視頻時長約1小時，聲音較小，請佩戴耳機觀看

大家晚上好，首先非常感謝大家來參加本次的討論。今天給大家?guī)淼念}目是怎么樣去構(gòu)建一個智能客服系統(tǒng)。也很感謝極客邦提供的這次機會，讓大家可以一起探討一下這樣的一個問題。

我是來自第四范式的邢少敏，首先允許我花一點時間介紹一下第四范式是一家什么樣的公司。第四范式是一家人工智能技術(shù)與服務(wù)的提供商，主要是基于機器學(xué)習(xí)為企業(yè)找到一些業(yè)績的增長點，已經(jīng)為銀行、保險、互聯(lián)網(wǎng)等領(lǐng)域上百多家企業(yè)打造了人工智能產(chǎn)品及解決方案。

第四范式成立以來一直致力于降低人工智能的應(yīng)用門檻，我們的企業(yè)愿景是讓 AI for everyone，讓每一個人都能擁有駕馭人工智能的能力，正是基于這樣的一個企業(yè)愿景，我們在不久前對外免費開放了我們的智能客服平臺（https://bot.） ，這是業(yè)界首個免費的智能客服平臺，僅需 2 分半鐘即可完成接入。自免費對外發(fā)布以來，半個月時間已經(jīng)有上千家客戶在使用。今天這個話題也是圍繞智能客服的技術(shù)來展開。

其次是做一個簡單的自我介紹。

我在第四范式做智能客服的研發(fā)，畢業(yè)于北京航空航天大學(xué)，大約有 15 年左右的研發(fā)經(jīng)驗，涉獵的領(lǐng)域也比較廣泛：有對話系統(tǒng)、智能客服、自然語言處理、機器學(xué)習(xí)等。我最早是在 IBM Jazz 技術(shù)平臺上的工程師，后來去了環(huán)信做智能客服的負責(zé)人，曾經(jīng)帶領(lǐng)團隊研發(fā)了環(huán)信的智能客服系統(tǒng)。目前我在第四范式主持智能客服的研發(fā)工作，帶領(lǐng)團隊研發(fā)了智能客服開放平臺。

今天分享的提綱主要是分為四個部分，希望通過分享我在智能客服領(lǐng)域的經(jīng)驗，對各位開發(fā)者對理解和應(yīng)用這個技術(shù)有一定幫助。

• 第一部分是簡單的描述一下智能客服產(chǎn)生的背景、歷史、應(yīng)用場景、發(fā)展現(xiàn)狀等；

• 第二部分介紹一下智能客服的一般的工作流程，主要的技術(shù)模塊和工作原理等；

• 第三部分跟大家分享一下整個智能客服的研發(fā)過程中所遇到的一些技術(shù)難點；

• 第四部分分享一下第四范式在智能客服的研發(fā)過程中所做的一些工作，以及遇到的一些問題，我們的技術(shù)特點，產(chǎn)品特點，研發(fā)現(xiàn)狀和未來的方向等。

我們首先開始第一個部分的分享，第一部分是智能客服技術(shù)概述。

首先是智能客服產(chǎn)生的背景：為什么要有智能客服這樣的一個產(chǎn)品，或者說研究方向呢？主要有以下這幾個原因：

• 我們?nèi)粘Ｉ钪袝龅酱罅康目头栴}，比如說你打電話給聯(lián)通、移動等，或者說在淘寶上買東西，這些問題大部分都是一些重復(fù)的問題，而且頻率也特別高，非常的耗人工；

• 對于一個客服密集型的企業(yè)來說，大量的人工客服，造成了企業(yè)的客服成本非常的高；

• 人工客服是沒有辦法做到 24 小時全天候的服務(wù)；

• 在客戶和客服的對話的過程中產(chǎn)生了大量的有價值的數(shù)據(jù)，這些數(shù)據(jù)也沒有被很好的利用起來。

基于以上的這些原因，我們就會產(chǎn)生一個想法：能不能有一個機器人來回答這些重復(fù)的問題，它能 24 小時的工作不用休息，降低客戶成本，還能挖掘聊天記錄里面的一些有價值的知識點。這就是智能客服產(chǎn)生的背景。

那智能客服的這個市場規(guī)模大致有多大呢？我們沒有辦法知道一個準確的估計，但是我們可以從一些第三方的調(diào)研報告里面得出一些大致的判斷，估算一下它的市場規(guī)模：

