起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識物業智能客服落地：從人工智障到人工智能
文章以物業客服的人工智能為例，從業務流程、語音收集、知識庫、設計四個方面分析了產品的需求，簡述了智能客服落地的全部過程。
寫完題目感覺起大了，其實感覺現在也還是個人工智障：)
一、前提
隨著人工智能的興起，機器人客服也開始成為互聯網公司在線服務的標配前置。我所在公司當前的業務范圍涵蓋物業和業態（電商、到家、廣告、保險等）多維的服務，原來APP端只接入了業態相關的在線，每天的會話量級只有幾百左右。
物業服務在公司呼叫中心的占比大約是業態服務量的幾十倍，因此業務方希望在APP端開通物業在線的功能，同時前置智能客服機器人，實現對呼叫中心話務量的分流，同時也滿足部分習慣使用在線進行交流的用戶的需求。
1.1 價值預估
通過下面的電話和在線的漏斗圖可以看到期望的攔截路徑。通過對工單頻次進行分析，已經在電話端上線了高頻分類的IVR功能，日均可以實現30-40%左右的人工攔截量。
其中門禁、代收包裹電話自助功能用戶的使用黏性和評價都較高。對于在線服務，期望初期能分流20%的電話量，并逐步提升到50%。同時機器人能夠實現40%左右的在線攔截率。
?電話漏斗圖
在線漏斗圖
1.2 實現路徑
先開通APP端物業在線服務積累用戶語料，從電話端引流到在線端，培養用戶通過在線進行物業咨詢和報事習慣。后續通過灰度發布，逐步開通各個社區的智能客服，實現機器人的7*24小時服務。
1.3 場景選擇
智能客服應該優先解決哪些問題，支持哪些交互方式，用戶有哪些高頻的問題和場景，這些需要通過對歷史的工單數據進行分析來提取。
從呼叫中心工單分類報表和APP端服務訪問頻次，我們提取出來四個高頻操作場景：訪問通行、園區報事、房屋急修（戶內報事）、生活繳費。
物業咨詢相關的問題通過QA和FAQ來實現：
二、語料收集
物業相關的語料較為垂直，同時和自身的業務耦合較高，放棄了從公開語料庫獲取的思路，打算從積累的電話錄音和在線的語料中進行提取。
2.1 在線語料
獲取歷史的在線會話記錄，抽樣進行語料標注，作為測試集。
2.2 語音標注
呼叫中心記積累了百萬級別的通話錄音，通過語音轉寫和人工標注，作為語料喂養給NLP訓練使用。
（這部分成本較高，使用了科大訊飛電話專用版進行預轉寫，平均轉寫成本0.1元/條，人工標注成本3元/條。每次購買服務的時候都感覺心在滴血）
2.3 業務&AI產品編造
根據業務場景，編造部分語料進行機器人訓練。
三、 知識庫
前面已經根據業務場景，梳理出機器人一期支持的場景為操作類和問答類，這兩種分類的區別度較大，分類設計知識庫維護后臺。
3.1?知識庫維護后臺
1) QA類型知識庫：
查詢
新建
2) 操作類知識庫：
查詢
新建
3.2?維護方式
業務可以通過Excel按照模板收集后，批量導入。也可以通過編輯后臺對單個知識進行新增和維護。
3.3?寒暄
由于用戶問法的發散性，機器人無法命中所有問題，如果出現無法識別的情況就反饋無法理解，對于用戶來說就像和智障（大誤）在交流，很快就回失去耐心。
通過寒暄庫可以提升機器人聊天的體驗，設置部分有意思的對話內容，也能讓用戶感受到機器的幽默和溫暖。
畢竟，我們的slogon是：做有溫度的機器人。
寒暄庫這塊使用了圖靈機器人，可以方便的定義問法和回答，還支持天氣等查詢的功能。
四、設計
4.1 交互方式
針對當前的業務場景，一期做了簡化，不支持富文本，樣式只支持文本，鏈接和操作類。后期規劃增加地址卡片等視圖。
- 文本
- 鏈接
- 操作
- 反饋
