在本文中，我將提供各種基于AI的應(yīng)用程序框架，這樣你就可以更好地了解哪些供應(yīng)商能夠支持你的聯(lián)絡(luò)中心AI自動化需求。

　　讓我們從定義AI開始。你會發(fā)現(xiàn)人工智能有很多不同的定義，但人們的共識是模仿人類的行為。

　　對于許多人來說，機器學(xué)習(xí)（ML）對于真正的人工智能來說是必要的。ML是機器識別不清楚的內(nèi)容、動作、行為或意圖的能力。你可以用統(tǒng)計模型來計算概率；然而，在企業(yè)中，人的指導(dǎo)或治理是最好的方法。如果你正在考慮企業(yè)中的人工智能，請務(wù)必理解你將如何管理ML流程。

　　學(xué)習(xí)是人類的特性，但在某些情況下，ML可能是有問題的。想想Tay，微軟在Twitter上推出的通用聊天機器人。在24小時內(nèi)，微軟不得不取消Tay，因為一些Twitter用戶教它一些非常糟糕的種族主義習(xí)慣。正如我前面提到的，確保你知道ML流程如何為你可能選擇的AI工具工作。

　　客戶參與推論是使用對話錄音培訓(xùn)網(wǎng)絡(luò)聊天機器人或語音助理。如果座席能夠正確地以恰當?shù)姆绞教幚砻總�客戶的交互，那就太好了，但事實并非如此。當提供一個會話人工智能接口時，使用先前記錄的交互，確保你能夠編輯錯誤的行為和錯誤的答案。

　　在探索人工智能的過程中，你還需要了解認知處理和規(guī)模。

　　認知處理器是指支持人工智能應(yīng)用的計算平臺。這個平臺可以包含一個處理器或多個處理器，甚至是數(shù)千個處理器的神經(jīng)網(wǎng)絡(luò)。其中任何一種都適用于聯(lián)絡(luò)中心，并且能夠運行本文中討論的任何應(yīng)用程序--但是，規(guī)模是一個問題。

　　關(guān)于規(guī)模，最好的做法是從有限的生產(chǎn)實現(xiàn)開始--在聯(lián)絡(luò)中心，這意味著限制你的機器人可以支持的并發(fā)用戶的數(shù)量。你可能從10或50個并發(fā)用戶開始，但不是數(shù)百個。原因是每個用例都是不同的，在最初的幾個月里，你將不得不測量機器人的性能，以便了解如何最好地增加處理能力以滿足企業(yè)的規(guī)模。

　　此外，隨著時間的推移，ML將傾向于減少處理器負載。在幾個月內(nèi)運行有限的實現(xiàn)將允許每個交互的處理器需求穩(wěn)定，這樣你就可以計算生產(chǎn)規(guī)模。使用基于云計算的“租賃”處理器，按月或按年計算，將降低購買過多處理器的風(fēng)險。

　　在客戶參與環(huán)境中有用的人工智能工具分為以下幾類：

　　會話人工智能--自然語言處理（NLP）及其組成部分：自然語言理解和自然語言生成。

　　ASR/TTS，它提供了機器翻譯語音到文本的能力，相反，將文本轉(zhuǎn)換為語音，這是幾十年來一直常用的。例如，我在1995年實現(xiàn)了我的第一個ASR/TTS解決方案，為強生公司（Johnson & Johnson）提供服務(wù)。對于這個用例，我們培訓(xùn)了一臺機器來識別60000個不同的組件號碼，以便在電話訂單上提供更好的準確性。我們需要幫助的大部分ML用于處理重復(fù)的組件編號和組件標簽，它們使用了聲音相似的字母和數(shù)字（B、3、G、Z…）。幾周內(nèi)，我們在識別特定組件方面達到了99%的準確度。

　　Nuance Communications的Dragon自然語音識別軟件是一個商業(yè)ASR/TTS工具的例子，自1982年以來就一直存在。這篇文章的其中某些部分是利用它寫成的，口述--然后轉(zhuǎn)換成文字。首先，該軟件使用ML的概念稱為“培訓(xùn)”�；�本上，它為你提供了一些閱讀的文件，它可以學(xué)習(xí)你的聲音是如何發(fā)音的，就像你已經(jīng)知道的單詞一樣。而且，它會在你每次使用它的時候?qū)W習(xí)，并且有能力閱讀你的電子郵件和存儲的文檔來學(xué)習(xí)你的寫作方式。如果你有背部或頸部的毛病，整天都趴在鍵盤上，我強烈建議你試試。但是要注意的是：正確地拼寫每一個單詞，但這并不意味著它永遠是正確的單詞。

　　RAP（機器人過程自動化）則是計算機腳本的使用，即移動數(shù)據(jù)或處理事務(wù)，需要多個計算機系統(tǒng)或計算機系統(tǒng)內(nèi)創(chuàng)建函數(shù)。幾年前，企業(yè)開始在RPA上花錢。它在幾個方面與腳本不同，最明顯的是它使用了ML；具有業(yè)務(wù)規(guī)則的集中式存儲庫；而且，在大多數(shù)情況下，有能力使用NLP來改善它的效用。