這是一個第三方在 2016 年做的 2017 年 SaaS 客服的一個市場規(guī)模預(yù)測，它預(yù)測 2017 年 SaaS 客服的市場規(guī)模將達到 680 億人民幣。SaaS 客服只是客服中一種，除了 SaaS 客服之外還有企業(yè)自建的客服，還有私有部署的客服等等。假如說智能客服可以解決 30% 的客服的問題，這還只是一個非常保守的估計，智能客服的市場規(guī)模也是非常大的。

接下來我們看一下如果說要做一個智能客服，那做智能客服的一個基本的目標，或者說它的技術(shù)目標是要做到什么樣的程度呢？它是要完全的替代人工，還是要部分的替代人工呢?

一般情況下，一個智能客服的目標就是我們這張圖里描述的這些：一個客服的機器人負責(zé)回答客戶的一些高頻簡單問題，將疑難問題交給人工客服團隊來回答。那這個一定比例是多大比例呢？我這邊寫了一個百分之 X，也就是說這個比例不太確定，它是根據(jù)不同的場景以及不同的技術(shù)條件，不同廠商的技術(shù)能力而不同的，有的廠商是 80%，有的是 90%，有的甚至 95%，這都是不確定的。

總之智能客服做的一個技術(shù)目標就是：一定比例的解決客服的簡單的高頻問題，將疑難問題仍然交給人工客服團隊。這是目前智能客服一個基本的技術(shù)目標，是一個比較現(xiàn)實的目標。那么想讓客服的機器人來完全取代人工客服，這個目標到目前為止，在絕大部分場景下還是沒有辦法實現(xiàn)的。

不過到現(xiàn)在為止，整個智能客服系統(tǒng)的發(fā)展非?？欤瑧?yīng)用也劃分了很多的細分領(lǐng)域。這個不一定是一個完全準確的分類，只是說從我個人角度來講，它可能是大致能分為這么幾類。

第一大類是對話操作系統(tǒng)級別的系統(tǒng)。那么這一類系統(tǒng)比較有代表性的有亞馬遜的 Alexa，這些系統(tǒng)都希望做操作系統(tǒng)級別的人機對話，就是把人機對話直接做成一個操作系統(tǒng)，那在這個系統(tǒng)上開發(fā)各種各樣不同的智能硬件、軟件等等這些應(yīng)用。

第二大類，就是智能客服，智能客服里面又細分成兩類：一類是企業(yè)內(nèi)部的智能客服，為了企業(yè)自身的業(yè)務(wù)發(fā)展需要研發(fā)的智能客戶系統(tǒng)；還有一類是對外服務(wù)的智能客服，并且以 SaaS 的方式對外服務(wù)。

第三大類就是個人助理類，最有名的就是蘋果的 Siri，還有微軟的 Cortana 等。智能家居現(xiàn)在做得比較火熱的就是一些智能音箱，比如說亞馬遜 Echo 等。還有些公司是做一些智能交互的服務(wù)，這些智能交互服務(wù)主要是自然語言處理和意圖識別方面的服務(wù)，其他的廠商可以基于這些智能交互服務(wù)做一些自己的應(yīng)用。

另外還有一些教育類的教育機器人，知識問答類的機器人和開放領(lǐng)域聊天類的機器人。

最后一類是開放平臺，這個開放平臺也可以叫 Bot Factory，比較有代表性的，有 Google 的 API.AI、Facebook 的 Wit.AI、還有微軟的 Luis.AI 等等。這些開放平臺主要是做任務(wù)對話方面的一些定制。

在以上多個細分領(lǐng)域的應(yīng)用中，智能客服系統(tǒng)最常見的功能有哪些？目前最常見的形式是在人工客服系統(tǒng)基礎(chǔ)上，擴展出智能客服的功能，最常見的功能有 單輪問答、功能對話和人機協(xié)作。

• 單輪問答，單輪問答就是說，一問一答，但是沒有記錄上下文，每一次問答和下一次問答都沒有任何的關(guān)系；

• 多輪對話，意思是說，是帶著上下文來問答，每個問答可能跟它的上文是有一定關(guān)系，或者是它記錄了上文的一些信息；

• 人機協(xié)作，人機協(xié)作是一種比較有效的一種智能客服功能，現(xiàn)有的方式主要有兩大類：一類是機器人加人工進行問答，另外一大類是機器人推薦答案，人工選擇回答 。

