利用AI大模型打造客服機器人,傳統智能客服可以靠邊站了

0 評論 3065 瀏覽 20 收藏 13 分鐘

在客戶服務領域,傳統的智能客服系統正面臨諸多挑戰,從高昂的配置成本到不盡如人意的問題回答準確率,以及機械式回答對用戶體驗的影響。本文將探討如何利用AI大模型技術,打造新一代的智能客服系統,以解決這些痛點并提升客戶服務的效率和質量。

《對AI大模型應用場景的深入思考(上篇)》中,風叔介紹了AI大模型在企業通用場景中的應用。本篇文章,我們重點圍繞客服場景,詳細介紹如何通過AI 大模型替代傳統智能客服系統。

傳統智能客服系統主要包括知識庫、機器人、人工坐席、智能質檢、工單管理等核心模塊。雖然智能客服已經是一個發展了很多年的成熟領域,但仍然面臨非常多的痛點。

第一,機器人配置成本高。傳統智能客服往往需要窮舉業務上的各種問題和答案,提前準備好大量的FAQ,甚至每個問題還要提供10個以上的相似問。因為機器人并沒有真正理解用戶提問的真正意圖,只是在做簡單的相似度匹配。整個機器人的配置過程是非常繁瑣的,至少需要3個月以上的時間。

第二,問題回答準確率不高。因為傳統智能客服使用的是BERT模型,即使經過大量的數據標注,但仍然解決不了機器人對用戶Query理解不足的問題,回答準確率不足50%。這就是大家經常吐槽智能客服是智障的原因,很多用戶在面對智能客服的時候,都會直接輸入“轉人工”。

第三,機械式回答,影響用戶體驗。因為傳統智能客服是基于FAQ進行回復的,無論用戶處于什么情緒,機器人都是標準回答,無法給到用戶情緒價值。

第四,難以處理復雜問題。如果讓智能客服處理一些特定任務,客服機器人只會按照設定好的標準流程一步步進行處理。如果用戶反饋超出了這個流程,智能客服就無法處理,最終只能轉人工。

所以,很多傳統智能客服系統既沒有解決用戶問題,也沒有降低人工客服的工作量,反而增加了用戶投訴。

通過AI大模型,傳統智能客服的這些問題都可以迎刃而解。下圖是風叔設計的客服智能體系統,包括客服機器人、領域AI專家、人工坐席、對話質檢和智能工單。

在下文中,風叔將圍繞上圖的業務流程,詳細介紹如何利用大模型打造新一代的智能客服系統,完整的PPT文件可以在文末獲取。

一、客服機器人Agent

客服機器人Agent就是直接面向用戶的客服Robot,在整個客服系統中起到如下作用:

  • 意圖識別:精準識別用戶的問題類型,是產品問題、營銷問題、還是售后問題,然后將具體的問題精準路由到后面的領域AI專家。在傳統智能客服中,對用戶意圖的精確識別是一大難點,但是AI大模型可以很好地解決這個問題。
  • 問題引導:因為專業術語的存在,或者用戶自身理解和表達能力的不足,有些用戶可能會難以精準描述自己遇到的問題??头C器人Agent的另一個主要職責,就是通過對話逐步引導用戶確認問題。比如,用戶說自己上周的訂單還沒有簽收,客服機器人Agent就可以逐步引導用戶確認訂單時間、訂單編號。
  • 生成回復:客服機器人Agent根據領域AI專家的輸出結果,進行特定內容的轉換之后,生成最終回復。一種常見的用法就是在回復中,自動填充用戶的姓名和相關語氣詞,比如“尊敬的風叔,讓您久等了,以下是為您查到的信息”。還有一種常見的用法就是語氣轉換,比如可愛的語氣或專家的語氣。
  • 流程控制:根據客戶所處階段,比如用戶生命周期階段、會話周期階段、問題流程處理環節等,自動提出合適的問題和解決方案,推動客戶向下一個流程節點躍遷。
  • 閑聊控制:客服機器人Agent也能在一定范圍內和用戶進行閑聊,但能控制閑聊的程度,避免過度閑聊消耗服務器資源;同時,也能對客戶提出的對抗性、敏感性問題進行規避。
  • 情緒識別:當客服機器人Agent識別到用戶的語氣或情緒明顯不佳時,可以直接轉到人工客服,避免客戶情緒進一步升級。

二、領域AI專家

領域AI專家主要用于接收客服機器人的問題,并基于領域知識給出具體的回復。我們可以基于具體業務場景構建不同的領域AI專家:

  • 比如AI售前問題專家,主要解決用戶對于產品咨詢的相關問題,例如產品型號、主要功能、核心賣點、產品價格、優惠券使用等;或者服務預訂相關問題,例如訂餐、詢問停車位、預訂時間等。
  • 比如AI售后問題專家,主要解決用戶對于產品售后使用問題,例如產品如何安裝、產品維保信息、產品使用問題等。

