主页
topics
什么是对话式 AI | 交互式AI
对话式 AI (交互式 AI) 将自然语言处理 (NLP) 与 机器学习相结合。 这些 NLP 流程与机器学习流程一起流入固定反馈环路,以便不断改进 AI 算法。 对话式 AI 的主要组件使其能够以自然的方式处理、理解和生成响应。
机器学习 (ML) 是人工智能的一个子领域,由一组算法、特征以及可通过经验持续自行改进的数据集组成。 随着输入的增加, AI 平台机器在识别模式方面的表现越来越好,并且可用于预测。
自然语言处理是对话式 AI 中目前借助机器学习来分析语言的方法。 在机器学习之前,语言处理方法的演变从语言学到计算语言学再到统计 自然语言 处理。 在未来,深度学习将进一步提升对话式 AI 的自然语言处理能力。
NLP 包括四个步骤:输入生成、输入分析、输出生成和强化学习。 将非结构化数据转换为可由计算机读取的格式,然后对其进行分析以生成适当的响应。 底层 ML 算法会在长时间的学习过程中逐步提高响应质量。 这四个 NLP 步骤可以进一步细分如下:
常见问题及解答是对话式 AI 开发过程的基础。 它们可帮助您定义最终用户的主要需求和关注点,从而减少支持团队的呼叫量。 如果您的产品没有可用的 FAQ 列表,请首先联系您的客户成功团队,以确定对话式 AI 可帮助解决的相应问题的列表。
例如,假设你们是一家银行。 初始 FAQ 列表可能是:
随着时间的推移,您总是可以向这个列表中添加更多问题,因此,可以从一小部分问题开始,为对话式 AI 的开发过程建立原型。
FAQ 将构成在用户输入中表达的目标或意图(例如访问账户)的基础。 确定目标后,您可以将它们作为意图导入具有竞争力的对话式 AI 工具(如 Watson Assistant)中。
从这里开始,您需要向对话式 AI 传授用户可能会用哪些方式表达或询问此类信息。 如果以"如何访问我的账户"为例,您可能会想到用户在与支持代表聊天时可能使用的其他短语,例如"如何登录"、"如何重置密码"、"注册账户"等等。
如果您不确定客户可能使用的其他短语,那么您可能需要与分析和支持团队合作。 如果您的 聊天机器人分析 工具设置得当,分析团队就可以提取网络数据并调查来自站点搜索数据的其他查询。 或者,他们还可以分析来自网络聊天对话和呼叫中心的转录数据。 如果分析团队未设置此类分析,那么支持团队也可以提供有关客户表达问题的常见方式的有用洞察。
确定与意图有关的名词或实体。 在此示例中,我们一直关注的是用户的银行账户。 因此,可以创建一个与银行账户信息相关的实体。
许多值都可以归为此类信息,例如"用户名"、"密码"、"账号"等。
要了解与特定用户意图有关的实体,您可以使用从工具或支持团队收集的相同信息来制定目标或意图。 这些名词将被放在主要询问之前或之后。
所有这些元素将协同工作,以创建与最终用户的对话。 意图允许机器解释用户的提问,而实体将充当提供相关响应的一种方式。 例如,您可以设想对话式 AI 与忘记密码的用户之间展开的如下对话:
目标和名词(IBM 喜欢将它们称为意图和实体)协同工作以根据用户需求构建逻辑对话流。 如果您准备开始构建自己的对话式 AI,那么可以免费试用 IBM Watson Assistant Lite 版本 。
当提到对话式 AI 时,人们通常想到的是为他们提供客户支持 服务和全渠道 部署的在线聊天机器人和语音助手。 大多数对话式 AI 应用程序都在后端程序中内置了广泛的分析功能,这有助于确保类似人类的对话体验。
专家认为对话式 AI 当前的应用程序是弱 AI,因为它们只能执行非常少量的任务。 强 AI 仍然是一个理论概念,它侧重于开发类似人类的意识,可以完成各种任务并解决各种问题。
