一、客服行业变迁
1.传统客服时代
(1)客服工作重复性高,技术含量低
(2)呼出效率低,客服水平参差不齐
(3)管理难度高,情绪不稳定
(4)服务质量监控难
2.AI+客服
(1)成本低、服务效率7*24
(2)服务水平高,服务质量可控
二、AI+客服系统的核心运作流程
三、AI+客服具体行业案例
1.苏州意能通+福州移动案例
主要通过语音识别、文本处理两种技术实现,具体实施步骤如下:
(1)沉淀优秀客服话术模版到知识库
(2)超出话术模版外的问题,可以通过文本相似度,引导到相近问题对问题进行回答或者转接到人类客服进行转接
注:做好埋点,便于及时发现问题
2.饿了么
文本客服,对文本进行规范处理后去知识库里检索知识后进行问题回复,若未检索到相关知识,则补充知识库。
3.金融行业智能客服
(1)营销话术生成:收集近万份产品制度、金融政策利用大模型抽取摘要、关键词,并结合存量有效信贷客户画像,产品策略,构建精准营销策略,根据用户画像自动生成营销话术。最终将营销转化率从0.5%提升至2%。
(2)基于客户历史对话记录,进行数据分析,持续运营产品知识,prompt模版知识设计、上下文多轮对话、RAG的搜索优化,将财富、保险类对话的准确率从75%提升至98.5%
(3)手机银行APP语音助手
- 基于用户行为和满意度反馈,利用语音识别、自然语言处理技术,设计理财、贷款、账户查询、权益等模块的语音交互功能,平均缩短客户交易时间约20%,将用户满意度提升了15%。
- 针对用户对话历史记录、及过程中产生的badcase、用户问题反馈维度,利用数据分析,迭代金融场景的对话设计、UI界面设计、Bert算法模型微调
(4)语音分析系统
- 基于坐席团队抽检耗时,客服管理难,非结构数据无法治理的痛点,挖掘潜在需求,结合痛点进行语音分析模块、业务建模、可视化报表分析模块的产品设计
- 根据信用卡分期、贷款问题、账单分期、服务转营销等不同场景及客户分层类别,设计模型管理、模型分类模块,搭建300多个金融业务模型,100%实现质检全自动化
(5)智能外呼平台升级
智能外呼平台产品全流程和功能模块设计,满足营销、催收等爆款产品的需求,整体有效接通率提升到66%,每年创收2500万
(6)智能客服平台升级
- 完善知识库管理、场景对话管理、智能运营产品的原型设计和功能设计
- 统筹团队运营同学,对用户对话历史产生的badcase进行数据分析,实时服务监控与跟踪,定期优化对话流程,协助算法团队优化机器学习及专家领域模型,采用ABtest,迭代优化模型
四、产品方案
智能客服将围绕企业知识库精准问答、企业沉淀的资产数据做精准查询、数据解释、数据诊断等功能。
1.产品业务流
2.产品架构
3.大模型选择
经过多个大模型测评,最终选择中文能力强,逻辑推理能力不逊色的ChatGLM作为智能客服的底座大模型。
模型名称 | 机构 | 对比ChatGPT | 训练计算资源 | 中文能力 | 是否开源 | 参数规模 | 技术特点 |
LLaMa | Meta | 相较于有1750亿参数的GPT-3,最对只有650亿参数的LLaMa在大多数基准上都要优于GPT-3 | 13B的LLaMA在单个GPU上就能运行 | 弱 | 是 | 7B-65B | 基于更多数据训练的更小的模型实现 |
ChatGLM | 清华大学 | 参数量相对小,逻辑推理能力相对差一些,但对话能力与chatgpt差别不大 | 最小:7GB;标准:8*A100 80G | 强 | 是 | 6B | 1.使用FFN结构优化模型架构和大小2.FP16半京都下13GB显存即可推理3.序列长度可达2048,支持更长对话和应用4.采用人类意图对其训练 |
文心一言 | 百度 | 意图理解能力、代码能力和逻辑推理能力较弱 | / | 强 | 否 | / | / |
通义千问 | 阿里 | 复杂理科计算方面较弱 | / | 强 | 否 | / | / |
星火 | 科大讯飞 | 中文和数学能力超过ChatGPT | / | 强 | 否 | / | 中文、教育领域表现卓越 |
五、产品推进难点
大模型存在模型幻觉,问答时效性问题,因此智能客服产品的成功性取决于以下三个维度:
1.提问问题的准确度,反映提问是否能够真实反映提问者的意图
2.回答的相关性,反映答案与提问是否具有相关性
3.回答的准确率,体现答案和问题是否反映事实
为解决上述问题,我们通过在RAG上做了诸多策略进行打磨优化。
图 RAG主流程
图 RAG(离线)
图 智能问答实时流程