在客服行業，機器人的應用，極大地提高了企業服務的效率和質量，降低人力成本。那么在AI技術迅猛發展的今天，自然語言交互到底給傳統的客服機器人帶來了什么樣的改變？下面將會從幾個方面做一個簡單的展開。

　　一、算法層面：自學習能力和泛化能力加強，可實現淺層語義理解

　　首先我們先了解一下，什么是傳統客服機器人。客服行業是典型的勞動密集行業，管理形式粗獷、工作時間長、工作重復性高。傳統客服機器人是指最早期利用關鍵詞和搜索技術搭建起來的對話機器人，目標是解決用戶常規的重復性提問，減少人工客服的投入，改變客服工作的模式，提供7X24小時全年無休咨詢服務。

　　傳統客服機器人起步較早，在零幾年前后就起來了很多專門提供智能客服的公司。傳統客服機器人發展到如今已經有快三十年的歷史，商業模式已經相對成熟，其算法特點是通過建立規則模板知識庫，利用搜索技術在用戶問句模板與句型模板庫中模板進行匹配，返回模板預設好的答案給用戶。

　　然而規則模板結合搜索的做法，存在很多弊端。一是它返回用戶很多大量的或相關或無關的問題，用戶需要在這些問題菜單中進一步篩選信息，我們行業內通常稱之為指定相關問。例如在電商場景，用戶咨詢選尺碼的問題，機器人給返回了六七條和尺碼相關的問題。

　　二是幾個關鍵字的規則模板組合很難清楚的表達用戶檢索意圖，同時基于關鍵字的索引，匹配算法不做語義理解，較難提高檢索的效果。我們可以嘗試換一個問題提問。

　　當用戶輸入選的尺碼不合適時，其提問場景已經轉變成用戶收到貨后，試穿之后發現尺碼大了或小了，可能是需要退換貨。而機器人返回仍然是如何選尺碼的答案，很顯然是打中了選和尺碼兩個關鍵字造成的誤匹。從這個結果不難反推出如何選尺碼的問題模板就是[選][尺碼]，只要用戶輸入的問句中包含這兩個關鍵詞，不管問的是什么問題，都會暴力匹配到這題。

　　不解其義，囫圇吞棗地處理，檢索效果很難提高。

　　為了解決這個問題，機器學習技術近年來也被應用到智能客服對話機器人上，并逐步取代傳統客服機器人。

　　我們會將關鍵詞模板稱之為前人工時代，自然語言處理和深度學習稱之為后人工時代。這兩個時代劃分的意義是，對話機器人已經有了淺層的語義理解。打個比方說就是，前人工智能時代的機器人的語言理解能力如果是嬰兒的話，那么后人工智能時代的機器人就相當于3~4歲的兒童。

　　NLP會對輸入的文本進行分詞、詞性標注、句法分析、語義角色標注、依存分析、言外行為分析、拼音糾錯、實體抽取等等，通過這些嘗試理解句子的關系和含義，對問題處理的精度更細。

　　NLP會對輸入的文本進行分詞、詞性標注、句法分析、語義角色標注、依存分析、言外行為分析、拼音糾錯、實體抽取等等，通過這些嘗試理解句子的關系和含義，對問題處理的精度更細。

　　說到這里，并不是說關鍵詞不可以用，但它只能解決最簡單的那種肯定句數據，句法稍微有一些變化，它是解決不了問題的。機器學習（ML）通過訓練數據模型，數據的特征組合和抽象會交給深度學習自行學習，從而獲得一定的泛化能力，可以舉一反三。

　　所以選擇機器學習方法，數據樣本的篩選和構造十分重要。互聯網發展幾十年的歷史，大多企業已經累積了大量的用戶數據，用戶的聊天日志是非常好的訓練數據。

　　使用機器學習方法來挖掘大量用戶數據，可以發現其中并不顯著的規律。在傳統方法中，你的程序會變成一長串復雜的規則，這樣就會很難維護且不具備泛化能力。相反的，基于機器學習技術會自動學習哪個詞和短語是預測值，更易維護，也更精確。

