前言
随着大模型技术的飞速发展,其在商业化应用的落地实践上仍面临着挑战,不论是面向C端用户的付费服务模式,还是面向B端企业的业务赋能策略,目前都尚未形成成熟且清晰的商业模式。
在我所专注的智能客服领域,作为人工智能落地应用的前沿阵地,我深刻感受到大模型的生成能力、泛化能力以及增强检索等核心技术的巨大潜力。基于此,我构想了一系列应用方向,并期望通过分享结合大模型工具的实验经验,与大家共同探讨这些可能性。
一、呼入场景
客户服务领域,无论是在线聊天还是语音交流,都已成为了现代业务运作中不可或缺的一部分。目前,基于NLP(自然语言处理)、ASR(自动语音识别)和大数据等先进技术,已经涌现出了一系列智能化的客户服务应用。
然而,这些产品在功能边界和特色上往往差异不大,难以在激烈的市场竞争中脱颖而出。大模型的加持,从运营成本和用户体验上考虑,也许可以为这一领域带来了新的发展机遇。
1. 问答机器人
在呼入场景中,问答机器人(包括在线客服机器人和语音导航机器人)的广泛应用凸显了ASR转译准确率和NLP自然语言处理语义理解能力的重要性。在实际业务运营中,为了提升问答机器人的识别准确率,往往需要维护一个尽可能大的相似问题库。
然而,这种维护方式不仅耗时耗力,而且需要大量的运营成本。考虑到大模型的泛化生成能力,我们可以设想一种创新的方法:通过输入特定的prompt(指令),让大模型生成更多的相似问题,经过业务审核后入库。这种方法有望显著降低运营成本,同时提升问答机器人的识别准确率。为了验证这一想法,使用了文言一心、Kimi助手等大模型工具进行了实验,如下:
2. 话务小结抽取
席在接听完一通会话后进行话务小结是一个重要的环节,用于记录通话的核心内容、问题以及解决方案等信息。传统上,这个过程需要坐席在通话结束后手动输入,既耗时又可能因人为因素导致信息遗漏或偏差。
大模型的主题抽取能力可以用于自动生成小结,坐席只需审核确认后录入,这有助于缩短通话时长,提高效率。验证如下:
3. 多轮对话的处理
多轮对话在问答机器人技术中向来是颇具挑战性的环节,目前主要局限于特定的简单场景,由运营人员在流程画布上进行详细设定,涉及多个交互节点和路径。
为了更灵活、精准地响应客户的问题,我们可以借助大模型的生成能力和增强的检索功能。这种方法在阿里的相关文章中得到了具体体现(参考:https://mp.weixin.qq.com/s/0THyHxpuIo9MI8MY9tLHiA),即通过大模型生成提示性的快捷短语,引导用户更明确地表达需求,同时结合增强的检索技术,缩小答案的搜索范围,从而生成更为可靠和准确的回答。
二、呼出场景
在当前的AI外呼场景中,虽然普遍采用基于预设流程的问答模式,结合ASR(自动语音识别)和NLP(自然语言处理)技术来执行外呼任务,但这种方式在个性化服务和转化率提升上存在一定局限性。借助大模型的生成能力,我们可以实现更为智能化的外呼策略。
具体来说,通过大模型分析不同用户的属性标签,如年龄、性别、兴趣偏好、消费习惯等,AI外呼系统可以为用户定制差异化的呼叫内容和方式,真正做到“千人千面”。验证如下: