人工智能现在已然成为一门显学，中国和美国借仗资本和人才的优势在AI领域的冒出很多黑科技。笔者不是AI工程师，不过有幸接触过这个行业里的专家，今天笔者借着节后阅读量小的时机斗胆进言，略微在联络中心/用户体验中心这个范畴里发挥一下。
人工智能不是一个新鲜词汇，它包含了很多不同的含义和各个细分的领域。以神经网络、深度学习、机器学习为代表的理论籍由算法和数据的驱动，产生了第二次质的飞跃。算法的思想离不开数学的支持，数据的驱动则依托于信息爆炸的时代。AI在联络中心沾到边的应用领域有三块：
1、模式识别
2、自然语言理解NLP
3、学习、预测与推理
模式识别主要是图像识别和语音识别：
图像识别包括了很多子类，比如指纹识别、人脸识别、视频识别、虹膜识别、文本识别OCR等。当然，文本识别已经是很成熟的技术了，目前更多用在传真件e-fax的识别读取。联络中心使用图像识别主要是在前端完成客户核身，一般是在APP端或者固定Kiosk进行摄像头采集，依托于后台人工智能的图像比对方法来快速验证，比如XX证券APP开户或者贷款时校验客户本人，再比如银行的无人值守柜机VTM进行视频开卡等。有兴趣的同学还可以网上自行百度：眼纹验证、刷脸支付、活体检测等。不过我更推荐你们去看CCTV的节目《机智过人》，点击【阅读原文】可看。
语音识别包括语言识别和声纹识别，实际上大部分联络中心的IT经理们都不陌生，ASR：Auto Speech Recognition这项技术在联络中心中使用，但是限于中国幅员辽阔方言众多，以至于综合识别成功率和用户体验考量，这项技术还有待进一步挖掘细分场景。笔者前两天浦发银行的信用卡开卡，就被轻轻地问候了一下。系统自动外呼到我的手机，IVR播报完宣告语后，我努力用普通话回复“确认开卡”系统识别后自动挂机---当然一切自然是被录音做银监会呈堂证供的。声纹识别的难度更大，Voiceis Password。但是受制于GSM/WCDMA运营商网络的语音编码实际带宽和背景噪声的问题，银监貌似还迟迟没有开这个口子。在国外笔者接触过一些项目，也是对声纹识别后允许的操作受限，一般仅限于查询，交易类操作依然需要PIN或者SMS回钥。
当然还有一种语音AI应用叫做语音智能合成技术，区别于传统的TTS:Text To Speech，系统让用户说一段话让机器学习后，后台就可以通过算法拟合出该用户说其他任意内容的人声，这个在联络中心中应该不会用上...
再来看看NLP自然语言理解吧，这个才是联络中心里的重头戏。NLP由两种用法，分属聊天机器人和语义识别智能质检。先说聊天机器人吧，传统的网页聊天webchat或者APP/微信聊天，除了系统自动回复以外。人工智能的引入，可以通过NLP和搜索引擎对知识库进行全量检索，同时对用户的聊天框文本输入进行准确文本理解和上下文语境理解。根据我的观察：让聊天机器人变得聪明是需要“人工调教”的，并不是编撰人工预制脚本，而是每个企业的行业属性和知识库内容不同，联络中心语境下用户输入的理解准确度要求也不同，理论上是不存在通用版的机器人客服专员的，隔行如隔山，它们又不是天猫精灵...
【当然这里面有很多可以值得挖掘和引申的地方，比如机器人的训练、人工的介入、知识库的监督学习、激励下的强化学习等，后面有专门文章阐述】
另外一种NLP的用法是语义识别，首先联络中心有大量的录音数据，传统模式下用人工进行一定比率的抽检，通过语音识别技术先全量转成文本，再通过NLP进行全量语义理解，这样就不仅仅是合规质检，还可以将通话内容与通话结果(NPS、成交量等)进行相关性分析，而且是大规模机器学习分析，向质检要效益！
【某个人工智能峰会上听过一句话：数据就在那里，不挖就一堆存储垃圾，挖掘就有可能找到煤炭，用人工智能的方式去挖，找到的就是黄金】
其实我最心水的就是第三类人工智能在联络中心的应用，学习、预测和推理。或者称为智能的运维。联络中心基础设施有大量需要人力介入的地方，比如语音路由的编写、IVR菜单的排序、定期报表数据的整理清洗和投递、业务数据的整合与对接、排班系统的数据调整与优化等，这些才是人工智能大方异彩的地方。来一波硬广预告：G厂18年的重头戏就是Predictive Matching/Predictive Routing！都说我们的URS万能的路由，实际上还得靠万能的工程师来设定各种精妙绝伦的路由算法，而Predictive Matching的方式用AI的方式来思考路由的逻辑，在最短的时间内为用户找到最适合并且在线的客服专员，这种表达是可以结构化的，人工智能强就强在结构化。
综合来看，人工智能在联络中心的应用目前从炒作期逐步走向成熟，IT经理在考虑部署AI系统时，考虑得不仅仅是为了智能而AI。AI在前端的引入（识别和机器人）需要一些引导方式的论证和必要性的探讨，在后端（语义分析）的引入需要与运维团队协商出一致的运营目标。在中台（智能运维）需要在技术方案上进行细致的场景设计与测试。作为一名工程师，我认为可维护性、伸缩性和API才是评价AI的关键要素。
人工智能的书好多，也好贵，而且看不懂...。可惜当初高数老师的十八米砍刀了。推荐你们看这本书：《不会被机器替代的人》，下次再聊。
题外笑话：如果你们去招聘网站或搜索引擎，几年前IT公司同一个岗位在发布招聘信息时写的是数据挖掘工程师，后来改成了大数据工程师，后来又改成了人工智能工程师，到2017年下半年不改成“数据科学家”就没人看了。
