ChatGPT在智能客服產品中,該如何落地?

1 評論 18132 瀏覽 91 收藏 16 分鐘

最近一段時間,以ChatGPT為代表的大語言模型在互聯網平臺上引發了大量用戶的討論,那么如果想將LLM大語言模型與智能客服產品進行結合,或者將前者落地于ToB SaaS應用軟件領域,可以遵循什么樣的搭建策略呢?

就聊聊當下熱門話題:ChatGPT在智能客服產品中該如何落地?

關于ChatGPT為代表的大語言模型,每個人的朋友圈都被刷爆了,不再水字數。咱們直接來做一道真題:如果在智能客服這樣一個ToB SaaS應用軟件領域,想要落地LLM大語言模型,如何實現?

01

首先,先來解決一個值不值得做的問題:智能客服領域,值得用LLM大語言模型進行智能化產品改造嘛?

產品的幾個典型特征匯總下:

人力密集:

智能客服,是一個高度依賴人工操作的系統,有解放生產力的內在需求。

數據密集:

智能客服產品可沉淀大量過程性數據,如會話信息,通話記錄,錄音,操作日志。有數據,就有了人工智能應用滋生的沃土。

流程可定義:

這類產品,往往都可以有典型的業務流程抽象:如IVR語音交互、外呼任務、工單流轉等。

有智能化應用基礎:

智能客服是很早邁入AI人工智能技術的賽道之一:文本機器人,語音機器人,智能質檢的應用已經非常成熟??蛻艉陀脩舻男闹且训玫浇逃?/p>

結論:一個行業,有相對落后的生產工具、有比較標準的生產流程,有大量未充分處理的數據,且對人工智能無抵觸,那么肯定是一個值得LLM落地生根發芽的沃土。

只不過。這片田地在現階段LLM們眼中看來,還是小了一點而已。

02

如果值得做,那么如何做?

這就是一個見仁見智的問題了,大家的產品架構不同,目標客群不同、業務規模不同、主打產品各異。

我們可以假設,已經有了一套得到驗證,穩定運營的成熟產品,不希望引入LLM帶來現有產品的巨大變化,進而影響客戶體驗。如何搞?

提倡擁抱變化,嘴上鼓吹AGI通用人工智能帶來行業巨變,這些都沒問題,真要不破不立,付出真金白銀的代價來決策,去執行,還是一個很難抉擇的命題。

1. 架構設計問題

審視本身產品架構,是否具備LLM大語言模型落地基礎。

可以理解、由于歷史原因,當前主打產品架構陳舊,模塊化解耦不完善,性能瓶頸無法解決,但因為跑著很多生產客戶,輕易無法改動。這種情況下,再塞入ChatGPT到整個架構中,將帶來更多沉重壓力。

那么第一步先想清楚,是打算好好優化下,還是另辟蹊徑,單獨做一個外圍LLM應用。

好比老房子改造,是不是要打算做做基礎施工,還是簡單刷刷墻、做下軟裝得了。

歷史包袱較重的話,也不妨另起爐灶,聚攏有心氣的一支精銳之師沖一下。也算是給原有池塘中投入一只鯰魚。

2. 工具設計問題

做頂層應用設計之前,我們需要先梳理工具。如AI引擎管理、數據建模工具、意圖管理管理、標簽標注和管理,流程生成工具,業務構建工具等等……

ChatGPT能力的引入,相較于以前智能客服產品所沉淀的基于自然語言處理、語義理解、意圖識別,關鍵字和正則處理等方式,帶來顛覆性的改變。借助其能力涌現,上下文關聯,邏輯鏈提示處理等方式,原有的手把手定義流程,字詞句填槽的舊模式,勢必得到極大改變。

如果以前構建復雜AI應用,需要是半編程化的方式,用ChatGPT們來實現,打個比方更像是RPG游戲編程工具,以場景搭建、角色扮演,提示格式化、邏輯化,輔以人工反饋監督的模式去進行。

為什么不能是呢。如果我們做的足夠好用,是不是也可以直接邀請用戶參與到“游戲”開發中來?

