玄幻小说排行榜完本,完美世界有声小说,有声读物

新聞中心

這里有您想知道的互聯(lián)網(wǎng)營銷解決方案

AI中臺——智能聊天機器人平臺的架構與應用

主講人介紹：

通道ssl適用于網(wǎng)站、小程序/APP、API接口等需要進行數(shù)據(jù)傳輸應用場景，ssl證書未來市場廣闊！成為創(chuàng)新互聯(lián)公司的ssl證書銷售渠道，可以享受市場價格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：18980820575（備注：SSL證書合作）期待與您的合作！

王東：北大研究生宜信科技中心AI中臺團隊負責人

導讀：隨著“中臺”戰(zhàn)略的提出，目前宜信中臺建設在思想理念及架構設計上都已經(jīng)取得了很多成果。宜信是如何借助中臺化的思想打造“AI中臺”及相關的智能產(chǎn)品呢？本次直播，宜信科技中心AI中臺團隊負責人王東老師分享了宜信AI中臺的具體實施路徑，并重點介紹了AI中臺的智能產(chǎn)品——智能聊天機器人平臺，包括智能聊天機器人平臺的背景理念、設計思想、技術架構和應用場景，該平臺能提供什么樣的能力，以及它如何快速地支持業(yè)務方，提供一種以中臺化的思想來建設智能產(chǎn)品的實踐思路。

分享大綱：

一、AI中臺總體設計和實施步驟

二、機器人平臺的背景、設計理念和技術架構

三、機器人平臺的核心原理和主要功能點

四、智能聊天機器人平臺的應用場景

五、總結

前兩期技術沙龍分別分享了宜信AI中臺和數(shù)據(jù)中臺的建設實踐，本次分享將先回顧AI中臺的總體設計和實施路徑，以及AI中臺與數(shù)據(jù)中臺的關系，再詳細介紹基于中臺思想建設的智能聊天機器人平臺，包括其技術架構、技術原理、核心功能點、應用場景以及應用效果。

一、AI中臺總體設計和實施步驟

1.1 業(yè)務演進與廣泛的智能化需求

隨著業(yè)務的不斷發(fā)展，業(yè)務處于不同的發(fā)展階段，對數(shù)據(jù)的需求也從剛開始的可用-滿足BI分析，到后來的易用-敏捷化分析，到現(xiàn)在的好用-數(shù)據(jù)智能化。例如前臺系統(tǒng)提出客戶細分、個性化推薦、智能問答、模型預測等需求，后臺數(shù)據(jù)探索需要進行關聯(lián)分析、聚類分析、持續(xù)分析等，這些都向我們提出了數(shù)據(jù)智能化的需求。

數(shù)據(jù)平臺化能夠解決數(shù)據(jù)可用性的問題，提供數(shù)據(jù)的平臺化管理、數(shù)據(jù)存儲、數(shù)據(jù)計算、管理、運維等功能；
數(shù)據(jù)中臺化可以解決易用的問題，提供自助化、敏捷化的支持，并為數(shù)據(jù)的資產(chǎn)化、融合化、運營化提供支持。
數(shù)據(jù)智能化解決了好用的問題：從數(shù)據(jù)洞察到學習預測，數(shù)據(jù)驅(qū)動創(chuàng)新。

1.2 從數(shù)據(jù)中臺到AI中臺

數(shù)據(jù)中臺除了提供平臺能力以外，還提供了一些更高級的能力，比如把數(shù)據(jù)變成一種基礎服務提供給業(yè)務方，業(yè)務方可以以自助的方式在數(shù)據(jù)中臺上獲取數(shù)據(jù)、進行數(shù)據(jù)處理、數(shù)據(jù)探索、數(shù)據(jù)挖掘、分析鉆取、多維分析、自助化報表、數(shù)據(jù)共享等，以快速實現(xiàn)自己的商業(yè)價值。

隨著業(yè)務的發(fā)展，越來越多智能化的數(shù)據(jù)需求被提出，這些智能化需求涉及到模型訓練、數(shù)據(jù)標注、特征工程、模型部署、性能監(jiān)控等，需要使用機器學習、深度學習等算法支持。數(shù)據(jù)中臺的主要目標還是服務數(shù)據(jù)，對于智能化和模型并不能很好地支持，因此AI中臺應運而生。

我們把智能服務的需求抽象出來，形成一個獨立的AI中臺層。AI中臺是一個用來構建智能服務的基礎設施平臺，對公司所需的模型提供分布分層的構建能力和全生命周期管理的服務，鼓勵各個業(yè)務領域?qū)⒒A性、場景性、通用性的AI能力沉淀到平臺中，加強模型復用、組合創(chuàng)新、規(guī)模化，最終實現(xiàn)降本增效和快速響應業(yè)務方的目的。

1.3 數(shù)據(jù)中臺和AI中臺的關系

既然提到了數(shù)據(jù)中臺和AI中臺，很多人會問：數(shù)據(jù)中臺和AI中臺是什么關系呢？

數(shù)據(jù)中臺和AI中臺兩者是相互依存、承前啟后的關系。

首先，數(shù)據(jù)中臺和AI中臺都對外提供服務，只是側(cè)重點不同。

數(shù)據(jù)中臺提供各種數(shù)據(jù)服務和數(shù)據(jù)產(chǎn)品，例如：BI報表應用、數(shù)據(jù)探索等。
AI中臺提供各種智能服務和智能產(chǎn)品，并承擔復雜的學習預測類智能需求研發(fā)、模型訓練、特征工程、數(shù)據(jù)標注等能力。例如：模型預測、智能推薦等。

其次，數(shù)據(jù)中臺和AI中臺是相互依存，相互支持的。

AI中臺依托數(shù)據(jù)中臺提供的數(shù)據(jù)能力和工具集，加速AI相關服務的開發(fā)和復用，來應對前臺智能化的業(yè)務需求。有了數(shù)據(jù)中臺清洗好的數(shù)據(jù)，搭建智能項目能夠事半功倍。
數(shù)據(jù)中臺也需要使用AI中臺的智能化能力，使得數(shù)據(jù)使用更加平民化和智能化。例如增強型BI分析：通用自然語言交互方式，降低BI使用門檻；通過AI分析給出參與建議，幫助普通用戶在沒有數(shù)據(jù)專家的情況下有效訪問數(shù)據(jù)；增強型數(shù)據(jù)管理：利用機器學習來管理數(shù)據(jù)，包括數(shù)據(jù)質(zhì)量、元數(shù)據(jù)管理、主數(shù)據(jù)管理等。

