• AI智能客服天然的优势：重复，无情绪，高并发

  

• 人工客服的问题：成本、效率、多渠道、标准化

最近一段时间负责本地相关的业务领域，本地商家、用户在交易前后会产生各类问题，以到店服务来说，用户从浏览商品、下单、预约、核销、评价整条链路都有可能需要咨询或提问，在此过程中，周到、完备的智能问答显得十分重要。平台基于过往的技能范畴，其实已经产生了比较扎实的AI智能客服的基础。而我们要做的是深化打磨目前AI客服的智能化，包括底层数据的打磨、多路场景的召回、提供动态化方案。一、AI智能客服整体架构设计

最底层是数据来源的部分，主要由两个领域构成，数据集成与AI语料的制作。通过这两个领域的数据清洗过程，结合通讯服务便可以与AI服务能力做关联，确保内容语义通过AI技术服务做语义层面的识别、解读、理解&加工、对话、反馈、输出为语音。中间层是智能引擎的核心，包括对于语料库的认知召回、调取方式、切换任务时依赖的能力调用。最后输出支持前端、语音的应用。而标黄的部分，则需要将配置能力可视化，既保障安全性，同时响应到AI智能化系统的各个领域。二、智能化策略与决策设计可以理解为，AI应用最核心在于：如何保障智能服务引擎与实际服务交互的易用性，从本地业务的客服本身来说，需要具象化的认知：即AI客服只是属于业务的某个链路，而不是对服务体验的全权负责，在搭建智能会话前，需要明确哪些是分内之事的重要事项，哪些需要流转。命题为：需要为本地业务提供AI智能咨询的能力拆解链路：这些能力在什么场景下会被调用？解决线上哪类问题？这些问题发生在哪些路径？智能会话问题解决范围如何体现与量化？2.1 智能化服务可能在哪些场景出现？

有问题且已经发生

有问题未反馈

无问题单纯访问

2.2 在不同场景设立唤醒助手服务，对标各类问题场景2.3 梳理智能化语料为交互提供弹药

如何搭建好用、全面、即时程度化高的智能化语料？——对问题理解到位，回答准确

应对这个目标，将搭建链路拆解为以下几个大的视角：

（1）问题定位

订单识别

问题识别

问题推荐

上面的三个方面直接影响预测问题的排序与关键信息的检索（2）正常数据知识库及标准问题结构优化细化，提升问题识别、降低缠绕（需要结合不同应用场景判断标准问题与答案的严谨性）

在不同场景问答预测列表不同

来自不同渠道唤醒问答的预测问题列表

关键词唤醒的搜索结果排序优先级逻辑

（3）异常处理问答在各类场景异常的判断标准：如通话场景、人机互动场景的异常判断逻辑就会不同。

【线路异常】对故障识别并保存沟通快照，减少重复沟通

【问题不清晰异常】语音、私信、web页的话术询问逻辑

【情绪问题】接入情绪识别模型能力，提升沟通体验

【关联问题】通过相关性训练，为沟通互动提供关键问题推荐点选率

2.4 智能解决的核心规则若有预期提升整体智能客服解决线上问题率，至少需要从以下几个维度入手：研判规则：调研线上用户唤醒人工服务的主要原因是规则的可变动性，即异常问题的处理效率。因此在智能化责流程中，需要尽可能穷尽线上反馈较多通过人工解决的问题判责标准与依据，并在智能化解决中搭建通用链路。权限一致：人工整体判断问题的过程会有上升通道，类似的，智能助手在解决问题的判断路径上也可以自动提交到高级人工判罚，确保在意图明确的前提下，需要上升处理的case量级保持相当。三、评估AI智能语音的关键数据效果：

接通率

识别准确率

点击率

问题解决率

能力：

并发量

话术设计

开发周期

定制化场景

安全性