那么機器人和人工如何進行協(xié)作呢？我們這里舉幾個例子：比如說上班的時候人工來回答，下班的時候機器人來回答；普通的客戶機器人來回答，VIP 客戶人工來回答；或者是說分渠道來選擇，比如說微信渠道來的機器人回答，手機渠道來的人工回答；還有就是機器人優(yōu)先，機器人答不出來，轉(zhuǎn)給人工回答。

當然并不限于我們在這里舉出的這幾個例子，還可以根據(jù)業(yè)務(wù)需求，定制復(fù)雜策略：機器人推薦答案給人工，人工客服來選擇和編輯答案、或者給出另外一個答案，機器人在這里起到了一個人工客服小助理的角色，這也是最常見的人機協(xié)作方式。

剛才我們是給智能客服做了一個概述。接下來，我們介紹一下智能客服的工作原理。

一個常見的智能客服，就包括以下這些模塊并且按照一個類似的流程進行工作。

首先可能會有一個 ASR（語音識別）模塊，也可能沒有，這取決于具體廠商的一個選擇，這個語音識別模塊會把語音轉(zhuǎn)換成文字。

如果沒有語音識別模塊，直接就是文字，會首先對這個文字做一個問句的理解，或者說做一個查詢的理解，理解完以后，再對意圖做一個識別；最后，我們把這個問句的理解和意圖識別的結(jié)果帶到對話管理系統(tǒng)里邊，對話管理系統(tǒng)會決定到底是給哪一種機器人發(fā)過去，這些機器人最后給出答案，將答案返回。

對話管理系統(tǒng)可以選擇一個機器人將問題發(fā)過去，也可以同時將問題發(fā)給所有的機器人，當它們都回復(fù)答案時，進行答案選擇再返回，使用哪種方式取決于廠商自己的一個選擇。

上圖中這四種機器人分別對應(yīng)了四種不同的模塊：

第一種是任務(wù)管理類的模塊，比如說訂機票，它屬于一個特定的任務(wù)，這種機器人就類似蘋果的 Siri，是任務(wù)處理類；

第二種是知識庫問答，也就是咨詢問答類的，只是做一些咨詢類的工作，一般情況下，它并不處理實際的一些任務(wù)；

第三類是知識圖譜問答，知識圖譜是知識庫常見的是提供一個問答對結(jié)構(gòu)和一個樹型結(jié)構(gòu)，知識圖譜提供一個圖結(jié)構(gòu)，可以認為是一個廣義上的知識庫問答。

第四類是聊天機器人的技術(shù)，聊天并不是客服的首要功能，客服主要是解決問題的，不是來聊天的，為什么在一個智能客服系統(tǒng)里面會有聊天這么一個功能呢？原因在于，一是在用戶沒有輸入知識庫內(nèi)容的時候，這個聊天機器人會被客戶當成是測試廠商機器人技術(shù)能力的評測對象；二是在某些場景下，會讓整個客服對話沒那么單調(diào)。在實際的智能客服系統(tǒng)里面，一般也可以選擇讓用戶可以關(guān)閉聊天功能。

接下來我們把這張圖展開，一個模塊一個模塊的講，因為一般很多客戶主要還是使用文字客服，語音識別屬于另外的一個領(lǐng)域了，所以我們這里暫時不展開語音識別的內(nèi)容。

自然語言理解主要做一些什么事情呢？比如說用戶的問題如果是多句話，那么我們做一個“分句”，對每一句話來尋找答案，最后呢，將答案組合起來，發(fā)給用戶；“分詞”很常見，分詞后才能理解，才能進行標注，進行實體識別，這是常規(guī)的一些處理，然后就是句法分析、指代消解，再有就是詞權(quán)重、語義相似度等等，做這些分析都是為后面的算法做準備，這是第一部分的預(yù)處理工作，就是自然語言理解或者自然語言處理的內(nèi)容。

第二部分的預(yù)處理工作就是意圖識別。意圖識別主要是用戶的這句話暴露了用戶什么樣的意圖，比如說我們這個例子里：“今天天氣怎么樣”，這個意圖實際上就是用戶要問天氣。那么如果用戶說“幫我定一張去上海的機票”，這個意思就是用戶要訂機票。

