之前分享过的5篇文章，主要讲述了本人4个月的AI转型学习历程，当时还没做过AI相关的产品。目前我在一家创业公司负责创新类的产品团队，从0到1打造了4款AI产品并相继落地。本文分享了我们在企业服务智能化管理方向的探索，关于：智能化管理都面临哪些痛点？针对这些痛点有哪些解决之道？B端客户在AI产品的认知上有哪些误区，以及团队如何实现敏捷进化。
智能管理的四个发展阶段
AI在企业服务中已经得到了广泛应用，其中“智能管理”的产品定位与“智能客服”有明显的差别。
智能客服是用Bot来代替客服人员完成对话过程，降低企业用人成本；
智能管理是利用AI帮助质检员做数据洞察，帮助客服坐席完成实时协同、仿真陪练，其核心价值是合规、风控和提效，降低管理成本只是它的附带价值。
我们将智能管理的发展定义为4个阶段：
第一阶段：基于传统专家系统的智能质检。
通过关键词模版、正则表达式对客户和坐席的会话日志进行分析，生成文本质检报告。在此基础上前置一层 ASR和声学特征检测，可生成语音通话的质检报告。但这类实现方式在准确率、泛化能力和运营有效性上都存在明显瓶颈。
第二阶段：基于深度学习（语音+语义）的智能质检
很多客户找到我们说想要更换质检系统，原因是老系统要维护关键词模版，效率低下，还容易出现漏命中、误命中的情况。这些痛点恰恰可以靠深度学习来弥补，比如：用 RNN 实现语义理解，用 CNN、RNN 实现声学和文本的情感分析，用 CNN、Bi-LSTM 实现 VAD（语音活动检测）。
监督学习依赖标注数据，初始化阶段需要一定的人力投入。但长期来看 AI 训练师的投入会逐步递减，整体 ROI 远超专家系统。
第三阶段：利用自学习的智能化运维工具，大幅提升质检引擎的运营有效性
基于深度学习的 B 端产品能否取得成功，不仅取决于神经网络等底层技术，很大程度上取决于工程化、产品化和运营的成熟度。模型效果可以决定产品的下限，而运营有效性、用户体验、交付和售后服务则决定了产品的上限。
客户拿到产品后，大量的训练数据需要人工标注，规则策略需要人工编写，Badcase 需要人工核查，效果调优需要人工操作。高门槛、高频的人工操作，已经成为 B 端 AI 产品的最核心痛点。为了解决这一痛点，我们做了两件事：
（1）提供智能化运维工具包
例如：数据标注、深度学习训练平台、语义快速教育、新语义发现、语义智能消歧以及模型调试等工具，尽最大可能减少维护的难度。
（2）授人以鱼不如授人以渔。
将运营过程中的经验、方法论沉淀成《智能管理运营手册》，详细描述智能冷启和持续运营的 5 个阶段。它可以作为指导教材，帮助 AI 训练师有坡度、有温度地掌握工具，帮助企业牢牢守护住运维 ROI。
第四阶段：事前+事中+事后的闭环智能管理解决方案。
随着企业对风控、质控的要求越来越高，事后质检很难满足时效性的需求。所以培训机器人和坐席助手两种产品形态就应运而生，它们分别补全了事前培训和事中人机协同的环节，配合智能质检覆盖了整个坐席服务的周期。
回顾一下智能管理这四个发展阶段：从专家系统到深度学习，从穷举式运维到智能化运维，从事后质检到全周期服务管理，共发生了三次质变。
闭环化的智能管理产品
目前在智能管理方向上，绝大多数厂商处于第一阶段，第二阶段的厂商不到3家。只有1家公司能提供三款闭环产品 + 基于深度学习的语义理解 + 智能化运维工具包，并支持标准化交付。
下面分别介绍智能管理的三款产品：
1. See：智能质检
See 的定位是对坐席与客户的通话录音、文本会话进行质检分析。其模块包含质检引擎、分角色的工作台（人工抽检、客服申诉、复审、训练师）和数据统计等功能。质检引擎包含 12 个维度的分析算子，帮助质检员实现更加精准的质控。
See 的分析引擎支持十几种算子，除了关键词、正则、RNN、情绪等文本算子以外，还支持语音情绪、语速、抢话、静音等声学算子。初始化阶段会有一定的 AI 训练师投入，后期业务方每周只需要投入少量时间即可完成调优工作。
2. Pal：坐席助手
Pal 的定位是坐席的智能助手，在电话服务过程中为客服坐席提供人机协同能力。包括合规管理、流程导航、用户画像、话术推荐、智能表单和一键直达等功能，帮助提升业务效率、降低上岗门槛，提升营销转化。
客服坐席在通话过程中会伴随大量业务操作，比如工单系统、CRM。好的产品是用完即走的，Pal 如何以贴心助手的角色融入到场景中呢？
