摘要: 了解如何将CHAT GPT大语言模型应用于智能客服产品,提高生产力和客户体验,优化智能对话、质检、知识库,以及更多创新应用。
转载请注明出处,可加v或私信联系本人
蹭热点引流, 就聊聊当下热门话题:CHAT GPT在智能客服产品中该如何落地?
关于CHAT GPT为代表的大语言模型,每个人的朋友圈都被刷爆了,不再水字数。咱们直接来做一道真题:如果在智能客服这样一个ToB SaaS应用软件领域,想要落地LLM大语言模型,如何实现?
—————————————–
首先,先来解决一个值不值得做的问题:智能客服领域,值得用LLM大语言模型进行智能化产品改造嘛?
产品的几个典型特征汇总下
- 人力密集:
智能客服,是一个高度依赖人工操作的系统,有解放生产力的内在需求。
- 数据密集:
智能客服产品可沉淀大量过程性数据,如会话信息,通话记录,录音,操作日志。有数据,就有了人工智能应用滋生的沃土。
- 流程可定义:
这类产品,往往都可以有典型的业务流程抽象:如IVR语音交互、外呼任务、工单流转等。
- 有智能化应用基础:
智能客服是很早迈入AI人工智能技术的赛道之一:文本机器人,语音机器人,智能质检的应用已经非常成熟。客户和用户的心智已得到教育。
结论:一个行业,有相对落后的生产工具、有比较标准的生产流程,有大量未充分处理的数据,且对人工智能无抵触,那么肯定是一个值得LLM落地生根发芽的沃土。
只不过。这片田地在现阶段LLM们眼中看来,还是小了一点而已。
如果值得做,那么如何做?
这就是一个见仁见智的问题了,大家的产品架构不同,目标客群不同、业务规模不同、主打产品各异。
我们可以假设,已经有了一套得到验证,稳定运营的成熟产品,不希望引入LLM带来现有产品的巨大变化,进而影响客户体验。如何搞?
提倡拥抱变化,嘴上鼓吹AGI通用人工智能带来行业巨变,这些都没问题,真要不破不立,付出真金白银的代价来决策,去执行,还是一个很难抉择的命题。
一:架构设计问题
审视本身产品架构,是否具备LLM大语言模型落地基础。
可以理解、由于历史原因,当前主打产品架构陈旧,模块化解耦不完善,性能瓶颈无法解决,但因为跑着很多生产客户,轻易无法改动。这种情况下,再塞入CHAT GPT到整个架构中,将带来更多沉重压力。
那么第一步先想清楚,是打算好好优化下,还是另辟蹊径,单独做一个外围LLM应用。
好比老房子改造,是不是要打算做做基础施工,还是简单刷刷墙、做下软装得了。
历史包袱较重的话,也不妨另起炉灶,聚拢有心气的一支精锐之师冲一下。也算是给原有池塘中投入一只鲶鱼。
二:工具设计问题
做顶层应用设计之前,我们需要先梳理工具。如AI引擎管理、数据建模工具、意图管理管理、标签标注和管理,流程生成工具,业务构建工具等等。。。
CHAT GPT能力的引入,相较于以前智能客服产品所沉淀的基于自然语言处理、语义理解、意图识别,关键字和正则处理等方式,带来颠覆性的改变。借助其能力涌现,上下文关联,逻辑链提示处理等方式,原有的手把手定义流程,字词句填槽的旧模式,势必得到极大改变。如果以前构建复杂AI应用,需要是半编程化的方式,用CHAT GPT们来实现,打个比方更像是RPG游戏编程工具,以场景搭建、角色扮演,提示格式化、逻辑化,辅以人工反馈监督的模式去进行。
说到工具,其实制造工具本身就已经被CHAT GPT迭代了。伴随编程和自动化编程方式,在大语言模型加持下,已经取得了极大的变革。
真心建议大家首先要掌握的是使用大语言模型伴飞编程的能力,想要运用好大模型的能力,用魔法打败魔法是最好的手段。
如‘知乎知学堂’推出的免费体验课《程序员的AI大模型进阶之旅》
从底层原理到实战技能,对当红的LangChain框架应用,Fine-Tuning专属模型微调都有深入浅出的讲解。对公司应用和个人应用,包括发展前景都讲的很细。一个典型案例就是智能客服的实现,可以非常好的借鉴下。
所谓游戏化方式的产品设计,为什么不能是呢。如果我们做的足够好用,是不是也可以直接邀请用户参与到“游戏”开发中来?