　　RPA在處理與CRM相關(guān)的工作或在聯(lián)絡(luò)中心的額外工作時特別有用。一個完美的例子是使用RPA消除客戶關(guān)系管理和訂購系統(tǒng)之間的手動復(fù)制和粘貼案例說明。RPA不太容易出錯，并且允許聯(lián)絡(luò)中心座席專注于更有意義的工作。

　　有了ML，機器人就有機會通過識別新的產(chǎn)品和流程來提高自身，從而引入客戶參與環(huán)境。例如，當一個新產(chǎn)品出現(xiàn)在電子采購訂單上時，機器人可能不知道它是什么；但是，它將知道字段的內(nèi)容是分類法的一部分，它將其標識為產(chǎn)品，而不是名稱或地址。這使得ML管理過程更容易。此外，在合適的條件下，使用ML的機器人可以處理新產(chǎn)品的購買訂單，而無需將其重寫為腳本。

　　當多個RPA進程處理相似的數(shù)據(jù)并將這些數(shù)據(jù)移動到類似或相同的信息系統(tǒng)平臺時，業(yè)務(wù)規(guī)則庫非常有用。例如，知道一個已知的實體，比如地址總是在同一個地方，可以方便地部署新的RPA解決方案。

　　NLP與RPA定期合作。舉一個簡單的例子，再考慮一下電子采購訂單。只有一個typo意味著一個簡單的腳本將會失敗，并且訂單需要手工處理。NLP有能力使用“庫存”或編程語言元素來減輕輸入錯誤的影響。此外，你可以使用NLP來總結(jié)在采購訂單上用簡單英語描述的注釋或異常。機器人可以適應(yīng)航運術(shù)語、交付要求和特殊請求，但是腳本工具只能標記手動處理的異常。

　　您可以從數(shù)百個供應(yīng)商中找到你所想要的RPA工具，包括BluePrism、IBM、Microsoft、Pegasystems和UiPath。

　　聯(lián)絡(luò)中心有幾種方法來使用基于AI的分析。在聯(lián)絡(luò)中心中，基于AI的分析通常使用元數(shù)據(jù)來描述交互，而不是交互本身。另一方面，基于NLP的分析應(yīng)用于交互本身的內(nèi)容。為了設(shè)置語境，NLP由兩部分組成：自然語言理解（NLU）和自然語言生成（NLG）。NLU可以做以下操作，但不限于：辨別意圖、消除歧義、術(shù)語提取、翻譯、解析、詞干、命名實體提取、主題分割、識別情緒（感情）、總結(jié)內(nèi)容、標記內(nèi)容和分類。NLG只生成基于語言的響應(yīng)。（NLP將是另一篇文章的主題）

　　使用的操作決策標準是：你是否關(guān)心客戶已經(jīng)做了什么，還是關(guān)心客戶現(xiàn)在正在做什么？

　　在我看來，知道客戶現(xiàn)在做什么比知道客戶上周做了什么，甚至僅僅是剛才的事情更重要。例如，銀行客戶使用IVR來轉(zhuǎn)賬，然后按“0”到達座席。在大多數(shù)情況下，IVR會把客戶轉(zhuǎn)移到處理轉(zhuǎn)賬的呼叫隊列。然而，現(xiàn)實情況是，轉(zhuǎn)賬很可能已經(jīng)完成，客戶可能想做些別的事情，比如申請抵押貸款。在這種情況下，元數(shù)據(jù)有其局限性�；�于NLU的路由解決方案將詢問客戶他或她希望下一步做什么，然后路由到適當?shù)暮艚嘘犃?-或者甚至可能調(diào)用NLP來處理貸款應(yīng)用程序。

　　令我的客戶感到驚訝的是，他們可以用最少的滯后時間來執(zhí)行分析（有些人可能會稱之為實時分析，但我認為這更像是一種接近實時的分析）。

　　元數(shù)據(jù)分析，如可能使用像Altocloud這樣的平臺（現(xiàn)在是Genesys），可以使用子秒延遲執(zhí)行。分析文本可能需要更長的時間，因為機器可能無法理解真正的意圖，直到背誦完成。AmazonLex、GridspaceSift和IBMWatson都是可以執(zhí)行NLP分析的解決方案的例子。

　　情緒分析也是我的大多數(shù)客戶感興趣的方面，通常，這些分析是在會話接口建立之后實現(xiàn)的。在會話接口之前，我看到客戶實現(xiàn)NLP分析的唯一地方是對遵從性的研究。這樣做的一個例子就是分析經(jīng)紀人在金融業(yè)務(wù)中與法定要求的相關(guān)表現(xiàn)。