1.4 AI中臺需要解決的痛點

在過去，很多算法團隊更像是算法外包團隊，根據(jù)不同業(yè)務線的需求，各自構建陣地，逐個攻克目標。這樣的形式雖然也取得了很多成績，但存在重復建設、效率有限的問題。

我們將這些問題總結如下：

“煙囪式”開發(fā)，項目成本高、不易集成，過程重復，缺乏能力沉淀。
模型訪問方式各異，調(diào)用關系錯綜復雜，缺乏編排優(yōu)化、協(xié)同。
手工進行數(shù)據(jù)操作，缺少統(tǒng)一數(shù)據(jù)訪問渠道，數(shù)據(jù)獲取難、標準不統(tǒng)一。
模型研發(fā)缺乏標準指導、參與角色眾多，缺少協(xié)同、自動化輔助，難以有效管理溝通協(xié)作。
模型交付難，缺少統(tǒng)一的模型運行、監(jiān)控平臺、服務管理接口及更新、維護機制。
基礎資源分散隔離，無法動態(tài)進行資源的分配和管理，造成浪費。

這些都是AI中臺需要解決的痛點，針對以上痛點，我們希望：

對于算法、模型的標準化平臺化，對研發(fā)過程標準化指導，以提高可復用性。
統(tǒng)一的服務接口規(guī)范，支持服務的動態(tài)編排組合。
與數(shù)據(jù)中臺對接，利用數(shù)據(jù)中臺的能力對數(shù)據(jù)進行標準化處理和預處理。
流程優(yōu)化，清晰角色定義，構建AI產(chǎn)品流水線，具備環(huán)節(jié)內(nèi)部、環(huán)節(jié)之間的自動迭代、流轉(zhuǎn)功能。
提供統(tǒng)一的模型交付部署、運行環(huán)境和監(jiān)控能力，以及模型更新機制。
統(tǒng)一資源管理，包括計算資源、存儲資源等，支持資源彈性調(diào)度。

總結起來就是：可復用化、服務統(tǒng)一化、對接數(shù)據(jù)中臺、流程角色優(yōu)化、運行監(jiān)控化和資源管控化，最終讓AI中臺成為一個強大的AI能力支持中心，根據(jù)業(yè)務需求快速提供火力支援，迅速完成商業(yè)價值。

1.5 AI中臺平臺架構

下面介紹AI中臺的平臺架構。

最下面是數(shù)據(jù)中臺，提供數(shù)據(jù)處理、數(shù)據(jù)分析、數(shù)據(jù)管理、數(shù)據(jù)安全、數(shù)據(jù)服務等能力。最上面是業(yè)務前臺，包括各條業(yè)務線。AI中臺處于數(shù)據(jù)中臺和業(yè)務前臺的中間位置。

如圖所示，整個AI中臺由幾個模塊組成：

AIHub智能服務：以服務的方式將模型封裝起來，提供模型服務運行平臺能力。包括模型發(fā)布測試、自動部署、模型更新、模型交付、產(chǎn)品封裝等。
AIMon平臺監(jiān)控：對運行的模型進行監(jiān)控和預警，提供平臺的監(jiān)控服務。包括性能測試、狀態(tài)反饋、預警通知等。
AIKit智能工具箱：提供輕量級、低侵入的AI工具服務，AI應用團隊可以自由選用。例如：通過無縫嵌入python語言開發(fā)環(huán)境，Moonbox可以提供虛擬查詢數(shù)據(jù)、混算數(shù)據(jù)等能力。也提供數(shù)據(jù)標注能力，包括結構化數(shù)據(jù)，以及文字、圖像等非結構化數(shù)據(jù)的在線標注。
AIMgt中臺管理：AI中臺的一些通用管理能力。包括：角色權限、租戶管理、流程控制、資源管理等。
AILab智能試驗室：提供標準的模型訓練與優(yōu)化過程支持。包括模型設計、模型訓練、特征工程、特征處理、模型追蹤、模型評估、算法庫、模型庫等。
AIAsset智能資產(chǎn)：用于模型資產(chǎn)管理，實現(xiàn)AI能力沉淀、復用、盤點。
CUI會話式UI：這是我們AI中臺的一個產(chǎn)品，就是接下來我們要介紹的可用于問答、閑聊、任務、推薦等場景的聊天機器人平臺，從機器人平臺的角度也包含語音外呼機器人。

1.6 AI中臺的能力架構

上圖展示AI中臺的能力架構。我們以能力的角度來描述AI中臺對外輸出。除了前文介紹的服務運行能力、監(jiān)控預警能力、資源管理能力（就是圖中左邊的幾個模塊）以外，我們把AI中臺的能力分為4層：

1）平臺層

比如數(shù)據(jù)獲取能力、在線訓練能力、在線標注能力、特征工程能力、自助訓練能力等。這些能力是通過AI工具集和AIlab來實現(xiàn)的。

這層的用戶主要包括：

算法工程師（AI中臺、AI團隊），他們可以使用AI中臺提供的平臺層能力來進行在線訓練、復用算法庫、復用平臺計算資源、進行各種實驗等。
高級研發(fā)人員、數(shù)據(jù)分析人員，他們可以使用AI中臺的自助訓練能力，進行自助訓練，例如：根據(jù)自己已經(jīng)標注好的數(shù)據(jù)，自助訓練分類模型。

2）AI技術層

AI技術層主要提供：AI基礎能力，包括詞法分析、語音合成、文章分類、圖像識別等，這些本質(zhì)上是AI技術NLP、語音、圖像、視頻等大分類里的能力。

3）AI業(yè)務層

AI業(yè)務層主要提供AI技術與業(yè)務相結合后能提供的能力，比如：評論觀點提取、文章標簽、卡證類識別、人臉識別、視頻審查等。

AI技術層和業(yè)務層的區(qū)別在于：AI技術層主要提供AI基礎能力，比如NLP、CV、語音、視頻等。而AI業(yè)務層主要是將AI技術與具體的業(yè)務場景結合起來，例如身份證識別、學歷識別、驗證碼識別等。

這兩層的用戶是：業(yè)務團隊的應用開發(fā)人員，可以直接調(diào)用智能服務，從而實現(xiàn)業(yè)務場景智能化，例如：短文本相似度、語言合成、票據(jù)識別等。

4）產(chǎn)品層

這一層以產(chǎn)品的形式對外提供服務，例如：智能機器人產(chǎn)品、知識圖譜產(chǎn)品等。

這層的用戶是：公司的業(yè)務人員或公司的直接客戶，他們通過直接使用產(chǎn)品就可以獲得結果，例如：機器人。

上面3層都屬于AI資產(chǎn)。從影響力角度來看，產(chǎn)品層的影響力最大，依次下來是業(yè)務層、技術層，最后是平臺層。我們在AI中臺的實施路徑上，也會按照這個優(yōu)先級去構建和實施。

