讓我們從定義AI開始。你會發(fā)現(xiàn)人工智能有很多不同的定義，但人們的共識是模仿人類的行為。 　 　對于許多人來說，機器學習（ML）對于真正的人工智能來說是必要的。ML是機器識別不清楚的內(nèi)容、動作、行為或意圖的能力。你可以用統(tǒng)計模型來計算概率；然而，在企業(yè)中，人的指導(dǎo)或治理是最好的方法。如果你正在考慮企業(yè)中的人工智能，請務(wù)必理解你將如何管理ML流程。 　 　學習是人類的特性，但在某些情況下，ML可能是有問題的。想想Tay，微軟在Twitter上推出的通用聊天機器人。在24小時內(nèi)，微軟不得不取消Tay，因為一些Twitter用戶教它一些非常糟糕的種族主義習慣。正如我前面提到的，確保你知道ML流程如何為你可能選擇的AI工具工作。 　 　客戶參與推論是使用對話錄音培訓網(wǎng)絡(luò)聊天機器人或語音助理。如果座席能夠正確地以恰當?shù)姆绞教幚砻總€客戶的交互，那就太好了，但事實并非如此。當提供一個會話人工智能接口時，使用先前記錄的交互，確保你能夠編輯錯誤的行為和錯誤的答案。 　 　在探索人工智能的過程中，你還需要了解認知處理和規(guī)模。 　 　認知處理器是指支持人工智能應(yīng)用的計算平臺。這個平臺可以包含一個處理器或多個處理器，甚至是數(shù)千個處理器的神經(jīng)網(wǎng)絡(luò)。其中任何一種都適用于聯(lián)絡(luò)中心，并且能夠運行本文中討論的任何應(yīng)用程序--但是，規(guī)模是一個問題。 　 　關(guān)于規(guī)模，最好的做法是從有限的生產(chǎn)實現(xiàn)開始--在聯(lián)絡(luò)中心，這意味著限制你的機器人可以支持的并發(fā)用戶的數(shù)量。你可能從10或50個并發(fā)用戶開始，但不是數(shù)百個。原因是每個用例都是不同的，在最初的幾個月里，你將不得不測量機器人的性能，以便了解如何最好地增加處理能力以滿足企業(yè)的規(guī)模。 　 　此外，隨著時間的推移，ML將傾向于減少處理器負載。在幾個月內(nèi)運行有限的實現(xiàn)將允許每個交互的處理器需求穩(wěn)定，這樣你就可以計算生產(chǎn)規(guī)模。使用基于云計算的租賃處理器，按月或按年計算，將降低購買過多處理器的風險。 　 　在客戶參與環(huán)境中有用的人工智能工具分為以下幾類： 自動語音識別和文本到語音（ASR/TTS） 機器人過程自動化（RPA） 基于AI的分析（基于對自然語言和/或元數(shù)據(jù)的分析） 　 　會話人工智能--自然語言處理（NLP）及其組成部分：自然語言理解和自然語言生成。 　 　自動語音識別和語音合成 　 　ASR/TTS，它提供了機器翻譯語音到文本的能力，相反，將文本轉(zhuǎn)換為語音，這是幾十年來一直常用的。例如，我在1995年實現(xiàn)了我的第一個ASR/TTS解決方案，為強生公司（Johnson Johnson）提供服務(wù)。對于這個用例，我們培訓了一臺機器來識別60000個不同的組件號碼，以便在電話訂單上提供更好的準確性。我們需要幫助的大部分ML用于處理重復(fù)的組件編號和組件標簽，它們使用了聲音相似的字母和數(shù)字（B、3、G、Z…）。幾周內(nèi)，我們在識別特定組件方面達到了99%的準確度。 　 　Nuance Communications的Dragon自然語音識別軟件是一個商業(yè)ASR/TTS工具的例子，自1982年以來就一直存在。這篇文章的其中某些部分是利用它寫成的，口述--然后轉(zhuǎn)換成文字。首先，該軟件使用ML的概念稱為培訓。基本上，它為你提供了一些閱讀的文件，它可以學習你的聲音是如何發(fā)音的，就像你已經(jīng)知道的單詞一樣。而且，它會在你每次使用它的時候?qū)W習，并且有能力閱讀你的電子郵件和存儲的文檔來學習你的寫作方式。如果你有背部或頸部的毛病，整天都趴在鍵盤上，我強烈建議你試試。但是要注意的是：正確地拼寫每一個單詞，但這并不意味著它永遠是正確的單詞。 　 　機器人過程自動化 　 　RAP（機器人過程自動化）則是計算機腳本的使用，即移動數(shù)據(jù)或處理事務(wù)，需要多個計算機系統(tǒng)或計算機系統(tǒng)內(nèi)創(chuàng)建函數(shù)。幾年前，企業(yè)開始在RPA上花錢。