那么意圖識別一般是怎么實現(xiàn)的？就是有模板和分類器兩種方式。模板的方式，比如說：“北京今天天氣怎么樣？”我們會建一個叫“city”的詞典，這里面會有北京、上海、天津等城市；我們會把今天、明天、后天等等也做一個詞典，詞典名字叫做“date”。這樣如果滿足剛開始有一個“city”，中間有任意字符串，然后再有一個“date”，然后再有“天氣”這個詞，就滿足了一個模板，那么我們基本上可以認為它是一個詢問天氣怎么樣的意圖，這是模板的方法。

分類器的方法很容易理解，我們在某一個特定領(lǐng)域里面收集大量語料，人工去標注這些語料是屬于哪種意圖的，用分類器模型來做一些二分類或者多分類的分類器，用來判斷意圖。但是分類器方法需要大量人工標注的數(shù)據(jù)，以及如何去收集多個領(lǐng)域里面的語料的問題。

接下來整個系統(tǒng)里面就進入了功能模塊。我們先看功能模塊的第一個最常見的模塊，這也是智能客服系統(tǒng)里面常見的一個功能，就是知識庫問答的功能。

知識庫問答的技術(shù)本質(zhì)也是用一些跟搜索引擎相似的技術(shù)，分為兩個階段：第一個階段是侯選集召回，第二個階段是重排序。

首先是侯選集，侯選集召回有很多種方式，和搜索引擎相比，相對簡單，原因是搜索引擎要召回的量特別的大，但是知識庫，因為是人工導(dǎo)入的，它的召回的就沒有那么復(fù)雜。

第二是重排序，其實我們可以用文本相似度、檢索相關(guān)度，如果有足夠數(shù)據(jù)的話，還可以用神經(jīng)網(wǎng)絡(luò)的語義相似度等，來做重排序工作。這些工作也可以用多模型融合的方式來做，將多個模型的結(jié)果綜合考慮得到最終結(jié)果。這些都跟搜索引擎的技術(shù)沒有特別本質(zhì)的區(qū)別，也會有些微小的差別，這是知識庫這塊的工作。

接下來是跟知識庫比較相關(guān)的一種工作，知識圖譜問答。

知識圖譜問答最難的一點在于數(shù)據(jù)的整理，其次是工具方面。有很多開源的工具，我們列出來這幾種（見上圖），大家也可以自己去研發(fā)一些知識圖譜的工具。

假設(shè)我們解決了數(shù)據(jù)來源和更新的問題，同時也有了工具，接下來要做的事情就是查詢轉(zhuǎn)換的工作。

因為一般的知識圖譜工具都會有一些自己的查詢語言，那么我們所要做的工作實際上就是把自然語言通過某種方式轉(zhuǎn)換成知識圖譜的工具所支持的查詢語言。

查詢轉(zhuǎn)換也有常見的兩種方式，一種是可以用模板，做一些查詢轉(zhuǎn)換的工作；如果有足夠多的數(shù)據(jù)，也可以用機器翻譯的方式來做。

這里還有一些我們自己的系統(tǒng)支持的知識圖譜問答的例子。我們現(xiàn)在的系統(tǒng)已經(jīng)具備了通用知識圖譜的能力，行業(yè)知識圖譜或者自定義的知識圖譜很快會上線。大家就可以看到，這是第二個模塊，知識庫和知識圖譜可以整合成一個模塊來做，統(tǒng)稱為知識庫問答。

那么第三大塊就是對話技術(shù)。對話技術(shù)就是我們前面所說的任務(wù)對話等等，比較典型的有三大類：

第一大類是一種用狀態(tài)機，或者和狀態(tài)機類似的填槽方式。這種方式的主要特點是將整個的對話過程抽象成一個有限狀態(tài)機，每一輪對話，或者每幾輪作為一種狀態(tài)，隨著對話狀態(tài)的進行，這個狀態(tài)機在不斷的遷移，最終對話結(jié)束，狀態(tài)機也結(jié)束。這里面的所有狀態(tài)，以及所要執(zhí)行的動作都是事先約定好的，所以狀態(tài)機它比較適合一些場景簡單的對話，對于場景復(fù)雜的對話，狀態(tài)機這種方式就已經(jīng)不太適應(yīng)了。