1.7 AI中臺的建設思路-開放性

數(shù)據(jù)中臺的口號是平民化和敏捷化。AI中臺的口號是開放化。

AI中臺的建設思路是希望多方聯(lián)合，公開透明，廣泛參與，協(xié)商一致促進AI能力沉淀，加強AI服務復用，降本增效。

我們更加關注于通用性的AI需求，為各個領域的AI應用團隊提供通用化智能服務。強調(diào)平臺性和可復用性，鼓勵基礎類、場景類AI服務的通用化、平臺化。

廣泛支持大中小業(yè)務領域AI應用團隊面臨的大量智能業(yè)務需求，提供模型學習平臺與模型運行監(jiān)控托管服務以及通用的AI工具，方便前臺業(yè)務快速上線智能應用。在實施過程中也會充分利用包括數(shù)據(jù)中臺在內(nèi)的現(xiàn)有技術資源，并根據(jù)業(yè)務需求強弱和重要性來確定實施路線。

我們希望AI不再是錦上添花，而是必備的能力，讓開發(fā)者重新回歸到業(yè)務的理解和創(chuàng)意的賽道上來，關注自己的業(yè)務邏輯。AI能力將會全部開放給開發(fā)者和使用者，這些能力包括語音、視頻、自然語言處理、知識圖譜等，我們會將這些能力封裝好，開發(fā)者直接調(diào)用就可以。

二、機器人平臺的背景、設計理念和技術架構

2.1 智能聊天機器人

基于中臺化思想，我們是如何建設機器人平臺的？

智能聊天機器人，是一種通過自然語言模擬人類進行對話的程序。

目前，特定場景和領域的聊天機器人已經(jīng)展現(xiàn)出了很高的自然語言理解與處理能力，例如：小度、Siri、小愛同學等。

智能聊天機器人可以代替企業(yè)中相對固化、重復的人力密集型任務或流程，包括：

問題咨詢：基于業(yè)務知識庫進行業(yè)務問題解答。
數(shù)據(jù)檢索：縱跨各業(yè)務系統(tǒng)或數(shù)據(jù)庫，檢索數(shù)據(jù)或文檔。
業(yè)務處理：對接相關業(yè)務系統(tǒng)轉(zhuǎn)達指令，完成相應業(yè)務操作。

典型的應用場景：智能聊天機器人除了可以閑聊以外，還可以用在問答作為問答機器人，回答專業(yè)領域的問題；作為任務機器人完成線上，甚至部分線下的任務；作為推薦機器人，推薦文章、音樂、產(chǎn)品；作為助理機器人，集成以上各種功能。

智能聊天機器人可以對外提供客戶服務、對內(nèi)進行業(yè)務輔助，實現(xiàn)全方位的效能提升，降本增效。

2.2 智能聊天機器人的本質(zhì)：會話式UI

智能聊天機器人的本質(zhì)是會話式UI。會話式UI是通過會話形式將已有數(shù)據(jù)、功能、服務展示給用戶。

會話式UI與傳統(tǒng)UI相比，具有獨特的優(yōu)勢。

提高用戶注意力。在信息碎片化的今天，用戶注意力持續(xù)集中的時間不多，人們很容易為各種事情分心。在會話式UI中，信息是根據(jù)用戶的指令需求逐步提供的，這樣用戶就不會被無關的信息干擾。
減少用戶的挫敗感。在會話式UI中，用戶能進行的操作相對有限，這也避免了因用戶行為帶來不可控的高錯誤問題。讓用戶做簡單的選擇題，能降低用戶思考的成本和系統(tǒng)錯誤率，最終能夠?qū)崿F(xiàn)讓用戶快速聚焦他們想要的東西，減少因操作帶來的挫敗感。
更高的投入產(chǎn)出比。會話式UI的另一個優(yōu)勢是性價比高。會話式UI用戶界面上線后立即就能投入工作，不需要刻意進行訓練學習，降低了使用成本，并且可以根據(jù)商業(yè)邏輯及應用情況隨時將對話設計進行調(diào)整修改。

正如三星實驗室高級設計師Golden Krishna所說：“最好的界面就是沒有界面”。很多人認為語音交互比聊天機器人的干擾更小，能提供更好的使用體驗。

這也是導致各種智能音箱在市場反響火爆的原因，語音交互已經(jīng)走進千家萬戶、世界各地。

2.3 趨勢：會話式UI與業(yè)務集成

目前會話式UI與業(yè)務系統(tǒng)緊密集成，是發(fā)展的主要趨勢。通過集成各個業(yè)務系統(tǒng)，可以打造出專屬的業(yè)務助手。如上圖所示，我們可以將報表查看、指令集成、知識圖譜查詢、查詢郵件等諸多服務集成到業(yè)務系統(tǒng)中，并且提供權限審核的功能，從而打造一個專屬的業(yè)務助理。

一些行業(yè)預測認為：

未來，更成熟的技術使得聊天機器人能夠更準確地識別用戶的問題和意圖。
客戶服務是聊天機器人的主戰(zhàn)場，是產(chǎn)生最大效益的領域。
聊天機器人在電商、通訊、保險、金融、旅行等領域廣泛應用。
以大數(shù)據(jù)的增強型分析為例，使用自然語言NLP等交互方式，BI使用門檻進一步降低。

Gartner預測到2020年：50%的分析查詢會通過搜索、自然語言處理或語音生成，或自動生成。一線業(yè)務工作人員通過自然語言處理和會話分析，來進行分析和使用商業(yè)智能產(chǎn)品的使用率從35%提升到50%以上。

2.4 智能聊天機器人建設過程

接下來詳細介紹聊天機器人建設的過程。

智能聊天機器人建設是有難度的，比如機器人的智能化核心開發(fā)需要一定的AI研發(fā)能力；機器人需要全套的模型封裝，以及數(shù)據(jù)管理、任務調(diào)度、權限控制等工程能力的支持等；各業(yè)務線均有廣泛的需求，一個個實施起來將是很漫長的過程。