　　到目前為止，最有效的利用人工智能，使用NLP技術(shù)與客戶進行交談的就是聯(lián)絡(luò)中心。我們看到了勞動力利用率的主要變化，根據(jù)用例，聯(lián)絡(luò)中心的勞動力需求下降了10%到70%。由于機器人的速度比人快，因此客戶的努力往往會減少。

　　通常，這些實現(xiàn)采用無縫的、非侵入性的方式，就可以實現(xiàn)上述所有技術(shù)。我所說的非侵入性指的是機器人，網(wǎng)絡(luò)聊天機器人，或語音助手成為你的網(wǎng)絡(luò)聊天，語音電話和信息基礎(chǔ)設(shè)施的用戶。為了實現(xiàn)這兩個接口，什么都不需要中斷。

　　通過將機器人作為用戶在這些系統(tǒng)上集成，你提供了一種無縫的方法，以便在必要時將交互傳遞給人類座席。機器人知道它不知道什么，機器人能比人類更快地察覺到負面情緒。在這些條件和其他條件下，機器人可以將客戶交互轉(zhuǎn)移到一個人的解決方案中。

　　一個認知處理平臺可以同時使用網(wǎng)絡(luò)聊天和語音接口，以及新的語音計算接口，比如亞馬遜Alexa、蘋果iHome和谷歌Home。一般來說，這些接口是從認知處理器中抽象出來的，但有些接口被他們所使用的媒體所限制。例如，你不能將圖形文件發(fā)送到語音接口。但是，你可以在一些調(diào)用VisualIVR中協(xié)調(diào)使用不同的媒體。Nuance在美國航空公司的實施就是一個很好的例子。在這個用例中，交互可以從語音開始，但是平臺可以將URL推送到移動設(shè)備或電子郵件接口來支持座位選擇。在美國的實現(xiàn)中，URL提供了用于座位選擇的座位圖。

　　Web聊天集成通常基于Web服務(wù)集成。唯一的訣竅就是讓傳遞函數(shù)發(fā)揮作用。大多數(shù)較大的播放器都已經(jīng)預(yù)先構(gòu)建了它們的APIs；但是，如果你使用的是一個不太知名的NLP解決方案的Web聊天軟件，那么你可能將需要編寫一些代碼。

　　語音接口比網(wǎng)絡(luò)聊天要復(fù)雜一些。你應(yīng)該能夠重用你的IVR作為ASR/TTS，但是這樣做通常需要一些重新設(shè)計和重新配置--一直回到PSTN。高質(zhì)量的音質(zhì)網(wǎng)會得到高質(zhì)量的效果。如果你使用的是高壓縮編碼，那么你就需要一個低性能的語音識別解決方案。在IVR重用的情況下，ASR/TTS處理器位于傳統(tǒng)IVR的后面。通過這種方式，你可以一次遷移一個新的語音NLP自動化過程，并且風(fēng)險最小。

　　Alexa類型的實現(xiàn)可以提供相同的語音計算接口；然而，他們在架構(gòu)上不同。在這些情況下，設(shè)備本身，而不是IVR，可以托管ASR/TTS。此外，要將交互傳遞到傳統(tǒng)語音系統(tǒng)，需要使用兼容的編解碼器。這些新設(shè)備支持開放標準的Opus編碼器，它也可用于一些語音系統(tǒng)，WebRTC和許多會話邊界控制器（SBCs）。

　　順便說一下，Alexa的使用并不僅限于亞馬遜的設(shè)備。亞馬遜去年為Windows10推出了Alexa，任何可以運行亞馬遜應(yīng)用程序的地方都可以運行Alexa。而且，你不必總是說“Alexa”。你可以調(diào)整界面以顯示你公司的名字。例如，你可以在你按下Alexa按鈕和/或在你的設(shè)備上注冊“技能”之后說：“啟動ABC公司的產(chǎn)品訂購”。

　　你可以一起使用全渠道和會話人工智能，但是設(shè)計對話流是非常重要的。你必須特別注意機器人將遇到的故障情況。Visual IVR還創(chuàng)建了一些失敗案例的挑戰(zhàn)，你需要在部署之前做好計劃。

　　所有主要的聯(lián)絡(luò)中心客戶關(guān)系管理和電話供應(yīng)商都提供或有一個計劃，以使基于AI的解決方案提供給他們的聯(lián)絡(luò)中心客戶。此外，目前市場上有1000多個RPA、會話AI和NLP分析平臺。

　　在許多方面，聯(lián)絡(luò)中心的運營商從來沒有這么好過�；�于AI的自動化工具正在減少勞動力需求和客戶的努力。工具就在那里。如果你制定一個好的計劃并執(zhí)行，你將在許多層面上取得成功，并發(fā)現(xiàn)你的企業(yè)和客戶的一些事情，從而獲得更大的成功。

　　原文網(wǎng)址：https://www.nojitter.com/post/240173423/ai-in-your-contact-center-understanding-the-basics