另外,很多工具本身,更可借助CHAT GPT进行智能化的改造。以更高效和智能的方式来处理数据、生成数据。
如进行自动训练和标注、知识库的自动化扩充、来代替语料手工标注,代替传统问答对的低效人力处理,给出标准问,自动扩展相似问等等。
三:应用设计问题
最后说说智能客服应用层面的设计,这里是用户可感知的界面和内容。
我们来根据智能客服的一些典型场景,看看CHAT GPT们的优势能力,可带来哪些富有想象力的改变。
增强型对话能力:
不可否认,CHAT GPT带来了极其强大的对话能力,我们万分期待,甚至开始脑补其进入智能客服对话中的效果。
但是很遗憾,智能客服产品领域内的对话,是一个非常典型的限定业务领域、任务驱动的对话需求,我们客户肯定不希望访客进来,是寻找一个超高智能、善解人意、能写会画的陪聊机器人。
会话内容必须收敛于企业业务范畴内,服务于客服和营销场景下,解决和处理问题,不要浪费宝贵的资源。
不加控制的直接引入CHAT GPT到客服领域,那感觉就好比你回家撞见扫地机器人不干活,和隔壁的智能吸尘器聊的你侬我侬,是不是恨不得一棒子打死了事!
所以,构建增强型对话能力,一方面我们借助CHAT GPT简化了对话流程设计:以前需要设定N多个意图,关联无数个上下文才能实现的方式,现在开箱即用,自然语言对话获取、格式化提示完成限定任务、收集访客数据和意向。另外,通过私有化训练和公共文本数据的结合,对访客提供不僵化、更优质的回答体验。
CHAT GPT和传统文本,语音机器人能力的结合,会给智能客服的机器人服务能力带来质的飞跃。
智能质检:
传统智能质检已经是非常成熟的解决方案,但如果通过CHAT GPT,投入预训练和一定的业务规则定义,可以实现无需复杂设定,更智能的质检结果输出。
我们向模型内投入一定数量的优质录音、文本,然后告知CHAT GPT都有哪些加分因子、让他自动判别生产数据的质检情况,然后不断通过手工质检的对齐调优,让CHAT GPT持续不断学习和改进。
智能化辅助:
同理,对于座席侧智能辅助功能,也是可以通过对优质样本的投喂,正确流程和加分因子的定义,不断的让CHAT GPT在数据滋养下,实时对座席给出更好的辅助能力。原有的辅助功能框架可以保留,但是内里是一个不断进化,自动学习的“业务助理”
内训机器人:
基于智能质检和智能辅助的基本能力,针对使用场景是企业内训的机器人,也完全可以基于现有数据样本,更自动化的生成内训“教官”,我们业务管理人员,可以针对岗前培训、业务流程、服务过程设定不同内训主题,一定量标准语料训练后,让内训机器人指导座席进行自我训练,这种对于强调学习能力和管理能力的运营型客户,很有吸引力。
智能填单类:
智能客服应用中,有大量需要手工输入的表单:客户资料、跟进记录、服务工单,目前市面上CRM领域已经出现借助CHAT GPT进行智能填单的实验性应用。按以往的实现方式,必须有复杂的工程化设计,将会话文本实时匹配,借助词性分析,语义分析和关键字查找等方式,使用表现往往不尽如人意。我们可以期待LLM大语言模型的超强能力可以有效提升这类型产品的实用度。
从帮助中心到座席助理:
全功能的智能客服产品已经是一个非常庞大的产品体系,功能多如牛毛,上手难度很高。
很多产品的设计,需要操作者进行到处跳转去查找、配置、调整。以往的帮助形式,除了简单的页面的功能提示,就是如wiki一般厚重的在线帮助页面,对使用者说不上友好,对开发者也有持续更新维护的沉重负担。