第二大類就是馬可夫決策過程（Markov Decision Process, MDP）的方式，它和狀態(tài)機的區(qū)別在于它里面增加了動作，狀態(tài)機里面的動作是我們事先約定好的，是固定的動作，已經(jīng)事先知道對話到了那時候，于是就固定的采取這樣的動作，但是 MDP 這種方式，狀態(tài)不確定，動作也不確定，所以說我的狀態(tài)和動作是需要根據(jù)我的上一個狀態(tài)和將要采用的動作做了以后的回饋（Reward）來進行決策的，所以說這個決策過程在特定領(lǐng)域里有足夠的語料的時候可以做出很好的效果，但是我們得想辦法去找到合適的領(lǐng)域，以及找到足夠的語料才能做這樣的事情。

最后一類是端到端的模型。端到端的模型主要出發(fā)點是：我有一個問題，把問題輸入到一個模型里面之后，這個模型是幫我解決了我們之前整個對話過程所有流程的所有問題，而這個模型是需要從數(shù)據(jù)里面去學(xué)習(xí)，包括自然語言處理、意圖識別，包括整個系統(tǒng)里面方方面面的各種東西都要學(xué)習(xí)到。這個模型對于我們來說它是個黑盒，我給它一個問題，它也能給我答案，我并不需要仔細的去研究里面是怎么做得，我只需要設(shè)計訓(xùn)練這么一個模型就行了。

那么這三種方式是現(xiàn)在的比較常見的三類對話技術(shù)，第一大類，像狀態(tài)機和填槽這一類是商用系統(tǒng)的主流；第二大類是學(xué)術(shù)界的主流，但是工業(yè)界也在積極的嘗試，有的也已經(jīng)落地，或者接近落地；端到端這種模型，主要還是停留在學(xué)術(shù)界的研究階段，我并沒有看到哪一個商業(yè)系統(tǒng)已經(jīng)做到了端到端的模型的產(chǎn)品化，還沒有成為商用主流的技術(shù)。

左上角是一個狀態(tài)機示意圖，右下角是一個 MDP 模型示意圖。

最后一個模塊，就是聊天機器人。

在智能客服系統(tǒng)里面通常都會有聊天機器人的模塊。這個模塊主要有兩種做法：

第一種就是檢索式，比如答案是事先編輯好的，并不會隨便生成，在檢索式里面又會分為兩大類：第一類是用大量的語料和模型來訓(xùn)練，收集大量的語料，把問題和答案給一個神經(jīng)網(wǎng)絡(luò)的模型，用這個模型幫我去找到問題和答案之間的相關(guān)度，這樣的話，就能夠用大量的語料訓(xùn)練出聊天機器人模型，這是最常見的一種方式；

第二種方式是基于規(guī)則來做，使用類似于之前介紹過的 Alice 機器人所用到的 AIML 標記語言，寫大量的 pattern，以及在這個 pattern 下所需要的答案，寫大量這樣的人工規(guī)則就可以做一個檢索式的機器人，但是這僅限于少量的小規(guī)模應(yīng)用，如果需要編輯大量的規(guī)則，規(guī)則之間可能會有沖突等問題，所以主流的這種聊天機器人的方式是我們說到的第一種，用統(tǒng)計模型和大量的語料來訓(xùn)練聊天機器人。

第二種是生成式的聊天機器人，我需要把我的答案直接生成出來，這種方式是需要限定在一定的領(lǐng)域里面。開放領(lǐng)域里直接生成式的聊天機器人會有一些敏感詞的問題，因為語料一般是網(wǎng)上收集的，想做到所有語料都人工審核成本是巨大的。所以說生成式需要把它限定在一個特定的領(lǐng)域里面，生成式分為兩種：一種是純粹的生成，一種是基于一些模板來生成。

基于一些模板來生成，是說對答案事先定制好一些模板，生成的答案只是在模板里填空，這樣的話就能控制答案；第二種生成是純粹的生成式，但是只能把它用在特定的一些場景下，并不用它來做全開放的聊天機器人答案的生成，只能夠用它來做一些限定領(lǐng)域的，比如對聯(lián)的生成、古詩詞的生成等，這些風(fēng)險相對較小。

