人类尝试着让电脑拥有与人类相同的思考能力，在1958年，感知机(Perceptron)这个启蒙概念就被提出，但由于只是个初期理论，未能实际投入到应用上，电脑科学家不断参考人脑神经元运作方式，在20世纪末逐渐将必要的理论完备。正当要一展身手的时候，电脑科学家确发现自己低估人脑是多么精密且处理能力强大，以当时的运算能力，训练出一个模型不仅旷日费时，而且不一定能够一次就能够成功，因此这个理论的流派又再度沉寂了一阵子。在摩尔理论基础中，除了CPU外的另一个操作数件GPU发展下，让大量并行运算的速度与成本达到合理的范围后，做了些调整再以新的名称重新展现在世人面前，其结果成功夺取科技圈的目光，也就是最近常听到的深度学习(Deep learning)。
销售与客服两个单位，是企业与顾客面对面最直接的媒介，而其中的客服平时是要面对客户疑问、疑难解答、信息查询、订单处理，一个客服专员同一时间里，只能面对一个客户，可以称的上是个人力与产品知识密集的单位。电脑擅长迅速处理精准的问题，人类之所以会拿「冷冰冰」这个词来形容电脑，是因电脑只能响应够精准的问题，没有被设计者考虑进去的情境，一概被列为不精准问题，电脑无法提供你相对应的答案，使用者转而寻求9「为您转接客服专员」的帮助，这也是为何在电脑发明了将近八十年，真人客服依然屹立不摇，以及大多数话机上的12颗按钮中，9永远是最干净明亮的根本原因。
在信息领域里，让电脑去了解与分析人类使用文字符号的学科称为自然语言处理(Natural Language Processing)，自然语言处理也是一门拥有长久发展历史的技术。在全世界的数据中，大约有21%的数据属于结构化数据，呼叫中心处理的语音与文字对话，正是属于占大部份的非结构化数据，这是一座尚未开采的金矿，而自然语言处理就像是一盏明灯，赋予机器一部份理解人类语言功能，进而有能力去挖掘非结构化数据。「人分成两种，一种好看，一种难看，你刚好介于两者之间，属于好难看的」，如果以情绪字典下去计算，可以算出「好难看」是反向情绪没错，但语言经过人类社会的千锤百炼，其抽像程度非常之高。常见的网络用语「啊不就好棒棒」是一种富有弦外之音的说法，连外国人都无法理解一堆正向的词摆在一起，结果会产生负向的意思，更何况是电脑，可见没有一套的公式或规则就能够描述文字间的情绪。以往的自然语言处理，靠的就是这些所谓的高质量字典以及特征工程，虽然投入大量的人力与时间去研究，但得到的结果却往往不尽理想。适逢这个信息爆炸的世代，从网络上取得带有情绪标注的数据变得容易许多，深度学习能在数据驱动(Data-Driven)下，自动从大量数据中萃取出一些特征，来评断一段话的情感倾向，或是将一篇文本分类。只要模型参数设计的好，训练的数据够完整，就能够得到一个效果不错的分析模型。
现代客服产业应用里，与客户沟通的渠道，因智能型的装置兴起而趋于多样化，在线文字客服、Email、社交平台就能够传讯息与客服专员进行客户服务，而这些传送的文字对话本来就属于自然语言处理的范围。语音客服不管是透过一般的电话，或者是实时通讯软件，语音讯号利用STT(Speech to text)转译成文本后，也能够使用自然语言来进行处理。而客服事件处理进行时，以自然语言为工具，让客服专员更了解客户后，提供更适当的服务。已结束的服务，能用更聪明的方式将这些对话保留，以供往后更快速的进行检视或利用。而如同前面所说的，对话过程里留下来非结构化数据，如何用自然语言转换为结构化信息，也是必要的过程。
客服事件处理
客户每次进线分配到的通常不是同一个客服专员，所以客专员与客户都是素未谋面，如果提供以下这些方法，让客服专员对客户多一点的了解，能够让客户感到舒服的状况下，得到这每一次的客服服务
- 情绪分析：让客户的情绪在可被量测下进行监控，一方面能让客服专员更加的感同身受，另一方面也能了解客户愿意以及不愿意接触的话题。
- 客户描述：一个经验老道的客服专员，经过一定程度的对话后，就可以掌握客户个性大致的个性样貌，以及字里行间透露出的重要讯息，可以使用客户描述让这项功能成为每席客服专员的「标配」技能。而这位客户的样貌信息，可以在每位接待客服专员里被共享，在与客户接触越久后，样貌轮廓也就会更完整。
对话留存
在客户务服进行一段时间后，留存的数据也就会越来越多而形成大数据，每一份数据都会成为滋养深度学习的来源。但数据量一大还能提供往后的检视，以及了解数据的轮廓，都是大数据架构下的必要条件。
文本聚类：机器学习能在未提供更多的标注下，利用文本的里的特征，将各个文本在高维度空间中进行分群。而数据管理者就能够在群聚的结果里，观测出目前持有数据的样貌，进一步分析能够获取更多的信息。
文本分类：相较于文本聚类，文本分类更明确知道分群的意图，在以监督或半监督的状态下，让数据分门别类。在往后的检视或分析中，能够取单一类或多个类别进行处理，可以大量的减少运算资源以及处理时间。
客服质检
在客服产业里，非常注重的就是事后的客服质检，这攸关于客服品质的好与坏，如上面所说的，深度学习使用于自然言处理中，在抽像的语意概念里以及词语间的相似度关联判断能力，都较旧有的技术强，因此在质检评分里，能够得到更客观精准的评分。而用电脑来进行质检，在处理速度上，以及可以24小时不间断的工作，与人工质检相比，更容易达到「全质检」的目标。
数据挖掘
在这个数据淘金的时代，企业能拥数据量就像是原油储备量，经过提炼的数据，能成为企业向前迈进的动力来源。一个懂的怎么使用数据的公司，和一个只存放却不知道怎么去运用的公司，在往后的经营上的差异，只会越来越明显。
- 建模分析：与情绪分析类似，我们可以依靠数据去建立分类或评分的模型，不同以往硬梆梆规则式模型(Rule-Based)，深度学习模型能够提供更有关联更深层的分析，甚至能够让模型达到自适应能力，而不用靠一个领域专家去手动调整模型或增减规则。
- 异常检测：其原理与建模分析相似，不同在于分析结果出来后，依造异常程度状况，而采取不同通知程序，对管理者进行通知，或产生异常报表供往后检视。
- 信息抽取：这是个从非结构化数据转换为结构化数据的过程，因为有这个过程，让往后的搜寻或者机器学习建模，会变的更加的容易。
钻石与黄金埋藏在地底下数万年，直到被发现开采出来价值依旧存在，而数据矿与他们不同的是，数据矿会是具有时效性的，其价值会随着时间慢慢的「氧化」，所以趁着手上的矿还新鲜的时候，准备好工具，当个快乐的矿工。
