【實(shí)操指南】如何在網(wǎng)約車業(yè)務(wù)中使用AI進(jìn)行多模態(tài)判責(zé)
在打車時(shí),常有各種意想不到的意外發(fā)生:錯(cuò)過上/下車點(diǎn),司機(jī)駕駛習(xí)慣問題,繞路等等。如果引入AI來處理,這些工作如何判定呢?這篇文章,我們看看作者分享的案例。
一、場景案例
以網(wǎng)約車為例:
行程前:
上車點(diǎn)標(biāo)記準(zhǔn)確,但是司機(jī)往前走了幾十米,走錯(cuò)過去了,現(xiàn)在司機(jī)又不能掉頭,只能讓乘客自己走過去找車。
行程中:
是這個(gè)車行駛的非常頓挫,急停急開的,讓乘客非常不適,我沒有到下車點(diǎn),就和司機(jī)師傅說就這里吧。
行程后:
我在app上對司機(jī)進(jìn)行駕駛行為的投訴,費(fèi)用問題的投訴。
事后有短信通知我,經(jīng)過“核實(shí)”對司機(jī)進(jìn)行了處罰,并這筆訂單發(fā)給我一張5元無門檻優(yōu)惠券。
這個(gè)事件來看,平臺(tái)遇到的此類投訴問題必然不在少數(shù)。
但是整體對于我來說,雖然賠了5塊錢,整體的司機(jī)帶來的體驗(yàn)非常差勁,
所以對于司機(jī)乘客之間的投訴或者糾紛的處罰問題,在現(xiàn)在的AI時(shí)代,有什么可以優(yōu)化的提效點(diǎn)呢?
我們一步步的來分析:
對待這個(gè)案件,我們需要結(jié)合了事實(shí)數(shù)據(jù):行程的LBS、通話記錄、行程的錄音等等。
需要佐證的點(diǎn):
- 司機(jī)的駕駛行為ok嗎
- 證明司機(jī)確實(shí)態(tài)度問題
- 乘客到底是主動(dòng)下車嗎
二、業(yè)務(wù)分析
1. 關(guān)于行程軌跡數(shù)據(jù)
還有對于車輛的軌跡判斷,是否是急停急開(通過現(xiàn)在的手機(jī)通訊的lbs的數(shù)據(jù)是無法判斷這一點(diǎn)的),只能通過該司機(jī)是否被人高頻投訴這個(gè)事情,來進(jìn)行相關(guān)因子參數(shù)的確認(rèn)。
2. 如何通過【電話的通話錄音】,進(jìn)行態(tài)度、意圖的分析
撥打電話的情況:乘客司機(jī)、乘客客服、司機(jī)客服
以上都是打電話的行為,語音錄音時(shí)長還好,所以成本可控
3. 如何通過【行程的通話錄音】,進(jìn)行態(tài)度、意圖的分析
現(xiàn)在網(wǎng)約車平臺(tái)的行程錄音,分多個(gè)錄音端口進(jìn)行錄音,
- 司機(jī)的手機(jī)、
- 乘客的手機(jī)、
- 部分車內(nèi)有一些監(jiān)控?cái)z像頭、語音錄音裝置,
同一筆訂單多的能拿到以上所有的數(shù)據(jù),少的也至少有第一種;
所以究竟以哪些語音音頻作為主要的呢,這里就涉及到優(yōu)先級策略的分配了。
策略原則:置信度
在不同場景和人群中,同一session的置信度也是不同的
產(chǎn)品設(shè)計(jì)上就要考慮到when- where-who-what-四項(xiàng)因素:
控制變量,在不同變量下的證據(jù)的置信度排序問題;
三、產(chǎn)品解法
據(jù)策略配置與因子系數(shù)設(shè)定
判責(zé)場景:客訴判責(zé)、三方判責(zé)、主動(dòng)監(jiān)控判責(zé)
區(qū)分原因:根據(jù)條例的可控程度
判責(zé)證據(jù)因子:分類枚舉值:行程軌跡數(shù)據(jù)、電話的通話錄音、行程的通話錄音
場景描述:
在xx的投訴中,
- 業(yè)務(wù)數(shù)據(jù):xx等級的司機(jī),是否在過去xxdays有過同類的投訴–系數(shù)xx
- 行程軌跡:軌跡出現(xiàn)偏移xx%–系數(shù)xx
- 通話錄音:撥打x次,通話意圖判斷為xx–系數(shù)xx
- 行程中:時(shí)長xx:提到xx的,意圖xx–系數(shù)xx
案件判責(zé)測試
- 把已經(jīng)人工標(biāo)注為誰有責(zé)的案件,通過對設(shè)定的判責(zé)流程,進(jìn)行測試;
數(shù)據(jù)集與標(biāo)注系統(tǒng)
- 人工主動(dòng)抽檢:對AI判責(zé)結(jié)果進(jìn)行抽檢、標(biāo)注;
- badcase標(biāo)注學(xué)習(xí);
- 數(shù)據(jù)集重新判責(zé)
四、運(yùn)營協(xié)同機(jī)制共識(shí)
場景歸納優(yōu)先級(產(chǎn)品運(yùn)營策略設(shè)定)
比如先把什么案件的,進(jìn)行AI判責(zé),AI判的流程是啥樣的
準(zhǔn)確率數(shù)據(jù)跟進(jìn)
人工和AI數(shù)據(jù)結(jié)果比對
準(zhǔn)備專門的抽檢AI判責(zé)結(jié)果的人員,使用產(chǎn)品提供的數(shù)據(jù)標(biāo)注工具,對案件進(jìn)行標(biāo)記
數(shù)據(jù)集復(fù)查
根據(jù)標(biāo)注結(jié)果進(jìn)行監(jiān)督學(xué)習(xí)
badcase跟進(jìn)
“判錯(cuò)”事件人工犯案+人工賠償機(jī)制+對case納入數(shù)據(jù)集進(jìn)行復(fù)檢
策略優(yōu)先級因子調(diào)整
根據(jù)以上因子系數(shù)不斷調(diào)整,這里一定是不斷優(yōu)化配置的,是一個(gè)反復(fù)的過程
所以在判責(zé)場景的數(shù)據(jù)引用中,是完全符合多模態(tài)的,
所以邏輯的拆解上,是完全符合的,音頻、圖片、具體數(shù)據(jù)。
所以這里就是打破對于計(jì)算機(jī)單一數(shù)據(jù)來源的情況的創(chuàng)新業(yè)務(wù)機(jī)會(huì)點(diǎn)
同樣符合涉及撮合業(yè)務(wù)、本地生活業(yè)務(wù)的各業(yè)務(wù)場景,歡迎各位同行討論學(xué)習(xí)~~
本文由 @聞一 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載。
題圖來自Unsplash,基于CC0協(xié)議。
該文觀點(diǎn)僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。
- 目前還沒評論,等你發(fā)揮!