甲骨文黄冠辉：AI会话平台的现状、挑战与未来

　　黄冠辉：我叫黄冠辉，是甲骨文亚太区的移动化、数字化解决方案的技术顾问，主要负责人工智能，聊天机器人这些领域的解决方案。

　　黄冠辉：我们甲骨文的AI会话平台主要是由四个组件组成：第一个组件是渠道，渠道这块主要是用来跟我们不同的客户端集成，比方说微信、Facebook，还有一些比如网页的对话框等等不同的客户端；

　　第二个组件是人工智能模块，该模块会帮我们做一些自然语言理解、语义识别，以及实体的提取；

　　第三个模块是流程引擎，帮我们去做一些对话流程的设计，比如说用户跟机器人之间的对话应该是什么样的内容、对话的分支的控制，还有一些要跟外部系统集成的接口；

　　最后一个模块是外部系统集成模块，帮我们能够更好地跟企业的业务系统进行集成，里面包括一些API定制、API治理、根连接器等等能力。

　　关于技术原理，举例来说，比如用户输入进来一条消息，首先会通过渠道模块进行消息的理解和解析，然后通过人工智能模块进行意图识别的理解，接着到对话流程执行，最后，如果要用到外部的系统，会由最后一个模块也就是外部系统集成模块去集成外部，最后把消息返回到渠道。

　　至于应用场景，其实甲骨文有很多的聊天机器人的成功案例，从行业的角度看是跨行业的，包括金融、政府、通讯，以及公共事业等等，覆盖了很多行业。我们面向的用户有2C、2B和2E。比方说针对消费者和合作伙伴的，这些业务可能是做人工客服这方面的工作；对于2E的业务，我们有一些员工的自治服务，例如预定会议室、打卡、请假，这些我们都交给机器人去处理。

　　黄冠辉：对于客户来说最大的一个好处，我们可以举个例子来看。我们看到很多客户用了我们的人工客服，现在很多企业都花了大量的成本在人工客服上，特别是一些跨国企业，员工需要三班倒，在各地有许多的人工客服中心，整个的运维成本是非常高的。但是，在我们的客户中人工客服处理的问题中有50%甚至70%的对话场景都是可以交给机器人去做的。我们让机器人把这部分的任务接过来，让真正的人类，能够去处理一些更复杂的、更有意义的事情。

　　黄冠辉：实施过程中，在技术难点，对于聊天机器人来说，首先是语义识别。这一直是聊天机器人或者是自然语言理解里面比较大的一个技术难点。要提高语义的识别率，一般有两种方法：第一种方法是用更好的语料库来对机器人做训练。一般我们会跟客户一起去设计我们的语料应该怎么去定义会更好，而不是简单的把过往的一些对话记录直接仍给机器人去做训练。

　　第二种方式就是通过场景的设定。我们甲骨文更加专注于企业，而企业很少会去做一些开放域的聊天机器人，也就是什么都懂的。企业大都是一些特定行业场景。我们把场景范围缩小，能够更好的提高整个语义识别的准确率。

　　黄冠辉：甲骨文一直在做企业软件，我们做了几十年，比方说在用户的企业资源计划方面，我们有自己的ERP云；人力资源领域，我们有PeopleSoft；还有供应链等等的业务软件，从业界来说应该都是领先的。并且我们有中间件，比方说大家一直用的WebLogic，还有流程引擎、身份管理等一些安全相关的中间件产品也是在业界领先的。

　　甲骨文把这些已有的积累，加入到了聊天机器人的平台当中，因为企业的聊天机器人要真正发挥价值，不能只是简单的做一些问答，而是要跟它最终的业务系统做集成。

　　在跟业务系统做集成的过程中，有很多企业系统可能是基于甲骨文的业务系统，哪怕不是基于甲骨文的业务系统，那我们的中间件产品，能去帮企业去做到跟不同的业务系统、不同厂商进行集成。我们的流程引擎，刚刚说到聊天机器人对话的一些流程，也是用企业化的流程引擎来支撑的。而不是像一些只做聊天机器人的厂商，他们的前端能力可能跟我们差不多，但是后端需要更多的积累才能提供更好的服务。

　　黄冠辉：肯定是一些大量使用人工客服的企业。因为我们看到有很多企业，尤其一些跨国企业，他们在美国、欧洲都有相应的客服网点，他们需要花大量的金钱去维护、运维这批员工。我们有一个客户，在部署了聊天机器人以后，企业整个的运营成本，尤其在人工客服这块，聊天机器人都解决了，并且解决的还不错。所以对企业来说，这个场景肯定是效益很明显的。

　　黄冠辉：从纯技术角度来看，第一个还是语义识别的准确率。这一块不论业界也好，还是科研领域也好，都是一个难点。科研领域做开放域的NLP语义理解，也只能达到70%左右的准确率，而准确率需要95%以上才能真正去做商用。