我们为它设计了三种模式：隐藏模式、简单模式和完整模式。只有当坐席需要的时候，各项功能才会冒出来与坐席交互，多数情况下在后台就自动完成分析过程。
3. Learn：智能培训
Learn 的定位是对新手或者有短板的坐席进行场景仿真练习。客服行业人员流动率非常高，传统的老带新培训模式效率较低，老员工的耐心有限，但机器人是不知疲倦的。
Learn 分为学、练、考、评四个模块：
学习：坐席通过教学视频、PPT 等素材完成学习输入的过程。
练习：坐席与机器人模拟接听、外呼等场景，反复模拟练习，直到掌握业务。
考试：场景交互过程比练习模式增加了难度，去掉了提示指引。除了场景交互考题，也有选择、判断等传统题型。
评分：自动化阅卷生成评分，将多维考评项合成能力脸谱，为学员指明提升路径。
以上就是三款产品的介绍，智能管理是一套闭环的解决方案：Learn 在服务前帮助学员达到上岗门槛；Pal 辅助坐席完成实时人机协同，并将语音流、实时分析结果给到 See 做进一步的挖掘；See 输出坐席画像、将优质案例和反面案例给到 Learn 做为课件和题目的参考素材，并根据坐席能力短板推荐课程和考题。三款产品贯穿客户服务的全流程，实现了数据的高效复用。
做产品创新的团队，需要主动承担起定义标准、解释标准和推广标准的责任。我们为智能管理制定了一套验收标准，包含功能模块、效果指标、用户体验等三个方面。项目实施的过程中，客户会收到详细的自测验收报告。
挑战与思考
1. 智能分析引擎应该依赖深度学习还是专家系统？
先来看下 RNN 和关键词主要有哪些差异：
（1）匹配模式不同
关键词是精准匹配，优势是可解释性，配置后立即生效。RNN 有更强的泛化能力，局限是不可解释，无法做可控的调优（AI 训练师可以凭借经验做一定的优化）。举个例子：当 ASR 转译出错的时候，用关键词匹配就很难正确命中。
（2）数据来源和运维效率不同
关键词和正则更依赖用户对业务的理解，需要人工梳理出关键词；而 RNN 的训练数据主要来源于生产系统的会话日志，后期的维护效率也比关键词高 1.5 到 2 倍。
（2）适用的语境不同
开头语、结束语、礼貌用语、禁用语就很适合用专家系统，例如「你好，很高兴为您服务」，这种讲话的定式很容易用正则来穷举。但像【客户表达不满】这种相对发散的语义，叙述方式灵活多变，更适用 RNN 来匹配。
为了分析 RNN 和关键词的取舍问题，我们拿实际落地的项目做了些研究。在确保质检引擎准确率≥90% 的前提下，寻找效果最优的匹配逻辑，不刻意偏重使用关键词或 RNN。结果某基金公司有 80% 的质检规则使用 RNN+关键词，10% 的规则纯用关键词，10% 的规则用声学算子；某新能源车企的 33 条质检规则都同时使用 RNN 和关键词；其他项目大多数规则也是两种算子共存。
最终结论是：关键词决定了质检水平下限，RNN 决定了质检水平的上限。过度依赖其中的一种，都是产品不够成熟的表现，二者互相结合才能做出好的效果。
除了算子的选取，影响质检引擎效果的因素还有很多，比如分类体系、语料歧义、数据量、数据粒度、话者分离等。在讲智能管理发展阶段的时候，我提到了运营有效性和方法论。通过《智能管理运营手册》和行业数据积累，可以帮助客户完成高效的智能冷启和持续运营。
2. 如何做好语音交互的场景化？
B 端产品最终也是给人用的，我们在打造智能管理的过程中，很多场景体验都按照 C 端的标准。
语音类产品的场景化有三个原则：
单场景的极致闭环：例如 Pal 坐席助手的 5 个模块有相互独立的触发条件，流程上相互照应，交互体验和谐统一。
跨场景的无缝衔接：例如智能管理将实时、事前和事后的三个场景衔接贯通，共用分析引擎和训练数据；质检分析结果回流到培训系统中，形成服务闭环。
人性化的交互体验：例如机器人的 TTS 播报略显生硬，如果用录音来代替，交互的感受就更有温度。同时也减少调用 TTS 服务的时间，还能砍掉 TTS 的成本；在 VUI 逻辑中，我们加入了容错轮次，给坐席一次重说的机会，避免了学员的尴尬。
在技术选型上，也需要忠于用户体验。对于偏流程化、目的性强的语音场景，业界一般用任务型来实现。但培训机器人和智能外呼的角色完全对调，我们反复推敲了二者的差异性，最终决定只引入任务型的设计思想，没有拿外呼的 NLP 方案来生搬硬套。
3. 客户对 AI 产品的过高期望和误解