　　機器學習的另一個優點是善于處理對于傳統方法太復雜或是沒有已知模板的問題，也就是長難句。由于篇幅關系，這里就不詳細展開了。

　　二、產品層面：解決更復雜場景的用戶問題

　　在單輪的文本對話中，往往有些復雜的場景，無法通過一個回答來很好的解決。復雜場景需要明確用戶信息或狀態，獲取多個變量才能確定精確答案。

　　以物流行業常見的運費時效查詢這一個場景為例，用戶的發貨和收貨地點、快件重量和選擇的服務都會影響到運費的計算和配送時效。如都用統一回答的FAQ處理，顯然不夠智能和有針對性，類似的復雜場景可考慮用多輪技術解決。

　　對于復雜問題，機械性的一問一答，無法完成復雜的任務，傳統方法難以解決，而多輪技術可以找到解決方案，通過把任務完成的主導權交給機器人，獲取用戶的變量信息，也更方便進行個性定制化回答。

　　在產品層面，如今的自然語言交互可以實現例如智能推薦、訪客監控、API調用、知識圖譜，甚至語音視頻等等，對于用戶的運營來說，功能越來越豐富，手段也也來越多，這里就不一一枚舉了。

　　三、用戶體驗：類人程度提升，人機交互更自然

　　在真實的人機交互中，用戶與系統交互的過程中不免會涉及到閑聊。閑聊的功能可以讓對話機器人更有情感和溫度，交互也更加自然，減少冷冰冰的機械化感覺。

　　這其中很關鍵的一點，是識別用戶的情緒。以上海的竹間智能為例，作為中國首家致力于打造與人類具有情感共鳴、懂得人類思想的情感機器人。竹間目前做了4種的語音情緒，人的表情做了9種，文字情緒做了22種。

　　為什么文字情緒的分類可以多達22種？像上面這張圖，負面情緒中的討厭、憤怒、悲傷、難過、害怕其實是不一樣的意思。只有能夠識別這些負面情緒不同的東西，才有辦法去做正確的反饋。通常文字的情緒是不夠的，所以除了各式各樣的文字情緒之外，多模態的情感，是把文字情緒、人臉表情跟語音情感整個加在一起，去算出說這個人目前的總情感是什么。

　　傳統的客服機器人是缺少閑聊而且不具備情感計算功能的。提高擬人化程度，是自然語言人機交互的發展趨勢。

　　你可以想象未來的開放式聊天機器人，就如電影《Her》中的那個AI系統Samantha一樣，既細膩敏感又風趣幽默，還擁有迷人的聲線。既能充當工作助理的角色，也能成為情感的寄托。

　　四、客戶運維：降低知識庫運營成本，聚焦挖掘用戶需求

　　為什么說自然語言處理和深度學習的應用，可以降低客服機器人的知識庫運營成本呢？一是因為用戶日志作為樣本數據訓練，運營人員不需要花費較長時間學習模板規則，二是在機器人上線后后期維護只需要定期，大約每周或每天抽取幾個小時標注未匹配到標準問的用戶日志重新訓練即可。相較傳統客服機器人需要十幾人的運營團隊專職運維知識庫來說，人力投入大大較少。

　　再就是新的自然語言處理技術，可以對用戶聊天記錄進行多維度的分析和挖掘，如進行用戶畫像、輿情分析等，捕捉用戶更多的需求和場景，從而可以支持更精準的推薦和營銷，提高企業的效益和用戶體驗。

　　但陽光之下也不是沒有陰影，在人工智能技術取得了顯著進步的同時，質疑的聲音也悄然興起，給人工智能蒙上了一層陰翳，首先，就目前的AI技術來說，還遠遠沒達到人們對智能的想象——擁有像人一樣的思考和推理和能力。其次也不乏別有用心者利用大數據催生精準騙局，騷擾電話防不勝防。

　　但硬幣的兩面性決定我們，不能因為人性的貪婪而因噎廢食，因此忽視這些技術應用給企業服務帶來的確實的效益和便利性，關鍵是在如何合理地利用和加強監管，規范行業亂象，讓真正擁有技術的公司良性發展，讓AI技術真正造福人類。