反饋的功能很必要，相當于在線客服中的評價，因為AI后臺只能識別出用戶問題是否命中了具體的回答，但不知道回答有沒有解決用戶的訴求。
加入反饋的功能，可以讓用戶進行自主的反饋。
反饋占用一定的頁面空間，理論上所有的回答全部加上反饋最好，但是這樣對于用戶的交互體驗上就會大大降低。
因此需要業務人員分析哪些問題不確定需要反饋，一次會話中不超過3次的反饋為宜。
4.2?頁面設計
確定基準色：
視覺給出兩版色彩稿，冰藍色和橙色。冰藍代表機器和智能的冷酷感，橙色是APP主色調，溫暖。
經過調研后大家最后選取橙色進行UI設計，保持和主APP色調一致，同時體現出溫度感（Slogan默默的招手）。
根據原型和UED的同事溝通機器人的目的和期望的形象。在定義上我們希望用戶能直接意識到是和機器人在交互，而不是誤導用戶在和人工客服對話。
所以在頂部展示了機器人的頭像，點擊可以進入到介紹頁。
Q：是否展示頭像？
A：使用用戶頭像，用戶感知上更加友好，但是聊天框會較短。APP端產品給出用戶自定義賬戶頭像的比例比較低。通過和設計同學溝通，對比有無頭像兩版設計稿，最終選取不使用用戶頭像的設計方案。
Q：輸入方式是先語音還是先文本？
A：希望引導用戶使用語音作為第一交互方式，同時普通話短句的文字識別率達到90%以上，采用先語音的方式。用戶可以切換鍵盤輸入。
Q：用戶語音輸入之后，是展示轉寫結果等待確認還是直接發送？
A：直接發送，減少交互步驟數。缺點是轉寫錯誤無法修改，對于后臺自動糾錯能力要求比較高。為什么不保留語音，因為機器人交互的后臺最終還是通過文字進行識別，語音對于AI是沒有意義。
Q：人工客服入口如何設置？
A：人工客服的入口過于明顯，會導致用戶跳過機器人直接使用人工客服，無法起到機器人分流作用。人工客服入口過深，用戶無法找到人工入口，機器人無法解決用戶問題時導致用戶體驗急劇下降。采用方式：右上角常駐轉人工入口圖標，但是不使用文字說明，減少直接曝光度。用戶交談過程出現3次無法識別，會話內容提示轉人工。
下面的問題留個大家思考，最后的實現方式上，我們也因為資源等問題做了不同程度的取舍，有機會在細談這部分：
- Q：如何定義會話？
- Q：如何展示聊天會話的時間？
- Q：語音輸入的長度限制？
- Q：歷史會話如何加載？
4.3?異常情況處理
- 弱網環境提示
- 服務器長時間無返回提示
- 無錄音和麥克風權限提示
五、埋點和效果回收
智能客服需要不斷的迭代優化，知識庫也需要不斷的補充和修改，因此需要對命中效果和用戶反饋做統計，支撐后續業務部門和機器人產品對于智能客服的不斷優化。
這部分展示通過后臺的數據庫進行分析統計，沒有前端頁面，不做過多介紹。
通過關鍵詞正則匹配-NLP模型匹配兩層命中，上線前在訓練集達到了100%的準確率和召回率，測試集綜合能有70%以上的準確率。
六、成果
這篇主要講了整個智能客服落地的全部過程，其中有對業務和競品的思考，也有受限于資源的妥協。后面有時間再拆分詳細講其中的某些點。
本文由 @還酹江月 原創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
請問，如果物業管家的業務流程里面存在多個定制化·非常規的需求，是否還能通過AI解決？ 以及您認為目前技術邊界下，AIGC可以替代多少百分比的人工工作？
也希望和您聯系，不知道怎么加上wx比較方便
對智能客服這個方向很感興趣，有哪些入門的書籍或資料可以推薦下不
備注來源即可
請問您這邊這個項目的NLP相關的模型是怎樣訓練的呢？
具體的技術實現細節我不太了解，是用的MLP，然后前置一層關鍵詞正則匹配。關鍵詞的效果是準確率高，但是召回率不高，神經網絡識別是準確率低，但是召回率相對高一些