而使用智能助理模式的在线帮助,不同角色的人员可以通过对话式的简单体验,来获取使用上的实时协助,甚至一些功能型的配置和要求,聪明的助理也可以准确理解使用者的对话,直接进行配置和改变。
比如:系统管理员唤起智能配置助理
“小C小C,帮我查找一个近半个月名字叫做***的客户所有访问和对话记录”
这个对小C的能力来说,就是小case了。
“小C小C,我需要设置一个清明节的IVR语音导航,所有清明节时间呼入的电话,都提示这样一句话:***”
这个要求嘛,还是有一定风险,出于谨慎目的,小C还需要和你反复确认一些关键配置要素,确认无误才去执行。
AIGC知识库:
智能客服产品中,最需要内容生产能力的地方,莫过于知识库。
产品必备的知识库通常分几类:内部知识库、机器人知识库和外部知识库
内部知识库
是提供给座席使用者,会话中实时定位查询使用。企业的业务变化多端,知识库的调整要及时到位。对于内部知识库的整理。一般需要专人进行上传、编辑、整理,用过的都知道这是一个非常耗费工作量的事情。
CHAT GPT的引入,能协助高效智能的归类,自动生成知识库类目、明细。如果增加对外部数据源的引用,知识库还可以自动关联,减少知识库同步的操作。使用者在应用中,可给与知识点反馈,能帮助知识库进行权重自动调节。
机器人知识库:
文本和语音机器人能够回答访客问题,依赖机器人知识库的有效内容。一旦无法命中,机器人只能回避或者推荐其他知识点。对于未知问题的整理,是需要智能客服使用者大量投入工作量的一个地方。
同样,对于调用量远大于内部知识库的机器人知识库来说,借助用户反馈来对未知问题进行自动整理和关联,能节省很多知识库维护者的工作。我们也可以通过多机器人组合的方式,在一通会话中接力棒一般服务于客户的不同场景,那么被训练好的CHAT GPT专属机器人,也可以在特定的场合发挥能力,并可以逐步替代一些以往模式僵化的问答型机器人。
外部知识库:
如果企业有知识门户的需求,需要整合在智能客服产品中,如果不把这类产品算作一个独立品类的话,基于CHAT GPT的多模态的AIGC能力,可以更方便的将已整理的知识内容转化为输出产物,更方便的生成知识文章、图片、甚至音视频,快速生成一个个性化的知识空间。
充分发挥CHAT GPT创造性的工作,这里还有很多的想象空间。
数据预测类应用:
最后我想到的一个品类,是基于对智能客服数据的预测分析。作为以往智能客服类产品的一个“短板”,建设数据预测类产品可能需要很重的CDP数据平台建设,CEM客户体验管理等方式,如果CHAT GPT可以更高效精准的进行销售意向,行为,成交概率的预测,对利润中心导向的智能客服产品,将具有很大价值。
四:商业化前景
以上,完全只是构想,甚至算是空想,想要做出真正落地的应用,我们更应该同步关注这些问题:
投入产出比?
可衡量的客户认可和价值体现?
通用性与行业性?
数据风险和监管安全?
这样的问题继续深入下去,将有很多的扩展,也不是我这一篇短文就能聊清楚。后续我会随着思考和实践,再单独分类整理。
CHAT GPT们的到来,首先让我们震惊,然后是思考,更重要是发现全新的机会。
所知有限,期待与大家的深入交流。
最后的最后,来看看CHAT GPT和文心一言对这个问题的解答吧
通信产品知识深入交流,可搜e_caopeng,有什么想聊的想说的,随时欢迎。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
![](https://huluwaai.com/wp-content/uploads/2024/05/1715943925-文章顶部banner带二维码.jpg)