尽管对话式 AI 的关注范围有限,但它对于企业来说仍然是一项非常有利可图的技术,可以帮助企业获得更多利润。 虽然 AI 聊天机器人是最流行的对话式 AI 形式,但企业中仍然存在许多其他用例。 一些示例包括:
虽然大多数 AI 聊天机器人 和应用程序目前都具有基本的问题解决技能,但它们可以减少重复客户支持交互的时间并提高成本效益,释放人力资源以专注于更复杂的客户交互。 总体而言,对话式 AI 应用程序能够很好地复制人类对话体验,从而提高客户满意度。
对话式 AI 是适用于许多业务流程的经济高效的解决方案。 以下示例展示了使用对话式 AI 的优势。
为客户服务部门配备员工可能会导致成本上升,尤其是当您需要在正常办公时间之外的时段回答问题时。 通过对话界面为客户提高帮助可以降低工资和培训方面的业务成本,尤其是对于中小型公司来说更是如此。 聊天机器人和虚拟助手可以立即作出响应,能够为潜在客户提供全天候(24 小时制)服务。
人工对话也可能会为潜在客户提供不一致的响应 由于用户与支持人员的大多数交互都是寻求信息并且有些问题是重复的,因此企业可以对对话式 AI 进行编程以便处理各种用例,从而确保回复的全面性和一致性。 这可以确保客户体验的连续性,从而将宝贵的人力资源用于处理更复杂的查询。
随着移动设备进入消费者的日常生活,企业需要准备好向最终用户提供实时信息。 由于对话式 AI 工具比人工服务更容易访问,因此客户可以更快、更频繁地与品牌进行互动。 这种即时支持使客户能够避免呼叫中心等待时间过长的情况,从而改善整体客户体验。 随着客户满意度的提高,公司将会发现这可以提高客户忠诚度并增加推荐所带来的收入。
对话式 AI 中的个性化功能还可以让聊天机器人向最终用户提供建议,允许企业交叉销售客户最初可能没有考虑过的产品。
对话式 AI 还具有非常强的可扩展性,因为添加基础架构来支持对话式 AI 比招聘和培训新员工更便宜而且更快捷。 将产品推广到新的市场或在销售量因意外的短期需求而激增期间(例如在假期期间),对话式 AI 尤其有用。
对话式 AI 仍处于起步阶段,近年来才开始被广泛采用。 与采用任何新技术一样,过渡到对话式 AI 应用程序也存在一些挑战。 一些示例包括:
语言输入可能是对话式 AI 的痛点,无论输入是文本还是语音。 方言、口音和背景噪音都会影响 AI 对原始输入的理解。 俚语和非脚本语言也会给输入处理带来一些问题。
然而, 对话式 AI 面临的最大挑战是语言输入中的人为因素。 情绪、语气和讽刺口吻使对话式 AI 难以解释出预期的用户含义并作出适当的回应。
由于对话式 AI 是依靠收集数据来回答用户查询,因此它也容易受到隐私和安全漏洞的影响。 开发采用严格 隐私和安全标准 且具有监控系统的对话式 AI 应用程序将有助于在最终用户之间建立信任,最终随着时间的推移而增加聊天机器人的使用。
用户可能对共享个人信息或敏感信息感到担心,尤其是当他们意识到他们正在与机器而不是人交谈时。 由于您的所有客户并不都是早期采用者,因此向目标受众介绍这些技术的好处和安全性并打造更好的客户体验非常重要。 否则,可能会导致糟糕的用户体验和降低 AI 性能,从而抵消了 AI 的积极影响。
此外,聊天机器人有时候并没有被编程为回答各种用户查询。 发生这种情况时,提供替代通信渠道来处理这些更复杂的查询将非常重要,因为如果提供了错误或不完整的答案,最终用户会感到十分沮丧。 在这些情况下,客户应该能够与公司的人工客服联系。
最后,对话式 AI 还可以优化公司的工作流程,从而减少特定工作职能的人工成本。 这可能会引发社会经济激进主义,从而对公司产生负面影响。