構建領域AI專家的關鍵在于知識庫的搭建。傳統知識庫搭建需要構建大量的FAQ和相似問,但是通過AI智能體和RAG系統,我們可以非常便捷的實現知識庫的搭建和維護,如下圖所示:

首先是知識庫搭建,我們先將各種文檔進行預處理,比如OCR解析、文本分割、圖片識別和表格識別。分割后的內容可以分別交給大模型進行內容的識別和總結,這樣可以將文檔中的文字、圖片和表格進行關聯匹配。匹配后構建向量索引,存入向量數據庫。

對于需要進行精確邏輯推理的場景,我們也可以通過大模型進行實體和實體關系的抽取,輸出實體摘要,并存入圖數據庫。

然后是知識庫應用,即針對用戶的具體問題進行內容召回,在召回環節可以提供多種優化方式。比如召回前對用戶問題進行擴散、分解、轉譯、意圖識別和路由;召回中自動選擇目標知識庫,通過相似度計算或知識圖譜召回,并對召回結果進行評分和排序;召回后進行Token壓縮、敏感詞混淆,然后交給大模型生成最終的回復。

關于如何使用RAG系統進行知識庫的索引和召回,可以參考風叔之前寫的《RAG實戰篇系列》。

三、人工客服

這個環節和傳統智能客服并無區別,主要用于兜底,或者處理一些復雜度較高、用戶情緒較差的場景。

在傳統的智能客服系統中,機器轉人工是能明顯感知到的,而且人工回答完之后沒法再轉接給機器,客戶體驗不好。而通過AI Agent,用戶感知不到對面是機器人在服務。當Agent答不上來時,會自動轉給人工客服,同時對此前和客戶的對話進行總結,人工只需要回答轉進來的這一條消息,就可以立即再轉回給Agent。

在這樣的模式下,人工客服的工作量就能從“會話級別”下降到“消息級別”,大幅提升人工客服的有效接待量,同時客戶的服務體驗也得到了提升。

四、對話質檢

對話質檢是對客戶對話內容的總結與分析,從而評估智能體和人工對于客服回復的質量,以及分析客戶對于本次服務的滿意度。傳統的對話質檢主要是通過NLP分詞進行分析,效率和準確度都很一般。

而通過AI Agent,大模型可以在精確理解語義的情況下,實現以下四大能力:

  1. 內容分析:自動對對話內容進行總結,包括客戶遇到的問題、提供的解決方案、是否有解決客戶的問題、問題解決時間等等,因此可以從整體上量化智能客服的實際效果
  2. 質量檢測:分析客服智能體和人工的回復內容,和企業所提供的SOP、培訓話術、知識文檔的內容是否匹配,從而量化客服的回復準確率。對于回答不太準確的case,能夠快速進行記錄,用于智能體訓練和人工客服的培訓。
  3. 情緒識別:自動理解客戶的情緒,分析其對品牌或產品是positive or negative
  4. 標簽體系:在對話過程中,自動提煉客戶標簽,比如客戶性別、地址、品類偏好、興趣愛好等。

五、智能工單

傳統的智能客服系統,工單的生成和跟進需要由人來執行,執行者需要知曉此前客服與用戶的對話內容、用戶問題的具體描述、以及推進實際的解決方案,整個流程的效率相對比較緩慢,這也是很多消費者對于客服后續跟進的效率表示不滿的原因。

通過AI Agent,可以在以下環節對整體服務流程提效:

  • 工單生成:Agent可以自動對用戶的問題進行總結和提煉,從而自動生成工單,并提交給工單系統。
  • 智能派單:接收工單的Agent還能智能識別工單內容,找到相關問題的對接關鍵人,實現智能派單。
  • 工單流轉:Agent自動跟蹤工單的推進進展,分析工單的解決情況,對慢于預期的工單進行預警或升級協調處理。

六、總結

在這篇文章中,風叔介紹了如何利用AI大模型打造新一代的智能客服系統。相比傳統智能客服,AI大模型客服系統能在客戶體驗、用戶意圖識別、問題引導、準確回復、流程控制、知識庫建設、對話質檢、工單系統等核心環節,帶來質的飛躍。

智能客服系統也是AI大模型目前相對比較常見和成熟的應用領域,在《對AI大模型應用場景的深入思考(上篇)》中,風叔也給智能客服場景打出了場景價值(4星)和場景可行性(5星)的高分。

在下一篇文章中,風叔將繼續對AI大模型的應用場景進行深挖,敬請期待。

本文由人人都是產品經理作者【風叔】,微信公眾號:【風叔云】,原創/授權 發布于人人都是產品經理,未經許可,禁止轉載。

題圖來自 Unsplash,基于 CC0 協議。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!