中国移动:巨型传统客服中心智能化转型之路

中国移动:巨型传统客服中心智能化转型之路
中国移动是全球客户服务领域体量最大的企业之一,为了服务好9亿客户,中国移动成立了专业公司“中移在线”,专业化进行服务运营。中移在线拥有4万客服员工,服务网点辐射全国31省,是全球单体最大的呼入呼叫中心。分省个性化的业务内容、非标准化的服务规则,对智能客服的规划、落地、推广、运营带来巨大挑战。
在阿里云客服领域全链路的智能产品技术支撑下,中国移动希望通过合作,对导航、外呼、质检、排班、调度以及决策等方面进行升级改造,支持其将“传统呼叫中心”向“客户交互中心、业务办理中心”转型。

技术赋能 |一线IT+业务独立设计、配置、不停服上线导航流程

10086电话最初是采用按键导航的传统IVR模式,通过多层级的聆听、点选交替,达成查询账单等用户诉求。随着传统语音机器人的成熟,基于固定流程的语音机器人可以实现用户直接进行语音输入,语音机器按照固定流程进行答复,最终达成业务诉求,实现替代传统按键IVR。但是市面上很多智能导航产品严重依赖于传统语音机器人厂商,上线任何业务即使是简单业务,都需要厂商进行需求设计、排期开发、测试上线,语音语义模型的训练也需要经过长时间的准备等待。

阿里云智能客服的智能导航产品,正在帮助中移在线实现了10086智能语音导航的落地和运营。通过培训,这套工具化的平台,能被在线公司的一线IT技术人员直接使用,可以独立设计、配置、测试、上线,让最懂业务的人直接运营,快速应对市场业务变化,进行智能导航的上线。

以10元加油包开通为例,传统语音机器人,需要以项目开发模式实现,需要修改语义资源包、排期上线,实现周期长。而基于工具化平台,「加油包办理」作为意图,「档位」配为其槽位,只需增加「10元」这个槽值即可实现业务不停服实时上线,整体效率大幅提高。同时,工具化平台下,导航的开发运营由移动独立完成,可控性更强,运营成本也得到降低。

更先进的语义技术,构建更自然的对话能力平台

针对语音识别,阿里智能客服搭配的自学习平台,可以实现本地模型部署、训练。移动业务覆盖全国,不同地区的普通话口音各不相同,需要厂商赋能,持续进行语音模型部署训练调优,保证导航的语音体验。

阿里云语音、语义的核心技术在各项测评、大赛和国际会议上也得到认可。阿里孵化出的客服产品,其核心技术经历了双11等超大型活动的考验和沉淀,也灌入了阿里客户服务的多年经验和方法论。

目前,中国移动两个省已经实现了独立设计、配置,部分上线了智能导航流程。后续,移动和阿里将继续深入合作,一方面沉淀经验,复制到更大的范围,帮助移动完成全国语音导航的智能化赋能升级。另一方面,将阿里在客服领域全流程的创新技术逐步开放,以共同合作创新的输出模式,帮助移动客服中心完成从成本中心到业务中心的转型。

关于中移在线服务有限公司
中移在线服务有限公司成立于2014年10月,是中国移动通信集团有限公司在数字化时代设立的全资专业子公司。公司致力于通过技术创新和员工赋能,驱动中国移动传统的客户服务,向客户交互中心、业务办理中心、线上线下融合中心转型,为中国移动9亿用户提供更加便捷、更加满意的服务。

关于阿里云智能客服
阿里云智能客服产品基于NLP,NLU,ASR,TTS等核心技术,为企业提供全套智能客服解决方案,能够实现热线呼入由机器人自动接听、机器人电话批量外呼、在线机器人会话等场景。通过云小蜜、智能导航、智能外呼、智能质检、云呼叫中心、云客服等产品功能平台,赋能企业客户中心,帮助客服提升工作效率。目前阿里云智能客服产品已经成功服务于金融、交通、政府、运营商等领域客户。

企业应用业务交流群:技术干货、实践案例、问题解答
_1

企业应用在线调查表:填写调查表可优先获得产品试用
_1
原文链接 https://yq.aliyun.com/articles/643778?spm=a2c4e.11155435.0.0.dffa33125GOXhT

转载于:https://blog.51cto.com/13927391/2284736

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值