圖片來源@視覺中國

2018年至今，NLP領域經歷了非常大的變化，Transformer、ELMO、BERT、GPT-3，再到最近的ChatGPT（GPT 3。5的微調）的突破，NLP在預訓練大模型的暴力拆解路上越走越遠，這也讓各行業開始相信：很多之前無法做到的場景、效果，現在可以有新的解法和落地。

智慧客服，是NLP和深度學習技術落地的重要領域之一。客服可以基於提前設定好的規則，對使用者意圖進行判斷並生成對應的固定話術。文字機器人、外呼機器人，可以替代掉原有重複性比較強的人工動作，逐漸轉變為相對日常的落地場景。比如你日常所接聽到的快遞客服電話，訂單諮詢的對話方塊等等，背後都有來自客服機器人的驅動。

但在對客服要求比較高的企業級場景中，對多輪對話理解使用者意圖和知識專業度要求較高，現有的客服機器人仍有很高提升的空間。

一是系統整體搭建的維護成本比較高，效率比較低，因為大多數的企業級智慧客服的知識庫不是流程化的，而是技術知識庫，需要人工/半自動的方式進行搭建。

二是業務場景複雜，專門知識門檻會更高，往往會涉及不同客戶的應用場景，與業務流程相關的複雜場景。

三是持續突破比較難，邊際效益遞減明顯，一般在良好技術知識庫的支撐下，企業級智慧客服的起步較快，但受制於方法論的影響，前期需要投入的大量人力、算力和資料，而到一定階段則會陷入提升的瓶頸。

這樣的問題也曾經困擾浪潮資訊的客服系統研發人員。

近日，鈦媒體App對話浪潮資訊服務總監陳彬、浪潮資訊AI軟體研發總監吳韶華，圍繞智慧客服市場當前解決的難題，以AI大模型的實際落地應用為視角，進行深入交流。

具體來講，浪潮資訊以AI大模型“源”為智慧引擎，和InService智慧服務平臺，搭建出了“智慧客服大腦”。

據介紹，“智慧客服大腦”學習了2萬餘份產品文件和使用者手冊的資料，並結合百萬條浪潮資訊專家工程師服務對話、數十萬份日誌、工單資料等演算法訓練，具備語言理解、資料分析、自主學習和智慧推理等能力，支援自然語言互動服務、已授權IT裝置的智慧運維與診斷、以及備品備件等資源的智慧管理和排程。

AI大模型在應用過程中必然會面臨各個行業的應用落地。在此之前，浪潮AI大模型“源”已經在人機互動、知識檢索、語言翻譯、文學創作等領域有所應用。

以大模型作為基礎能力，透過大模型的蒸餾實現相關的小模型，不僅實現的速度更快，智慧化水平更高，從技術角度來講，大模型在落地過程中呈現出了與以往模型非常不同的技術特徵，也帶來了更好的智慧化水平。不論對大模型進行微調，還是引入領域知識庫的方式，均是業界在探索的路徑。

在浪潮資訊AI軟體研發總監吳韶華看來，“

大模型想要在某個方向上訓練得更好，智慧化水平更高，確實需要在具體落地場景引入額外的領域知識，才能解決實際問題。

AI大模型有其自身特點，訓練時使用的資料集主要來自網際網路，在通用知識和領域知識的分佈上存在不均，會影響其在具體行業的應用。”

舉個例子，在浪潮資訊服務所面臨的主要客戶問題，包括諮詢和故障報修兩大類：前者如各類的產品服務政策、裝置使用、以及複雜的技術諮詢，如技術諮詢方面其實比較常見的是如何做系統安裝、Raid配置等，因為這個過程比較複雜，常出現各種問題；產品諮詢包括購買產品的記憶體配置、保修時長等等；故障報修相對會比較有針對性、更多元，例如無法開機、硬碟故障、記憶體故障等等。

在浪潮資訊的諮詢客戶中，有80%的使用者為非專業工程師，智慧客服需要在準確理解使用者、精準定義問題的基礎上，透過多輪迴答解決技術問題，給予客戶滿意的答案。對於客戶而言，

如若智慧客服所給予的答案過於標準和冗餘，卻無法快速幫客戶解決具體問題，客服所給予的答案只可被定義為對的答案而不是好的答案。

實際上，浪潮資訊從4、5年前就開始進行客服的數字化轉型和探索，並且在2019年開始著手應用業內在探索的FAQ、任務式對話、知識圖譜等NLP領域相關技術，對客服系統進行了一定程度的改造和提升。

但當時遇到的瓶頸也十分明顯，主要在於兩方面：“一是企業產品資訊更新快，造成模型訓練任務非常大，加之模型知識庫的封閉，在訓練效果上也受到制約；二是機器人需要對上下文結合語境進行語義理解，引導客戶提問並且精準識別問題，在專業知識領域的IT行業，難度非常高。”浪潮資訊服務與實施部總監陳彬指出。

除了在大模型的落地中引入領域知識外，浪潮智慧客服在研發過程中還重點考慮了其他幾點因素：

第一，客服系統是不是真正地理解客戶

，是否能夠透過多次對話瞭解到客戶真實的服務意圖。

企業級場景中，客戶有個報修問題，但無法用專業的技術語言對服務場景進行準確描述時，就非常考驗客服系統的理解能力。

第二，

是否需要投入額外和高昂的人力成本讓客服機器人具備自主學習、迭代的能力

。讓專業工程師做重複的模型訓練工作，既不符合企業成本要求，也不符合企業建設專家型團隊的長期規劃。

第三，B端客戶對企業的服務體驗、服務口碑要求高，

訓練出的客服系統是否能夠讓更多的客戶接受、信任並滿意地使用

。相較於傳統的智慧客服採用多模型、多資料庫的架構，浪潮資訊智慧客服系統最終實現統一架構支援多工解決問題。而此前完成一套客服動作，往往涉及FAQ、任務式知識圖譜、知識檢索等模組，需要在多個知識庫、模型之間進行任務排程，架構複雜且維護難度比較大。

此外，由於在模型訓練上實現了自進化、快進化學習，而不是原有需要人工或半人工搭建和訓練模型的過程，在人工標註和訓練成本上得到了極大降低。

從浪潮資訊資料中心服務的成效來看，在應用智慧客服系統後，客戶問答的匹配率（即覆蓋率）達到92%，對常見的複雜問題的解決率目前能達到80%以上，平均解決率是65%左右。此外，服務整體人員規模佔浪潮資訊總人員規模的4%，而業內一般都佔比15%到20%左右，在整體人均效能上得到了一定提升。

“服務作為一個公司的重要視窗業務部門，也是和客戶互動最緊密的平臺。所以我們首先考慮的是怎麼把實際業務和AI演算法結合在一起。本身IT的服務場景非常複雜，且面對是更多大量的B類客戶，我們當初也在討論，是否真的需要花這麼大的精力，把傳統的服務場景，做AI的相關技術和演算法的落地，在專案初期也是比較有爭議的。”陳彬表示。

但從目前取得的成效來看，當初的投入是值得的。

結合鈦媒體的觀察，客服機器人的背後仍是複雜的AI技術棧作為支撐。涉及語音識別、語義理解和生成、人機互動等等，存在系統搭建成本較高。如AI的邊際成本，模型訓練中對人工標註資料的成本，加之企業多數存在二次開發的定製化要求，導致部署交付成本也難以避免。

企業對技術的投入和成熟與否直接決定了體驗的高低，而如今浪潮AI大模型“源”在智慧客服場景的實際落地應用，為業界提供了一種另一種可參考的解決方案。

（本文首發鈦媒體APP 作者 | 楊麗）