它在幾個方面與腳本不同，最明顯的是它使用了ML；具有業(yè)務(wù)規(guī)則的集中式存儲庫；而且，在大多數(shù)情況下，有能力使用NLP來改善它的效用。 　 　RPA在處理與CRM相關(guān)的工作或在聯(lián)絡(luò)中心的額外工作時特別有用。一個完美的例子是使用RPA消除客戶關(guān)系管理和訂購系統(tǒng)之間的手動復(fù)制和粘貼案例說明。RPA不太容易出錯，并且允許聯(lián)絡(luò)中心座席專注于更有意義的工作。 　 　有了ML，機器人就有機會通過識別新的產(chǎn)品和流程來提高自身，從而引入客戶參與環(huán)境。例如，當一個新產(chǎn)品出現(xiàn)在電子采購訂單上時，機器人可能不知道它是什么；但是，它將知道字段的內(nèi)容是分類法的一部分，它將其標識為產(chǎn)品，而不是名稱或地址。這使得ML管理過程更容易。此外，在合適的條件下，使用ML的機器人可以處理新產(chǎn)品的購買訂單，而無需將其重寫為腳本。 　 　當多個RPA進程處理相似的數(shù)據(jù)并將這些數(shù)據(jù)移動到類似或相同的信息系統(tǒng)平臺時，業(yè)務(wù)規(guī)則庫非常有用。例如，知道一個已知的實體，比如地址總是在同一個地方，可以方便地部署新的RPA解決方案。 　 　NLP與RPA定期合作。舉一個簡單的例子，再考慮一下電子采購訂單。只有一個typo意味著一個簡單的腳本將會失敗，并且訂單需要手工處理。NLP有能力使用庫存或編程語言元素來減輕輸入錯誤的影響。此外，你可以使用NLP來總結(jié)在采購訂單上用簡單英語描述的注釋或異常。機器人可以適應(yīng)航運術(shù)語、交付要求和特殊請求，但是腳本工具只能標記手動處理的異常。 　 　您可以從數(shù)百個供應(yīng)商中找到你所想要的RPA工具，包括BluePrism、IBM、Microsoft、Pegasystems和UiPath。 　 　基于人工智能的分析 　 　聯(lián)絡(luò)中心有幾種方法來使用基于AI的分析。在聯(lián)絡(luò)中心中，基于AI的分析通常使用元數(shù)據(jù)來描述交互，而不是交互本身。另一方面，基于NLP的分析應(yīng)用于交互本身的內(nèi)容。為了設(shè)置語境，NLP由兩部分組成：自然語言理解（NLU）和自然語言生成（NLG）。NLU可以做以下操作，但不限于：辨別意圖、消除歧義、術(shù)語提取、翻譯、解析、詞干、命名實體提取、主題分割、識別情緒（感情）、總結(jié)內(nèi)容、標記內(nèi)容和分類。NLG只生成基于語言的響應(yīng)。（NLP將是另一篇文章的主題） 　 　使用的操作決策標準是：你是否關(guān)心客戶已經(jīng)做了什么，還是關(guān)心客戶現(xiàn)在正在做什么？ 　 　在我看來，知道客戶現(xiàn)在做什么比知道客戶上周做了什么，甚至僅僅是剛才的事情更重要。例如，銀行客戶使用IVR來轉(zhuǎn)賬，然后按0到達座席。在大多數(shù)情況下，IVR會把客戶轉(zhuǎn)移到處理轉(zhuǎn)賬的呼叫隊列。然而，現(xiàn)實情況是，轉(zhuǎn)賬很可能已經(jīng)完成，客戶可能想做些別的事情，比如申請抵押貸款。在這種情況下，元數(shù)據(jù)有其局限性。基于NLU的路由解決方案將詢問客戶他或她希望下一步做什么，然后路由到適當?shù)暮艚嘘犃?-或者甚至可能調(diào)用NLP來處理貸款應(yīng)用程序。 　 　令我的客戶感到驚訝的是，他們可以用最少的滯后時間來執(zhí)行分析（有些人可能會稱之為實時分析，但我認為這更像是一種接近實時的分析）。 　 　元數(shù)據(jù)分析，如可能使用像Altocloud這樣的平臺（現(xiàn)在是Genesys），可以使用子秒延遲執(zhí)行。分析文本可能需要更長的時間，因為機器可能無法理解真正的意圖，直到背誦完成。AmazonLex、GridspaceSift和IBMWatson都是可以執(zhí)行NLP分析的解決方案的例子。 　 　情緒分析也是我的大多數(shù)客戶感興趣的方面，通常，這些分析是在會話接口建立之后實現(xiàn)的。在會話接口之前，我看到客戶實現(xiàn)NLP分析的唯一地方是對遵從性的研究。這樣做的一個例子就是分析經(jīng)紀人在金融業(yè)務(wù)中與法定要求的相關(guān)表現(xiàn)。