（1）客户应该对 AI 抱有怎样的期望？
有人提出要用机器代替人去扛营销转化率，其实营销是一门体现情商和柔性技巧的学问，连人类都未必能扛得住营销转化率。在营销场景中，机器辅助人的可落地性远远强于机器人代替人。如果一定要用 Bot 直接做营销，可以尽量避免过于发散的场景，截取一段相对收敛的流程用任务型来实现。
就连大家津津乐道的 Alpha Go，也是挑选了收敛的围棋场景，在既定规则内最大化发挥出计算性能的优势。深度学习的根基是统计学，神经网络的抽象层级还比较浅。相比于人类，AI 不具备背景常识，更没有自我意识和感情，不要苛求它去做特别深刻的逻辑推理。
（2）AI 技术是场景落地的主要瓶颈么？
技术实力的确是落地的核心基础，但发展到一定规模后，产品运营、后端资源、服务能力会成为商业化成功的关键。即便是拥有超强算法能力的 AI 巨头，也没有精力做好每个细分领域的产品。各种算法模型从实验阶段到工程化、产品化、规模化交付再到口碑运营，中间有太长的路要走。
（3）如何快速验证一款深度学习产品的水平？
任何厂商都可以对外宣称自己拥有某项 AI 技术，但产品的落地依托于真实的投入与沉淀。很多客户都没意识到这一点，也很难分辨出厂商之间的真正差距在哪里。其实到底有没有，拉出来遛一遛就知道了。
分享个小技巧：让厂商实际操作数据标注、模型训练和模型调用的流程，证明自己有基于深度学习的智能运维工具。然后看这套工具是否跟产品系统融合统一，给到用户的交互界面是否友好。如果这些都满足，就说明产品相对成熟，技术也差不到哪里去。
（4）深度学习 or 专家系统？
现在有很多 AI 厂商过度渲染深度学习的优势，也有更多专家系统的厂商攻击深度学习冷启动周期的弊端，其实这些都是有局限性的无意义对比。比如：智能管理场景的最优方案，就是通过专家系统+深度学习的多维算子叠加来实现。并不绝对依赖于某一种技术，同时也能确保运维的效率。鼓吹其中的任何一种，都是产品不成熟的表现。
（5）一些训练数据或模型能否复用？
关键看场景的重合度，比如智能管理的 3 款产品之间有部分模型可以复用，而外呼机器人跟智能质检的模型就无法强行复用。客户想要复用模型，其本质诉求无非就是降本升效。我们假设模型真的可以复用，也就只提升了 1 倍的运维效率，依然无法应对新业务的迭代，而我们提供的【新语义发现】+【快速教育】工具却可以将运维效率提升 10 倍以上。
（6）会话轮数是不是越多越好？
会话轮数从来都不是考核 Bot 交互能力的指标，关键是多轮会话的目的是要完成一项清晰的任务，还是完成一通闲聊？如果是为了完成任务，就要将场景尽可能收敛，交互路径尽可能缩短。聊的越久，越容易出错。
4. AI 时代团队如何敏捷进化？
最后是一些关于敏捷的思考。我们团队是公司的一个产品研发小组，在 18 年 3 月上线 See，6 月上线 Pal，9 月上线 Learn，12 月份做出其他创新型产品，奔跑速度已经不弱于互联网公司。
快速裂变的过程中，蒙眼狂奔一定会掉链子，关键看如何坚守克制与取舍。我国的 toB 大环境下很难避开定制化，如何寻找标准化与定制化的平衡点呢？
这非常考验产品团队的基本功，我经常拿 2 个问题来挑战组员：
给产品做加法时，能解决人无我有的问题，还是人有我优的问题？
最终能获胜的凭什么是你？需要讲清楚背后的隐性逻辑。
做产品必须要敢于接受直逼灵魂的拷问。这是个不缺脑暴的时代，模糊、发散的 idea 并不值钱。只有当我们对核心细节做到入微操控，推演出金字塔尖的东西时，才可能做出核心竞争力。
然后，组件化思维非常重要，通用的 AI 能力应该趁早被抽象出来，以便后期快速复用到新的 AI 产品上。
同时，敏捷进化只靠内部团队远远不够，更需要群智效应和创造力赋能。群智效应是指业务方、厂商一起贡献智慧；创造力赋能是指价值传递过程中，给到客户的不仅是工具本身，更包含驾驭工具、探索新事物的能力。客户与合作伙伴的创新型探索，也可以倒逼产品的进化。
目前 AI 行业竞争非常激烈，各公司的保密工作都很到位。外界对 AI 公司有强烈的好奇心，希望能得到业内的更多分享。AI 公司也渴望通过更多合作来获取数据、打磨场景，提升业务纵深能力和规模化落地能力。
产品和业务本质上是共生关系，脱离业务的 AI 产品就是没有灵魂的躯壳，如果业务方和 AI 公司都持有更加开放的心态，大家坐下来深入探讨场景，就一定能挖掘出有价值的解决方案。
