这个是做人机的协同。比如说业务的指引，每一步应该怎么去做，底下会做知识的判断和匹配，包括用户标签自动的录入，以及表单的智能识别和推荐的一些录入。我们在做很多工业设备的时候，有的时候用户会把1和i分不清，因为它贴在设备标签上的时候，所以需要做容错，这个都是我们在大量场景当中对知识做的非常精细化的处理形成的。
在这里可以直接看到教练机器人的练习时长、练习进度，我们有一个非常好的应用点，所有这些题目都是机器去出的，通过我们之前做的知识的建立，当然也可以人工组建，比如出判断题，这个设备不得置于温度低于零度以下的环境当中，我会把“零度”这个词隐掉，让你去填或者换一个数值让你去判断或者让你去做选择等等。包括主观题，主观题通过相似度去匹配，去做一个最后的打分。把所有你的薄弱的知识环节，最后把这个结果推送给你的主管或者让你自己去看，这是一个对练的机制。所有的东西也是可以通过语音直接做交互。利用统一知识库自动出题对练，比如说右侧是客服的在线文档，我出了一个题之后，它就可以去形成专业的题库去做专业的对练，去给你做评价。自动化的智能质检，我们质检会根据它的内容去做派单，就认为这个质检结果有问题，会分类去做派单和收集；智能VOC，我们给著名的家电公司去做的NPS智能分析系统，我们更关注的就是做客户体验的分析，包括前面所有的数据、你的评价，最后形成所有的数据的分析报告和它的BI。
我们刚才讲了知识它到底是怎么加工的，我们认为客服也好，或者说集团知识管理的痛点，首先采集很难，因为存放的位置比较多，可能在A系统、B系统、D系统里面都有，可能没有结构化，以及它的类型比较多，有word、PPT等等；知识管理散，没有标准，不统一，交流会比较乱，其实就是共创这个环节没有做好。比如分公司做了一个活动，总公司是不知道的，放到这边客服来，如果没有分配到分公司的话，这个知识是没有同步的，也会有很大的问题，包括知识学习会比较琐碎。
因为我们最早是做BOT，后来我们做知识库、做电话，后来发现一个问题。我们是非常早的一批想要把语音、文本这些智能客服的知识统一在一套平台上去做管理的，所以我们做了知识融合。因为它有FAQ，FAQ在不同的场景下，在电话里面、文本里面用的场景都是不一样的，所以我们用了一些方式去做词条，利用他们做了统一的知识融合，统一的管理。包括应用端的区分，你在BOT里面在知识门户里面是不一样的，包括高效搜索，我们都做了一些基础的流程， 多类型的知识统一管理，包括FAQ常见问题知识管理，词条性的知识管理，文档类的知识管理，以及图谱类的知识管理，所有的知识都可以溯源，这些都是一个来源，比如一篇文档，你在搜索的时候，如果搜索到了词条的某个知识，这是整个知识生命周期贯穿的全过程，包括录入这些知识，它都可以去做关联。
我们认为客服的知识中心除了赋能客服自己之外，还可以在整个企业内部里面去形成这样一些赋能，比如说我们讲的汽车售后的维修知识中心，从客户进店开始到环检车辆，开始开维修单到车辆的故障检测，故障确认，以及技术知识专员去处理，包括最后分派给不同维修技师，以及技术知识专员。我们都可以通过整个这套知识服务去做场景的赋能。第一个是搜索，他搜到了这样的词条“学习教育”，它是来源于两个文件，因为这个知识是可能两篇文档组装成的词条，某一个知识点可能跨了不同的领域和文档，这个时候会把原始的文档给你看出来，你这时候搜的时候可以做关联的呈现，包括有些餐饮，根据你当前搜索的行为和其他用户的搜索的数据来去做的推荐。包括多维持知识推送：场景化的知识推荐。比如这时候在做检修计划，你想要录一个检修单，这个时候他可以在检修场景上推荐的一个知识，你可以直接去录，系统就能帮你录好。同时你在录的时候在录入界面也可以推送相关录入的知识，就好比现在大家在填退货申请的时候，他问你有什么理由，他其实底下已经写好了一段，所以一定要和场景结合，这是知识和场景的挂钩。
