Ли Цзянь, директор по развитию больших данных со степенью. Он присоединился к Ctrip в конце 2013 года и отвечает за разработку и управление обработкой естественного языка, изображениями, рекомендациями и другими областями в сообществе рейдеров и отдыхе. Эта статья от Ли Цзяньцзая.2-й салон машинного обучения Ctrip Yunhaiделиться на .
*Видео предоставлено IT big coffee, оно длится около 30 минут, пожалуйста, смотрите его в среде WiFi*
написать впереди
В эпоху искусственного интеллекта технология ИИ всесторонне изменит текущую бизнес-модель и будет способствовать развитию бизнеса во многих аспектах, таких как совершенствование процессов, снижение затрат на связь, повышение эффективности связи, снижение затрат и увеличение доходов более точным и эффективным способом. Интеллектуальная облачная платформа обслуживания клиентов Kwai Duo предприняла множество полезных попыток в этом отношении, что значительно повысило эффективность и удобство обслуживания клиентов Fake.
1. Обзор интеллектуальной облачной платформы обслуживания клиентов
До запуска интеллектуальной облачной платформы обслуживания клиентов было много проблемных мест на каждом поведенческом этапе нескольких каналов обслуживания, включая IM/WeChat, онлайн-обслуживание клиентов и обслуживание клиентов по телефону. Поскольку продукты отдыха охватывают многие аспекты, такие как отели, авиабилеты и билеты, разнообразие услуг более очевидно, что создает больше трудностей для решения болевых точек.
Чтобы решить вышеупомянутые болевые точки, цель созданной нами интеллектуальной облачной платформы обслуживания клиентов в основном сосредоточена на следующих шести аспектах:
1) эффективность обращения услуг;
2) время отклика службы;
3) Стандартизированные услуги;
4) Автоматизированные услуги;
5) управление нарушениями;
6) оптимизация процессов;
Текущая интеллектуальная облачная платформа обслуживания клиентов запустила около 80 моделей в четырех аспектах: интеллектуальные вопросы и ответы, управление каналами обслуживания, оптимизация процессов обслуживания и управление поставщиками, и добилась хороших результатов.
2. Архитектура системы
На следующем рисунке показана системная архитектура нашей интеллектуальной облачной платформы обслуживания клиентов.В части алгоритма мы разработали и запустили модель автоматического исправления ошибок, которая повысила точность понимания намерений пользователя с 60% до более чем 90%; часть, мы разработали и построили платформу EasyAI. В отличие от многих платформ ИИ, которые часто предоставляются инженерам-алгоритмам, наша EasyAI нацелена на бизнес-группы, которые не знакомы с технологиями. Благодаря этой платформе эффективность работы бизнеса была повышена. на 50%.
3. Введение типовых моделей алгоритмов
3.1 Модель намерения пользователя
Когда пользователи общаются со службой поддержки, у них часто бывают разные намерения.Нам нужно определить в режиме реального времени, есть ли у пользователя намерение приобрести конкретный продукт, или можно сформировать четкое намерение, чтобы облегчить последующие рекомендации по продукту. Для достижения этой цели мы используем многозадачную модель с несколькими метками, основанную на глубоком обучении.
3.2 Модель группового надзора
Поскольку общение между пользователями и службой поддержки клиентов основано на групповом методе, нам необходимо использовать модель группового контроля, чтобы лучше анализировать и оценивать намерения пользователя. В реальной ситуации большая часть контента чата пользователей относительно сконцентрирована, а размер выборки также очень велик, а размер выборки в некоторых намерениях крайне недостаточен, поэтому мы строим эффективную модель группового надзора для решения крайний дисбаланс образцов.После запуска модели точность увеличилась с 10%+ до 80%+.
3.3 Модель извлечения контента
Функция извлечения контента используется во многих сценариях приложений интеллектуальной облачной платформы обслуживания клиентов, поэтому мы построили общую модель извлечения контента на основе полуконтролируемого обучения. В частности, мы добавили нашу собственную языковую модель к широко используемой модели извлечения контента для обеспечения полуконтролируемого обучения, и окончательная точность была улучшена на 7%.
3.4 Построение графа знаний
В процессе построения графа знаний мы сначала разделяем домен, а затем генерируем схему для каждого домена. Существует два способа создания схемы: ручной и автоматический.Эффект автоматической генерации схемы часто не идеален, поэтому мы используем способ определения схемы вручную.
Далее мы реализуем извлечение информации на основе Schema, а затем завершаем завершение и слияние графов знаний. На рисунке ниже показаны все модели, которые мы используем в процессе построения, извлечения, завершения и объединения графов знаний для логического вывода.
3.5 Модель вопросов и ответов самообслуживания
Система вопросов и ответов самообслуживания интеллектуальной облачной платформы обслуживания клиентов прошла процесс разработки с версии 1.0 до версии 2.0. . В частности, мы используем подход Bi-LSTM + Attention + CNN для построения моделей для вопроса и ответа соответственно и, наконец, вычисляем сходство между выходными векторами двух моделей.
В системе «Опросник для самооценки 2.0» мы реализовали несколько раундов диалога между машиной и пользователем. Для содержимого чата пользователя мы сначала выполняем автоматическую коррекцию содержимого и понимание естественного языка, а затем переходим к управлению диалогами.Чтобы обеспечить эффективность управления диалогами, мы разработали основные компоненты. После управления диалогом выбираются два метода грубого ответа на основе поиска и детального ответа на основе базы знаний на основе понимания намерений пользователя и управления диалогом. После получения всех ответов мы переупорядочим их, и в то же время мы также сделаем соответствующие рекомендации, основанные на понимании намерения пользователя и текущей ссылки пользователя, и, наконец, сгенерируем лучший ответ. На следующем рисунке показан процесс обработки системы опросника для самооценки 2.0.
4. Введение в платформу EasyAI
Во второй части мы упомянули платформу EasyAI, здесь мы даем дальнейшее введение. Первоначальная цель нашей платформы EasyAI — напрямую управлять бизнесом. Используя платформу EasyAI, мы можем повысить эффективность маркировки корпусов и обучения моделей, реализовать совместное использование размеченных корпусов и в то же время сократить период построения и уменьшить повторяющееся построение моделей. На рисунке ниже показана системная архитектура нашей платформы EasyAI.
напиши в конце
Вышеприведенное представило интеллектуальную облачную платформу обслуживания клиентов мобильного телефона, но ценность ИИ для мобильного телефона выходит далеко за рамки этого.В будущем мы будем дополнительно применять карту знаний для интеллектуальных рекомендаций и поиска, а также практиковать машину чтение в сфере туризма, чтобы уменьшить Трудоемкие усилия по построению графа знаний в конечном итоге реализуют автоматизацию и интеллектуальность всего процесса обслуживания.
Рекомендуемое чтение:
Применение машинного обучения в автоматизации колл-центра отеля
Как шаг за шагом построить мобильную инфраструктуру SPA на основе React
Практика применения машинного обучения для обнаружения веб-атак
Идея системы с распределенной архитектурой для генерации глобально уникального серийного номера.
Платформа Ctrip для мониторинга трафика колл-центра нового поколения