如果按照一條線一條線建設的方式，如圖所示，AI同事和平臺同事支持第一個業(yè)務時，沒有其他業(yè)務線的需求進來，按照項目的支持能夠快速響應需求，這時的體驗是很好的；而對于第二個業(yè)務來說，此時由于AI同事和平臺同事正在支持第一個業(yè)務，第二個業(yè)務線的功能就會有所缺失，可以看到圖中業(yè)務線B的機器人少了一條腿，這時就產(chǎn)生了等待；到第三條業(yè)務線，已經(jīng)進入了需求排期階段，AI同事和平臺同事對該業(yè)務線的支持就很有限了；同樣的，后續(xù)的業(yè)務線都將處于等待狀態(tài)，盡管業(yè)務方很生氣，可AI同事和平臺同事已經(jīng)疲于奔命。

由此可以看出這種煙囪式機器人研發(fā)的缺點：耗時長、成本高。

那么如何才能高效地支持這些需求呢？

2.5 機器人工廠

以中臺化思維來建設智能聊天機器人平臺。通過平臺化的建設、復用化的思想，使得我們的聊天機器人成為聊天機器人制造工廠。

AI模型復用化：AI工程師構建通用AI模型，僅需少量具體的業(yè)務數(shù)據(jù)即可構建一個個性化的機器人核心。
工程能力平臺化：平臺化建設，提供一套全面的、通用化的機器人管理功能，將各種能力沉淀下來，實現(xiàn)工程模塊和能力復用化。

我們在構建智能聊天機器人平臺的過程中，將各個業(yè)務線的需求和能力都集成到平臺中，提供給不同業(yè)務線使用，各業(yè)務線都復用這些能力，并且提供數(shù)據(jù)權限的高度隔離。

最后達到機器人流水式生產(chǎn)，管理功能高度復用，業(yè)務用戶高速接入，迅速賦能全部領域。

2.6 智能聊天機器人平臺設計考量

智能聊天機器人平臺的設計考量包括以下幾個方面。

1）平臺化or項目制

既然我們用平臺化方式去建設，就必然面臨一些問題：平臺化的好處是可以復用，事半功倍；缺點是難以兼容個性化。所以我們在平臺建設過程中，要同時考慮什么樣的功能屬于平臺、什么樣的功能屬于租戶、什么樣的功能屬于公司，把公共的功能進行沉淀、把租戶的功能進行定制化，這樣才能既兼顧平臺化的事半功倍，又能滿足個性化的需求。

2）中臺能力

多租戶。我們以多租戶的方式建設智能聊天機器人平臺，基于用戶角色來定義功能，平臺管理員和租戶功能進行能力劃分。
自助化。所有功能自助化，管理和運維工作下放給租戶，這樣一來，租戶就可以對自己的機器人進行相應的管理，平臺的維護也會減少很多，而且不用再等排期。
隔離和安全。通過資源隔離（包括數(shù)據(jù)隔離和語科隔離）、算力隔離等將成本分攤計算出來，也可保證數(shù)據(jù)之間互相不影響。另外，基于功能角色和數(shù)據(jù)角色的雙重角色正交的方式保證數(shù)據(jù)安全。

3）統(tǒng)一閉環(huán)

智能機器人平臺是一個工程、算法、運營統(tǒng)一的結果。機器人不是一個簡單的算法模型，需要模型運行、數(shù)據(jù)管理、權限控制、人工介入、客戶端支持等，還需要運營的支持和鼓勵，比如我們平臺中引入的積分系統(tǒng)，根據(jù)積分情況來開展一些運營活動，鼓勵大家使用一些功能。
通過運行過程中不斷補充問題、在線標注、語料導出、自動訓練、自動上線形成平臺、數(shù)據(jù)和模型的閉環(huán)。比如我們開發(fā)了會話管理來進行在線標注，幫助用戶快速補充問題。

2.7 智能機器人平臺系統(tǒng)架構

上圖所示是智能機器人平臺的系統(tǒng)架構。

最上面是機器人對外提供的服務，通過Web、APP、Restful API對外提供服務。
中間是一個微服務層，使用Spring Cloud微服務架構，服務都注冊在Eureka里。微服務包括了網(wǎng)關服務、調(diào)度服務、外部服務、商業(yè)邏輯服務、數(shù)據(jù)訪問層、統(tǒng)計服務、通訊服務等。其中涉及到算法預測的模塊是在Python的一個服務里，我們也將Python的服務注冊到Eureka里，這也是我們稱之為“模型即服務”的一種思想。
外接認證系統(tǒng)包括LDAP、SSO、PS等，外接系統(tǒng)包括各種PC端、APP端、報表等。
數(shù)據(jù)存儲在Mongo中，文檔存儲在HDFS里，檢索使用Eleastic-Search，統(tǒng)計使用Click-house，人工后臺通訊用Rabbit mq，會話和上下文管理使用Redis。
整個平臺是微服務架構，支持容器化，支持使用Conductor模型編排，用MQTT協(xié)議以解決APP端網(wǎng)絡不穩(wěn)定的問題。

三、機器人平臺的核心原理和主要功能點

3.1 機器人的核心技術

前文介紹了機器人平臺的背景、設計理念和技術架構，接下來介紹機器人平臺的核心原理和主要功能點。

智能聊天機器人最核心的部分是對話引擎，對話引擎包括：自動語音識別(ASR)、自然語言理解(NLU)、對話管理(DM)、自然語言生成(NLG) 和文本到語音合成(TTS)。

其中，自然語言理解（NLU）的目標是將文本轉(zhuǎn)換成語義表示，文本中的單詞語義并不重要，重要的是文本轉(zhuǎn)化成了語義信息。簡單來說，就是將人的語言轉(zhuǎn)化成機器可以理解的結構化的完整的語義，讓機器理解人的語言。

我們通常說的NLP自然語言處理其實是一個大的集合，包含了NLU自然語言理解和NLG自然語言生成，并且包含了它生成上面的處理部分和下面的應用階段，所以NLU和NLG都是NLP的一個子集，它們不是平級的關系。

DM是對話管理系統(tǒng)的大腦，負責更新對話狀態(tài)。對話引擎的難點在NLU和DM。

總的來說，這些技術都是屬于自然語言處理技術（NLP，Natural Language Processing），本質(zhì)上我們需要使用NLP技術來解決聊天機器人的問題。

對于用戶的一個問題，需要將這個自然語言問題通過一個模型（這個模型是我們用機器學習基于大量數(shù)據(jù)訓練和歸納得出來的），轉(zhuǎn)換為機器能理解的數(shù)據(jù)形式(我們將這種數(shù)據(jù)形式稱之為向量)。