另外,很多工具本身,更可借助ChatGPT進行智能化的改造。以更高效和智能的方式來處理數據、生成數據。

如進行自動訓練和標注、知識庫的自動化擴充、來代替語料手工標注,代替傳統問答對的低效人力處理,給出標準問,自動擴展相似問等等。

3. 應用設計問題

最后說說智能客服應用層面的設計,這里是用戶可感知的界面和內容。

我們來根據智能客服的一些典型場景,看看ChatGPT們的優勢能力,可帶來哪些富有想象力的改變。

1)增強型對話能力

不可否認,ChatGPT帶來了極其強大的對話能力,我們萬分期待,甚至開始腦補其進入智能客服對話中的效果。

但是很遺憾,智能客服產品領域內的對話,是一個非常典型的限定業務領域、任務驅動的對話需求,我們客戶肯定不希望訪客進來,是尋找一個超高智能、善解人意、能寫會畫的陪聊機器人。

會話內容必須收斂于企業業務范疇內,服務于客服和營銷場景下,解決和處理問題,不要浪費寶貴的資源。

不加控制的直接引入ChatGPT到客服領域,那感覺就好比你回家撞見掃地機器人不干活,和隔壁的智能吸塵器聊的你儂我儂,是不是恨不得一棒子打死了事!

所以,構建增強型對話能力,一方面我們借助ChatGPT簡化了對話流程設計:以前需要設定N多個意圖,關聯無數個上下文才能實現的方式,現在開箱即用,自然語言對話獲取、格式化提示完成限定任務、收集訪客數據和意向。另外,通過私有化訓練和公共文本數據的結合,對訪客提供不僵化、更優質的回答體驗。

ChatGPT和傳統文本,語音機器人能力的結合,會給智能客服的機器人服務能力帶來質的飛躍。

2)智能質檢

傳統智能質檢已經是非常成熟的解決方案,但如果通過ChatGPT,投入預訓練和一定的業務規則定義,可以實現無需復雜設定,更智能的質檢結果輸出。

我們向模型內投入一定數量的優質錄音、文本,然后告知ChatGPT都有哪些加分因子、讓他自動判別生產數據的質檢情況,然后不斷通過手工質檢的對齊調優,讓ChatGPT持續不斷學習和改進。

3)智能化輔助

同理,對于座席側智能輔助功能,也是可以通過對優質樣本的投喂,正確流程和加分因子的定義,不斷的讓ChatGPT在數據滋養下,實時對座席給出更好的輔助能力。原有的輔助功能框架可以保留,但是內里是一個不斷進化,自動學習的“業務助理”

4)內訓機器人

基于智能質檢和智能輔助的基本能力,針對使用場景是企業內訓的機器人,也完全可以基于現有數據樣本,更自動化的生成內訓“教官”,我們業務管理人員,可以針對崗前培訓、業務流程、服務過程設定不同內訓主題,一定量標準語料訓練后,讓內訓機器人指導座席進行自我訓練,這種對于強調學習能力和管理能力的運營型客戶,很有吸引力。

5)智能填單類

智能客服應用中,有大量需要手工輸入的表單:客戶資料、跟進記錄、服務工單,目前市面上CRM領域已經出現借助ChatGPT進行智能填單的實驗性應用。按以往的實現方式,必須有復雜的工程化設計,將會話文本實時匹配,借助詞性分析,語義分析和關鍵字查找等方式,使用表現往往不盡如人意。我們可以期待LLM大語言模型的超強能力可以有效提升這類型產品的實用度。

6)從幫助中心到座席助理

全功能的智能客服產品已經是一個非常龐大的產品體系,功能多如牛毛,上手難度很高。

很多產品的設計,需要操作者進行到處跳轉去查找、配置、調整。以往的幫助形式,除了簡單的頁面的功能提示,就是如wiki一般厚重的在線幫助頁面,對使用者說不上友好,對開發者也有持續更新維護的沉重負擔。

而使用智能助理模式的在線幫助,不同角色的人員可以通過對話式的簡單體驗,來獲取使用上的實時協助,甚至一些功能型的配置和要求,聰明的助理也可以準確理解使用者的對話,直接進行配置和改變。

比如:系統管理員喚起智能配置助理:

“小C小C,幫我查找一個近半個月名字叫做***的客戶所有訪問和對話記錄”

這個對小C的能力來說,就是小case了。

“小C小C,我需要設置一個清明節的IVR語音導航,所有清明節時間呼入的電話,都提示這樣一句話:***”