当你的知识上传了之后，所有之前的版本有什么区别可以快速去看，比如在服务客户的时候，有的时候客户说你们上次给的那个活动文件不是这么说的，我就可以快速调出之前的活动文件来做对比。尤其是技术参数的对比，客户问你们某两辆车它的长距版跟普通版有什么区别，或者我的竞品与它相比有什么优势？这个时候我们可以通过知识对比快速把参数的差异去做对比以及查重，这是在不同场景里面对于不同类型的知识我们的一些应用的点。
它有不同类别的课程，包括它的考试与能力评估，如上文讲述的那样，线上考试要出题，要围绕这个人的能力范围去做组卷，组卷有两类，一类就是机器自己会去组卷，按照你的岗位能力地图来去给你推荐不同的知识，比如说你之前这个客服是做培训的，之前的培训专员在不同岗位基础上应该是要学什么样的知识，你就按照这个流程把它走下来。还有一种是人工去做推荐，人工如何去做呢？就是我自己认为我要去组一个卷之后我要推送给哪些人群，我就可以推送给他们，同时我也可以看到他们要去做的结果。个人也可以去制定自己的学习计划，包括他可以去做自主的练习，可以在移动端上面去每日刷刷题，做一些对练。所有的这些东西我会给你总结出来，比如说你哪块比较薄弱，你要去做着重的训练这一块的内容。做完了所有的智能和学习之后，需要强调的一点，就是这里面所有的知识来源全部都来源于我们之前做好的知识库，如果你之前已经做好了知识的拆解，这个时候你不需要再去为单个的知识问题去做拆解或者是训练，都可以沿用以前知识库的内容，包括以前真实场景里面服务数据也可以拿过来做你的考题。在知识内容建设方面，可能会有日常咨询，包括消费者客服知识、销售业务知识，电商类别的业务知识以及文件文档，比如车辆里面的车型参数，它的功能操作应该怎么去做，不单要让你懂，还要让你会，就是你要去操作，按照这个一步一步去做。我们做了一个便捷的知识运营工具。针对各线的员工，包括一线的生产人员，一线的客服人员，做了知识录入入口，这个知识录入工作是共创式的，而不是单一的只针对我们知识运营专员的入口，以便在他录入的时候会自定义去填要填写的内容，同时我们做了可视化的知识拆解的工具，就是把所有拆解的内容都告诉你，整个的审批流程是什么样子的，你要不要做拆解的修改，我们都可以定义知识的审批工具，提供知识的点评、反馈等一些互动的功能。 FAQ类知识构建流程，从文档解析到段落知识点拆解，再去做FAQ生成，这些都会用到一些自然语言处理的技术，生成完之后对每一个问题去做意图泛化，会给你做几个它相关的提问。我们因为都是在做这种比较复杂类的知识处理，所以对这些文档的要求标准化并不高。DB类的知识，现在比较结构化，比如说做解析，不光是做FAQ知识抽取，最后形成一个数据库，举一个技术标准的例子，国标里包含了汽车和挂车制动器零部件的适用方法，首先要做字段的抽取，抽取完了之后，比如它的标准类型、名称、实施单位是什么，最后要形成数据库存储，形成数据库存储之后，就可以用很多支撑数据库的应用了，比如说去做推理计算、车型参数直接的比对、搜索数据比较结构化的呈现等等。在图谱类知识构建流程上，同样是一篇文档，我们首先要做SPO三元抽取，包括实体关系，属性值抽取出来直接形成图谱入库，在最后去做图谱的问答或者是图谱的探索等等。节选摘自 | 2021(第六届)中国客户联络中心行业发展年会
分享嘉宾 | 云问科技联合创始人&COO 茆传羽先生
主题演讲 | Y-ASK：知识智能如何赋能服务升级
整理编排 | 孙帆
0