NLP技術除了用于智能聊天機器人以外，還用在很多領域，例如：句法語義分析、信息抽取、文本挖掘、機器翻譯、信息檢索、對話系統(tǒng)等領域。

3.2 機器人原理

智能聊天機器人是由多個機器人組成，包括問答機器人、閑聊機器人、任務機器人等，人工后臺以及文檔庫之間協(xié)作完成任務，最終選擇最優(yōu)答案返回給用戶。

如圖所示，用戶提一個問題過來：

首先ASR將語音轉(zhuǎn)成文本，這時候涉及到了調(diào)度。平臺服務和任務調(diào)度認為這是一個機器人的問題，就進入預處理階段。
預處理包含分詞/去停、詞表映射、詞性分析、句法分析、實體識別、句子復述、關系提取等；
然后進入分析階段，包括領域分析、問題分類、意圖檢測以及bot識別等；
然后轉(zhuǎn)到不同的機器人，比如QA機器人-解答用戶對事實和非事實類的問題、閑聊機器人-解答用戶情感方面的表述和對客觀問題的討論、任務機器人-滿足特定場景的任務操作、場景機器人、知識圖譜機器人等；
之后將結果匯集到融合排序?qū)?，進行加權重排答案矯正；
最后經(jīng)過用戶權限過濾，生成答案，將答案經(jīng)過TTS合成語音反饋給用戶。

如果這個問題機器人不能解答，就會轉(zhuǎn)入人工后臺，或轉(zhuǎn)到搜索引擎進入文檔的搜索檢索，最終將最優(yōu)答案返回。

3.3 QA機器人

QA機器人的本質(zhì)是：假設用戶提了一個問題Q，QA機器人需要從已有的QA數(shù)據(jù)庫中尋找最合適的QA對返回，QA機器人會進行QQ相似度計算和QA匹配度計算，通過綜合相似度與匹配度，找到最適合的一組QA對 (Qi, Ai)，即最佳答案返回。

解決方案1：NN模型

常見的網(wǎng)絡模型包括RNN和CNN模型。例如雙層編碼(Decoder)的長短期記憶模型（LSTM）。這種模型在很多場景下都比較好用，網(wǎng)絡模型的主要缺點是需要一定數(shù)量的樣本。

解決方案2：拆分成子問題。

在語料比較小的情況下，將問題進行拆分，分為兩個階段：

把問題變成一種短文本語義表征，通常有tfidf、w2v。
然后再進行語義距離計算，例如計算向量的余弦距離。

它的優(yōu)點是在語料比較小的情況下效果不錯。

3.4 QA機器人原理(QQ匹配）

這里以QQ匹配來介紹QA機器人原理。

QQ匹配包括幾個部分：句向量化、相似度計算、相似度排序。

句向量化是使用BoW詞袋模型和同義詞擴展，將句子的詞轉(zhuǎn)換成向量；
然后再與問題庫里的詞進行相似度計算，計算出余弦相似度；
用余弦距離產(chǎn)生相應的結果，按照相似度大小排序返回答案列表。

句向量我們是通過詞袋模型和同義詞擴展來表示的。

什么是詞袋模型？詞袋模型就是忽略文本里的詞序、詞法、句法，只將它看做一個詞的集合，把它當成一個詞袋。

還引入了同義詞擴展。在實際的問題中，不同的詞可能存在不同的問法，但其語義相同，所以進行一些同義詞等價，這樣就形成了詞向量。向量的值是TF-IDF值，用于表示權重。

TF-IDF模型（term frequency–inverse document frequency，詞頻與逆向文件頻率）。TF-IDF是一種統(tǒng)計方法，用以評估某一字詞對于一個文件集或一個語料庫的重要程度。TF-IDF的主要思想是，如果某個詞或短語在一篇文章中出現(xiàn)的詞頻高，并且在其他文章中很少出現(xiàn)，則認為此詞或者短語具有很好的類別區(qū)分能力，適合用來分類。

TF-IDF有兩個值，一個是詞頻率，另一個是IDF（inverse document frequency，逆向文件頻率）。如圖中的計算方式。

舉個例子，庫中10000篇文檔，10000篇提到“母?！?，其中10篇提到“產(chǎn)奶量”，比如一篇關于“母牛的產(chǎn)奶量”的文字，這篇文章有100個詞，“母?！背霈F(xiàn)5次，“產(chǎn)奶量”出現(xiàn)2次)。

通過計算發(fā)現(xiàn)，雖然“母?！钡脑~頻率很高，但IDF值很低，最后“母牛”的TF-IDF很低，也就是說這個詞不具太大的標識度。而“產(chǎn)奶量”這個詞的詞頻率不高，但它的辨識度很高，最終它的TF-IDF也很高。

具體執(zhí)行過程如圖所示。

首先拿到一個語句，進行分詞、去停用詞、去重，得到一個詞序列。然后遍歷每一個詞進行TF-IDF計算，如果在同義詞表里，就計算詞TF-IDF并求平均值；如果在詞庫中，就計算TF-IDF值；如果不在詞庫中，就直接忽略，最后形成詞對應的TF-IDF值，并將Value向量單元化。
接下來我們要計算向量和向量之間的距離，這里我們采用余弦距離。計算方式如圖所示。
當兩個詞向量的余弦值接近1的時候，兩個詞向量相似，也就是兩個句子相關。否則就不相關。通過計算余弦值來最終達到判斷句子的相似度。

上文介紹的QQ匹配是屬于一種基于檢索的聊天機器人，另一種對應的分類是基于模型生成的表情機器人。

基于檢索的聊天機器人：

特點是回復數(shù)據(jù)是預先存儲且知道（或定義）的數(shù)據(jù)。
優(yōu)點是問題與答案都經(jīng)過人工總結，保證了數(shù)據(jù)庫中的答案正確性，表述自然、易于理解。
缺點是用戶提問的各種問題，機器人都試圖在庫上尋找答案；問題數(shù)有限，無法覆蓋用戶的所有問題；需要不斷總結、擴展，爭取覆蓋大多數(shù)問題。

生成模型的聊天機器人：

特點是創(chuàng)造出嶄新的、未知的回復內(nèi)容（模型沒有見過），類似機器翻譯技術。
優(yōu)點是不需要預先存儲且定義好的數(shù)據(jù)，比起檢索模型更加的靈活多變。
缺點是生成效果不佳，生成的答案可能有一些語法錯誤和語義無關的內(nèi)容；生成式模型需要海量的訓練數(shù)據(jù)，且難以優(yōu)化；結果無法控制。

目前的現(xiàn)狀是，在商業(yè)領域，工業(yè)級標準還是會使用基于檢索的機器人，適合特定領域內(nèi)、問題集合有限，還有一些變體，比如知識圖譜、基于KG的機器人、基于搜索引擎的機器人。而生成模型的機器人，是學術界研究的重點，在商業(yè)領域，它會作為檢索式機器人的補充形式，兩者結合使用，