這個要求嘛,還是有一定風險,出于謹慎目的,小C還需要和你反復確認一些關鍵配置要素,確認無誤才去執行。

7)AIGC知識庫

智能客服產品中,最需要內容生產能力的地方,莫過于知識庫。

產品必備的知識庫通常分幾類:內部知識庫、機器人知識庫和外部知識庫。

① 內部知識庫

是提供給座席使用者,會話中實時定位查詢使用。企業的業務變化多端,知識庫的調整要及時到位。對于內部知識庫的整理。一般需要專人進行上傳、編輯、整理,用過的都知道這是一個非常耗費工作量的事情。

ChatGPT的引入,能協助高效智能的歸類,自動生成知識庫類目、明細。如果增加對外部數據源的引用,知識庫還可以自動關聯,減少知識庫同步的操作。使用者在應用中,可給與知識點反饋,能幫助知識庫進行權重自動調節。

② 機器人知識庫

文本和語音機器人能夠回答訪客問題,依賴機器人知識庫的有效內容。一旦無法命中,機器人只能回避或者推薦其他知識點。對于未知問題的整理,是需要智能客服使用者大量投入工作量的一個地方。

同樣,對于調用量遠大于內部知識庫的機器人知識庫來說,借助用戶反饋來對未知問題進行自動整理和關聯,能節省很多知識庫維護者的工作。我們也可以通過多機器人組合的方式,在一通會話中接力棒一般服務于客戶的不同場景,那么被訓練好的ChatGPT專屬機器人,也可以在特定的場合發揮能力,并可以逐步替代一些以往模式僵化的問答型機器人。

③ 外部知識庫

如果企業有知識門戶的需求,需要整合在智能客服產品中,如果不把這類產品算作一個獨立品類的話,基于ChatGPT的多模態的AIGC能力,可以更方便的將已整理的知識內容轉化為輸出產物,更方便的生成知識文章、圖片、甚至音視頻,快速生成一個個性化的知識空間。

充分發揮ChatGPT創造性的工作,這里還有很多的想象空間。

④ 數據預測類應用

最后我想到的一個品類,是基于對智能客服數據的預測分析。作為以往智能客服類產品的一個“短板”,建設數據預測類產品可能需要很重的CDP數據平臺建設,CEM客戶體驗管理等方式,如果ChatGPT可以更高效精準的進行銷售意向,行為,成交概率的預測,對利潤中心導向的智能客服產品,將具有很大價值。

4. 商業化前景

以上,完全只是構想,甚至算是空想,想要做出真正落地的應用,我們更應該同步關注這些問題:

  • 投入產出比?
  • 可衡量的客戶認可和價值體現?
  • 通用性與行業性?
  • 數據風險和監管安全?

這樣的問題繼續深入下去,將有很多的擴展,也不是我這一篇短文就能聊清楚。后續我會隨著思考和實踐,再單獨分類整理。

ChatGPT們的到來,首先讓我們震驚,然后是思考,更重要是發現全新的機會。

所知有限,期待與大家的深入交流。

最后的最后,來看看ChatGPT和文心一言對這個問題的解答吧

智能客服與ChatGPT

智能客服與ChatGPT

公眾號:通信產品的那些事

本文由 @通信產品的那些事 原創發布于人人都是產品經理,未經作者許可,禁止轉載。

題圖來自Unsplash,基于CC0協議。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

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. 我的思考:語言模型對呼出場景的應用非常有限,對特定行業的呼入場景會有比較好的應用;
    一、呼出場景:
    老哥說很好,就是需要明確簡單的任務,不用擴展,話術模版夠用了!
    (例子絕了,掃地機器人與智能音箱閑聊);
    二、呼入場景:
    部分呼入場景,如點餐、旅行方案咨詢、樓盤咨詢等;
    用戶呼入時是需要獲取較多信息來進行決策的,當前AI能力只能進行知識庫的內容解答,剩下大部分需要人工客服對接與解讀,大量精力在于提供信息幫助用戶決策。如今可以,將文檔輸入(菜單、各方案等)到大模型中作為上文輸入,用戶回答進行下文輸入。限定在上文范圍內幫助用戶決策,降低人工成本;

    來自廣東 回復