講到這里，我們基本上已經(jīng)把最開始的那張流程圖里的所有的技術(shù)點講的差不多了。

第三部分就是跟大家一起探討一下智能客服的技術(shù)難點：我們在做智能客服這樣的一個系統(tǒng)的時候，可能會遇到哪些的技術(shù)難點？主要有這么幾類：

第一個難點是：數(shù)據(jù)冷啟動的問題。

數(shù)據(jù)冷啟動就是說在絕大多數(shù)情況下，我們實際上是沒有足夠的數(shù)據(jù)來訓(xùn)練模型的，這個時候，我們怎么做？

在面對這種數(shù)據(jù)冷啟動的問題，很多模塊的設(shè)計里面都會考慮怎么樣去在缺少數(shù)據(jù)的情況下把這個事情做起來，大致有兩種辦法：一是先用一個通用的模型，等到數(shù)據(jù)足夠多的時候優(yōu)化這個模型；第二種是先用規(guī)則的方法做，先把這個模塊做起來，等到數(shù)據(jù)足夠多的時候，再來啟用模型的方法，這兩種方法都可以走的通，但是要根據(jù)具體的情況來具體分析。

第二個難點是：多輪對話的問題。

尤其是多領(lǐng)域的對話，多領(lǐng)域的多輪對話仍然是一個難題。在一個單領(lǐng)域里面，我可以把對話技術(shù)做得很好，比如說像最簡單的訂機票可以做得很好。但是如果說在很多不同的領(lǐng)域里面，這邊是訂機票、查物流、那邊又是去做一些其他的什么電商相關(guān)的事情，這個多領(lǐng)域的對話怎么辦？我們是沒有辦法在多個領(lǐng)域都拿到足夠的數(shù)據(jù)，在這種情況下多輪對話是一個比較困難的問題。

第三個難點是：人機協(xié)作。

人機協(xié)作這塊現(xiàn)有的方式前面已經(jīng)提到過了，現(xiàn)有的方式實際上沒有辦法最大化機器人的價值，也就是說機器人在整個智能客服的系統(tǒng)里面它起的仍然是一個輔助的作用，而不是主要的作用。

為了發(fā)揮這個機器人的作用，我們需要去探索一些新的方式，比如說我們能不能做到人為輔助，然后機器人來主要回答這個用戶的問題呢？這也是我們現(xiàn)在正在研究的一個新的方向，對于這些技術(shù)難點其實我們也可以共同來討論有什么樣的解決方案。

那剛才我們講了很多，一個智能客服系統(tǒng)，它是需要什么樣的能力呢？總結(jié)一下：

• 首先需要有自然語言處理的能力，一個智能客服系統(tǒng)其本質(zhì)就是一個自然語言的對話系統(tǒng)。而機器學(xué)習(xí)、深度學(xué)習(xí)等都只是實現(xiàn)自然語言對話系統(tǒng)的手段。

• 其次要有意圖識別的能力，要有一些知識庫問答、知識圖譜問答、任務(wù)型對話等能力。一般情況下，還需要對智能客服系統(tǒng)提供聊天的功能，這才是一個比較完整的智能客服系統(tǒng)。

然而對于企業(yè)級開發(fā)者來說，智能客服的接入是有一定的門檻的。實際上，開發(fā)一套智能客服系統(tǒng)，需擁有自然語言處理、意圖識別、知識圖譜、單輪 / 多輪對話等引擎作為支撐，其中涉及自然語言處理、語義相似度、狀態(tài)機、高維機器學(xué)習(xí)、深度學(xué)習(xí)等諸多底層算法…… 這樣的門檻讓很多沒有人工智能人才與技術(shù)儲備的企業(yè)難以獲得智能客服。此外，現(xiàn)有的很多智能客服系統(tǒng)都是封閉的，你并不了解它里面是怎么工作的，它也不會去向外開放，這就讓用戶沒有辦法在它上面做二次開發(fā)。