3.5 閑聊機器人原理

閑聊機器人主要是進行客觀話題討論，用戶對聊天機器人進行一些情感表達，回答問候、情感和娛樂等信息。閑聊處理由兩個組件組成：

基于預置規(guī)則匹配：公司合規(guī)用語要求。
基于聊天庫中海量閑聊語料：滿足大多數(shù)閑聊應答。

海量的閑聊語料，可以從在線論壇、微博對話、甚至別的通用機器人爬取，雖然從各個地方爬取，也需要審核，以滿足用戶需求。

閑聊機器人的要求是：簡單閑聊、結果可控、快速開發(fā)。所以實現(xiàn)上我們基于AIML構建閑聊機器人。

AIML是由Richard Wallace發(fā)明的一種語言。他設計了一個名為 A.L.I.C.E.（Artificial Linguistics Internet Computer Entity 人工語言網(wǎng)計算機實體）的機器人，并獲得了多項人工智能大獎。AIML是一種為了匹配模式和確定響應而進行規(guī)則定義的XML格式。

AIML的能力很靈活，如圖所示，可以基于模板匹配、任意字符匹配、元素提取、一個問題多個答案、劃分主題等。

AIML來作為知識載體的好處是靈活、人性化強。缺點是在知識的編寫方面門檻高，比如閑聊庫的擴充方面的問題等。

好在有現(xiàn)成的AIML編輯軟件，如：SimpleAIMLEditor，GaitoBotAIMLEditor等。

AIML語言的規(guī)范也在不斷升級，最新版本AIML2.0。

3.6 任務機器人原理

任務機器人（Task-Bot）的關鍵技術是基于意圖識別與語義槽提取。舉個例子，A說“幫我訂一個今天下午3點到4點的會議室吧？要大一點的。”機器人識別出來這是一個任務，而這個任務要完成必須三個語義槽：時間、地點、大小。

經(jīng)過分析發(fā)現(xiàn)A的任務請求中缺乏一個語義槽-地點，于是觸發(fā)機器人反問“請問您要預訂哪個職場的會議室？”，A補充了地點后，機器人聯(lián)動會議預定系統(tǒng)，進行會議室預定，完成任務并反饋結果給A。

這個過程涉及了：意圖識別、關鍵參數(shù)提取、多輪對話&對話管理、配置化、對接外部系統(tǒng)。

以上圖的一個實際例子來看，這個例子是根據(jù)身份證號查詢歸屬地。

首先配置可能的問法，這里可以看到，設置的可能問法越多，越能幫助機器人識別意圖。這里主要涉及到意圖識別和設置可能問法。
然后配置需要提取的槽值，槽值來自一個實體，這里的槽值是身份證。并且配置如果沒有提取到的話，需要追問的問題?？梢栽诰€進行測試槽值提取。
接下來配置觸發(fā)的外部系統(tǒng)，這里支持常見的post，get，將相應的槽值發(fā)送給系統(tǒng)，然后獲得返回值，再從返回值中提取必要信息，用于顯示正確情況和錯誤情況。
最后看到的效果如上圖所示，整個過程涉及到多輪對話和話題追蹤。

3.7 場景機器人原理

場景機器人可以說是任務機器人更高級的版本，它是基于預置規(guī)則驅(qū)動完成場景任務。

上圖示例中，銷售人員G想查客戶李國強的信息，機器人給出相應信息后，根據(jù)預設的場景，觸發(fā)后臺配置的一個業(yè)務推薦流程，根據(jù)這個流程，銷售人員可以獲得適合李國強客戶的產(chǎn)品推薦、了解相關產(chǎn)品情況、進行話術演練等，本來只是一個聊天過程，跳轉(zhuǎn)到特定的場景以及業(yè)務相關的聯(lián)動，這就是場景機器人。場景機器人的場景和相關業(yè)務跳轉(zhuǎn)都是可以配置的，這樣可以達到動態(tài)化地支持不同的場景。

場景機器人與場景綁定、結合場景相關話術和跳轉(zhuǎn)規(guī)則，可以做：客戶畫像查詢、產(chǎn)品信息查看、場景演練、面見話術等，還可以進行交叉銷售、客戶關聯(lián)查詢。

3.8 KG機器人原理

KG機器人，即知識圖譜機器人，本質(zhì)上是一種語義網(wǎng)絡，其結點代表實體或者概念，邊代表實體、概念之間的各種語義關系。KG機器人是基于知識圖譜推理給出結果，也是基于檢索型機器人的一種。

相較于純文本，知識圖譜在問答系統(tǒng)中具有以下優(yōu)勢。

數(shù)據(jù)關聯(lián)度：語義理解程度是問答系統(tǒng)的核心指標。在知識圖譜中，所有知識點被具有語義信息的邊所關聯(lián)。從問句到知識圖譜的知識點的匹配關聯(lián)過程中,可以用到大量其關聯(lián)結點的關聯(lián)信息。這種關聯(lián)信息無疑更為智能化的語義理解提供了條件。
數(shù)據(jù)精度：回答準確率高，知識圖譜的知識來自專業(yè)人士標注，或者專業(yè)數(shù)據(jù)庫的格式化抓取，這保證了數(shù)據(jù)的高準確率。
數(shù)據(jù)結構化：檢索效率知識圖譜的結構化組織形式，為計算機的快速知識檢索提供了格式支持。

這些優(yōu)勢都促使我們在構建智能聊天機器人平臺時使用知識圖譜來作為問答系統(tǒng)的知識來源。

舉個例子，這是保險的知識圖譜，包含了：查詢實體屬性-平安境內(nèi)旅行險一個月多少錢？查詢關系以及屬性-能保骨折，且承保時間在5年以上的保險有哪些？查詢簡單關系-平安境內(nèi)旅行險能保意外骨折嗎？查詢復雜關系-想買一個能保骨折，并且能夠在海口市的三甲醫(yī)院報銷的保險。

這些本質(zhì)上都是在進行圖查詢，查詢實體的屬性，查詢實體和實體之間的關系等。

知識圖譜機器人構建過程中：

首先第一步是定義知識圖譜的領域知識，上述例子中我們相當于在面向?qū)ο蠖x實體、屬性、關系等，三元組（實體、屬性、關系）的關系定義好了以后，才可以構建圖譜模型。
接下來是提取信息，這個過程涉及到大量的訓練、在線標注等，需要從現(xiàn)有的表單、文檔中將需要的信息提取出來，并將提取的信息導入第一步構建的模型中。
接下來是知識問答。需要從問句中提取實體、屬性、關系。在這個例子中，重大疾病險的等價詞是重疾險，重疾險是一個實體，結腸癌也是一個實體。
最后問句就被轉(zhuǎn)換為一個實體和實體之間關系的預測。

當用戶問問題時候，把問句轉(zhuǎn)化成圖計算，機器人通過知識圖譜進行查詢計算，并轉(zhuǎn)化為答案反饋給用戶。

3.9 模型編排

除了上述各種機器人之外，聊天機器人平臺還涉及到模型編排和模型管理的部分。比如有的業(yè)務只需要QA機器人，這時通過預處理，調(diào)用QA機器人，經(jīng)過角色權限過濾就可以提供服務了。有的場景可能需要多種機器人進行合作，這就涉及到路由/群發(fā)，群發(fā)機器人的結果還要進行融合合并。

模型編排，將不同的模型進行組合，以可視化的方式對調(diào)用的模型順序進行編排，支持拖拽式配置。

模型本身是需要服務化的。我們的實際模型本身是一些python服務，我們將這些python服務進行封裝，進行服務的統(tǒng)一管理，這樣的話就可以對模型定義統(tǒng)一的接口，還可以進行自動化的更新，比如通過定時模型訓練去更新此模型，其他模型不受影響，如上圖所示的模型手動更新和自動更新。同時我們可以進行單元測試和鏈路測試。

3.10 智能聊天機器人能力

目前平臺已能夠支持：

多類型機器人集成功能，包括問答、任務、閑聊等；
復雜情景會話：包括多輪對話功能、話題追蹤功能等；
多渠道機器人交互終端；
統(tǒng)一的機器人管理框架；
完善的人工客服能力支持；
全面的數(shù)據(jù)記錄與統(tǒng)計。

3.11 機器人平臺功能

聊天機器人平臺主要功能包括以下幾個方面。

聊天機器人平臺。聊天機器人平臺的前臺有機器人應答、QA、文檔檢索、關聯(lián)檢索、離線消息、會話歷史、常見問題、問候語等功能。后臺包括搜索引擎是否介入、反饋設置、外觀設置、場景設置、模型配置等功能。
人工后臺。人工后臺包括客服工作臺（在線會話、會話歷史、會話轉(zhuǎn)單、會話排隊、邀請會話、客戶信息顯示、快捷回復等功能）、客服管理、技能組管理等。
會話管理。瀏覽會話導出、查詢歷史會話、對歷史會話進行在線分類評分，添加QA問題。
QA/文檔管理。瀏覽編輯、全文檢索、問題分類、等價問題、批量上傳語料、生成水印、查看文檔權限。
任務管理。對于任務機器人來說，功能包括任務配置、實體管理、任務更新、模型配置等。
閑聊管理。對于閑聊機器人，功能包括閑聊庫管理、全文檢索、語料導出、模型更新管理。
報表統(tǒng)計。包括會話統(tǒng)計、文檔/QA統(tǒng)計，人工后臺服務分析、用戶提問句云活躍度排名、用戶積分、用戶行為覆蓋等。
模型管理。包括模型編排、模型啟停更新、自動維護發(fā)布上線、模型預測等測試環(huán)境功能。
認證支持/外部系統(tǒng)對接。包括PS對接、LDAP對接、SSO對接/各種外部系統(tǒng)對接。

1）機器人前臺

機器人預置了web交互頁面，支持機器人全部的功能。包括對話、留言反饋、轉(zhuǎn)人工、查看歷史消息；可直接嵌入PC端和APP端業(yè)務系統(tǒng)等。

在上圖的例子中可以看到，前面部分是我們的常見問題列表，用戶問了一個問題，然后找到一個匹配該問題的答案。如果用戶給出的問題比較簡單，如上圖，只給出“宜人貸”，就沒辦法命中一個獨立的問題，這時除了匹配答案以外，還會給出一些與該問題相關聯(lián)的問題，這種我們稱之為關聯(lián)問題。也可以轉(zhuǎn)到搜索引擎，通過搜素引擎的相關問題。

實際上，對于檢索模型的聊天機器人而言，當FAQ中沒有合適的答案，我們返回的是FAQ中與問句最相近問句-答案對中的問句，而不是答案。這樣可以從用戶提問中得到更多信息，以便返回更真實的答案。我們在實踐中發(fā)現(xiàn)，用戶通過這樣的關聯(lián)，只需要幾次點擊就能找到真正想要的答案，其滿意度會得到提升。

2）知識庫

這是機器人的知識庫，知識庫包含了一些分類信息，支持相應的數(shù)據(jù)角色、文檔的數(shù)據(jù)顏色格式，還包含瀏覽編輯、全文檢索、問題分類、批量上傳、語料生成、水印生成等功能。

3）人工后臺

這是機器人的人工后臺。人工后臺上線后，用戶可以跟人工后臺的客服人員聊天，在這個過程中也可以上傳圖片。與機器人問答不同的是，機器人模式中用戶只能發(fā)文字，而與客服人員聊天，可以上傳文檔、插入表情、請求評價等。在這里還可以做快捷回復、查看知識庫、文檔庫、客戶本身的信息，還有一些智能回答。

這是客服工作臺的功能，可以從隊列里調(diào)出相應的客戶進行會話，解決不了的問題可以轉(zhuǎn)交給別的工作臺的客服解答。

4）會話管理

接著來看會話管理。上圖左邊是這個人對應的歷史聊天信息，我們可以檢索并定位到他認為回答不好的問題，進行在線快速補充添加新問題。每一個問題的評分都會顯示，既能幫助算法同事，也能幫助運營同事進行在線信息維護。

5）統(tǒng)計分析

機器人平臺還提供數(shù)據(jù)統(tǒng)計和分析功能，這一功能是基于Davinci數(shù)據(jù)可視化工具完成的，可以自定義數(shù)據(jù)指標，比如機器人服務時長、服務執(zhí)行度等。還可以進行報表統(tǒng)計：會話統(tǒng)計、文檔QA統(tǒng)計，人工后臺服務分析、用戶提問句云、活躍度排名、用戶積分、用戶行為覆蓋、使用明細。

6）模型管理

機器人平臺還提供通用化模型運行托管平臺，它是一個高可用運行架構，可以進行模型封裝、發(fā)布、啟停、更新管理，還包括自動數(shù)據(jù)更新機制、統(tǒng)一服務訪問接口等。

7）多租戶和角色權限

機器人平臺提供多租戶和角色權限管理的功能，并且在公司里提供用戶的自動導入，通過配置相應的角色和權限，自動導入成機器人的用戶角色權限。這樣一來，就不用維護用戶本身了，可以跟不同的業(yè)務系統(tǒng)直接對接。