為了改變這種行業(yè)困境，第四范式研發(fā)了智能客服的開放平臺，幫助企業(yè)級開發(fā)者零成本、零門檻地搭建自己的智能客服系統(tǒng)。

首先看一下第四范式智能客服的一個概念圖：

我們會有基礎(chǔ)服務(wù)層，基礎(chǔ)服務(wù)層里面會有自然語言理解的各種服務(wù)，因為這是我們系統(tǒng)的一個示意圖，所以它里面只寫了很少的幾個部分，實際上我們所做的遠遠不只這 5 個部分，自然語言理解有很多的事情，我們都做了。第二個是意圖識別的服務(wù)，這兩個作為一個基礎(chǔ)服務(wù)層為上層的功能模塊來服務(wù)。

再往上就是四個功能模塊：任務(wù)對話、知識庫、知識圖譜，還有聊天機器人。在這之上是全渠道低門檻接入，我們現(xiàn)有五個渠道，后面還會擴展更多的渠道，是一個真正的全渠道接入的智能客服。

還有一點，有一個反饋自學(xué)習(xí)層，這個反饋自學(xué)習(xí)是根據(jù)客戶對答案的反饋，以及人工客服對答案的反饋進行自我學(xué)習(xí)，一是調(diào)整、問答質(zhì)量，二是對知識庫做一些生成。

圖中是我們所提供的四個功能模塊。我想重點想講一下我們整個產(chǎn)品有什么樣的特點：

第一個特點就是針對之前講的，客戶覺得接入門檻高的問題，我們?nèi)蓝际欠昼娂壗尤?，現(xiàn)有的渠道（APP、微信公眾號、Web 端、微博等），以及未來的一些渠道都可以在幾分鐘之內(nèi)快速接入，就是讓用戶快速的擁有智能的能力；

其次我們有一個自學(xué)習(xí)的模塊，自學(xué)習(xí)就是我前面所提到的，它在整個過程中會去學(xué)習(xí)一些反饋，這些反饋達到一定量的時候它會反映在這個問答的結(jié)果上，或者說對知識庫做一些調(diào)整；

再次，我重點想講一下開放平臺，首先我們的智能客服產(chǎn)品是一個免費的 SaaS 服務(wù)，它的基礎(chǔ)服務(wù)是永久免費的，如果一家公司想要使用我們的智能客服系統(tǒng)，并且它的需求在我們的研發(fā)計劃之內(nèi)，那么它可以永久免費的使用我們的服務(wù)。

那么為什么我們要做這樣一個免費的開放平臺呢？第四范式的企業(yè)愿景是把 AI 的能力賦能給企業(yè)客戶甚至是個人。因此我們希望做一個開放平臺，允許企業(yè)的開發(fā)者、甚至是第三方的廠商，在這個已經(jīng)很成熟的基礎(chǔ)的技術(shù)平臺上，做出自己企業(yè)需要的智能客服系統(tǒng)，或者做出自己細分領(lǐng)域的解決方案，只有這樣，智能客服這個市場需求量極大的技術(shù)才能真正遍地開花。

接下來這三張圖是通過不同的接入方式接入以后的實例：

下面兩張圖分別是安卓的手機接入和 IOS 的手機，因為安卓和 IOS 采用的是 SDK。它最典型的場景是集成完以后，在這個手機 APP 上點一個類似于“聯(lián)系客服”這樣一個按鈕，就會出現(xiàn)下圖中這樣的一個聊天窗口，用戶就可以和機器人對話。

最后再分享一下第四范式智能客服的開放平臺網(wǎng)址：

鏈接：https://bot.

建議用 Google 瀏覽器打開。

今天的分享就到此結(jié)束了。非常感謝大家的時間，謝謝。

邢少敏，第四范式智能客服負責(zé)人 & 資深數(shù)據(jù)科學(xué)家，畢業(yè)于北京航空航天大學(xué)，獲博士學(xué)位。15 年研發(fā)經(jīng)驗，對話系統(tǒng)、智能客服領(lǐng)域?qū)＜遥谧匀徽Z言處理、機器學(xué)習(xí)、深度學(xué)習(xí)、互聯(lián)網(wǎng)系統(tǒng)技術(shù)架構(gòu)等領(lǐng)域擁有豐富經(jīng)驗。前 IBM 資深工程師，IBM Jazz 技術(shù)平臺核心工程師。前環(huán)信智能客服技術(shù)負責(zé)人，從 0 開始帶領(lǐng)團隊研發(fā)了環(huán)信智能客服系統(tǒng)。目前主持第四范式智能客服的研發(fā)工作，帶領(lǐng)團隊開發(fā)了智能客服開放平臺。