機器人平臺的其他功能，諸如任務配置、閑聊配置、積分管理、對接外部系統(tǒng)等功能此處不一一展開。

3.12 機器人發(fā)展階段

如圖所示為智能聊天機器人平臺的發(fā)展階段，我們已經(jīng)完全了前面階段的機器人功能建設，包括問答、人工后臺等。目前我們處于第三階段向第四階段演進的過程，最終我們希望達到業(yè)務領域系統(tǒng)性CUI整合，即通過機器人會話，以場景式機器人的方式展示給客戶，成為機器人助理。

四、智能聊天機器人平臺的應用場景

4.1 智能客服機器人

智能客服機器人的初衷是解決客服管理部的痛點。

宜信有很多線下門店，這些門店中的銷售人員有大量的問題，涉及到政策、法規(guī)、流程、管理等眾多方面，這些問題都會通過內(nèi)部溝通工具蜜蜂或郵件集中到客服管理部來解答。

溝通的過程中，因為人數(shù)和問題量太大，重復工作多、問題難跟蹤，知識難沉淀、缺乏問題的統(tǒng)計、無法針對性的培訓。
對于門店客服和銷售人員而言，人工回答等待時間很長，影響工作效率，客服容易情緒急躁，人工解答也不標準。
對于客戶來說，等待時間較長，影響客戶體驗、解答不標準、影響品牌認知。

引入智能客服機器人以后，80%的問題被機器人攔截，剩下的20%轉(zhuǎn)到人工后臺，減輕了客服管理人員的壓力。

智能客服機器人目前服務于所有一線的客服同事，成為客服管理重要的日常工具?？头藛T只需要通過手機就可以操作，實現(xiàn)了運營管理智能化從0到1的過程，幫助運營人員減輕壓力，提升運營效率。

4.2 財富智能助手機器人

財富銷售過程中涉及到很多產(chǎn)品（基金、保險等），需要了解產(chǎn)品知識、政策法規(guī)、銷售話術等。同事希望能有一個知識型的助手，協(xié)助解答在銷售過程中遇到的諸多知識盲點，提高專業(yè)度。

我們計劃使用聊天機器人小助手與現(xiàn)有手機app結合，實現(xiàn)產(chǎn)品、客戶、知識一站式服務。

如上圖所示，財富智能助手并不是直接調(diào)用機器人平臺，而是通過API方式調(diào)用機器人平臺，然后去詢問各種支持銷售的問題。

目前財富智能助手機器人覆蓋所有一線銷售和業(yè)務支持人員，解決投前、投中、投后、銷售政策等問題，提高了業(yè)務專業(yè)度、響應速度，提升業(yè)務拓展效率。

4.3 保險智能機器人

第三個場景是保險智能機器人。微信用戶存在大量相關問題咨詢，使用人員來回答的話疲于應付，回答也不專業(yè)，人力成本很高，希望通過機器人對售前類問題提供咨詢服務，代替人工，完成售前信息交互，大幅減少人員成本，提高回答準確的和精準度。

如圖所示，保險智能機器人基于第三方知識庫提供查詢：包括保險類術語查詢、疾病庫查詢、險種查詢、醫(yī)院庫等保險知識大全；基于知識圖譜和推理的1~3度內(nèi)查詢等，例如：條款明細請問這款產(chǎn)品有猶豫期嗎？我孩子5歲可以買這款產(chǎn)品嗎？重疾險都包那些疾??？還可以做常見售前售后意圖判斷、保險費用預計算。

4.4 AIOps運維機器人

最后一個場景是AIOps智能運維機器人，AIOps是一個很大的話題，涉及到海量數(shù)據(jù)的存儲、分析和處理。數(shù)據(jù)包括：歷史數(shù)據(jù)、流數(shù)據(jù)、日志數(shù)據(jù)、時序數(shù)據(jù)、異常數(shù)據(jù)等。整個系統(tǒng)由許多小工具集成成為一個大系統(tǒng)。AIOps還包含自動模式發(fā)現(xiàn)和預測、異常檢查、根因分析等需要模型支持等方面。

這里我們主要關注入口：文本輸入。

在日常運維中，當出現(xiàn)異常時，運維同事收到手機、郵件或短信報警，希望通過手機APP，以自然語言方式查看獲得當前系統(tǒng)狀態(tài)、隨時隨地了解當前系統(tǒng)，甚至可以通過運維執(zhí)行命令來解除故障。

比如可以通過手機APP調(diào)用任務機器人去查詢后臺系統(tǒng)中網(wǎng)絡占用的一個時序圖，把這個圖以報表的方式返回到前端。使用機器人可以有效降低信息過載問題，調(diào)用相關接口，直接找到目前最重要的問題并返回。當發(fā)現(xiàn)系統(tǒng)出現(xiàn)故障時，可以通過機器人發(fā)送命令，重啟服務解除故障。

五、總結

基于AI中臺的思想和實踐。智能聊天機器人采用平臺化建設方式，使得機器人可以快速復制。第一個機器人從研發(fā)到上線用時6個月，接下來是5個月上線，4個月上線，2個月上線，6周上線，最新的項目是3周完成上線。

支持多業(yè)務線、系統(tǒng)無縫對接，同時響應個性化需求。產(chǎn)品從立項以來支持公司普惠金融、財富管理的諸多重要業(yè)務方，支持PC端、APP端、restful api接口對接。

覆蓋同事廣，服務時間長。支持一線同事數(shù)萬人，累積回答問題數(shù)十萬次以上，累積會話時長近千小時。

運營效果好，節(jié)省人力。據(jù)統(tǒng)計，有效回答（機器人回答占總回答比例）在80%以上，錯誤反饋率在5%以下(反饋無用的比例)。

產(chǎn)品種類全。包括問答機器人、閑聊機器人、任務機器人、知識圖譜機器人、以及基于場景的交互式機器人（如產(chǎn)品推薦、問卷調(diào)查、催收銷售等）。

提供工程、算法和運營統(tǒng)一的一站式智能聊天解決方案。比如在線查看標注會話和知識更新、自動化語料導出和模型更新、數(shù)據(jù)、算法和運營形成閉環(huán)。

【本文是專欄機構宜信技術學院的原創(chuàng)文章，微信公眾號“宜信技術學院( id: CE_TECH)”】

??戳這里，看該作者更多好文??

網(wǎng)站欄目：AI中臺——智能聊天機器人平臺的架構與應用
URL鏈接：http://www.fisionsoft.com.cn/article/coiddsj.html