今天陆续看见各个媒体开始发世界人工智能大会的通稿之【2019年中国人工智能商业落地初创企业100强榜单】，同时也看到各个AI企业公号援引此通稿纷纷发出"荣登/入选"100强的贺电，可喜可贺。
不过，我又翻了一翻2018年的100强，再对比着看，咂摸出一点味道，跟大家分享：
人脸识别，AI芯片，AI教育，AI医疗什么的，咱就不必说了，重点来看看触角在联络中心那些AI企业们。有老兵，有新贵，有的异军突起，有的竞争中暂时落败，总体来说行业的发展是蓬勃的。
但是，联络中心为什么会成为AI企业的乐(Jiao)土呢？
- 联络中心天生汇聚大量的数据，而且是优质的数据，对于AI来说，算法可能是通用的，而基于数据集训练出来的模型优劣完全在于数据本身的质量，所谓Garbage in Garbage out，而联络中心产生的数据天然的结构化，连续化，普遍化；
- 联络中心每天存储的大量交互历史以录音数据为代表，是AI公司孜孜以求的强场景，坐席的标准化SOP回复天生适合提炼模型；
- 联络中心最早就开始应用了AI技术，如果我们把第一代的TTS和ASE引擎算上，联络中心算是滋养了一代AI公司（e.g. Nuance， iflytek， Sinovoice...）；
- 联络中心的坐席和运营管理者每天都会重复大量的机械化人力劳动，可替代性高，运用语音/文本机器人可极大地节约成本，尤其在人工成本居高不下的今天(当然，AI也不便宜）；
- 联络中心作为企业与客户强弱关系结合的重要纽带，通过AI技术可以增加获客、提高营收、促进回款。我们都知道跟钱相近的技术总会快速发展；
- 联络中心同时还可以作为试验田，引进下一代AI技术，如RPA，AR/VR，我甚至觉得RPA的轰炸即将来袭！
- 最重要一点，一个企业都有联络中心了（还是说明很有钱的），就更加愿意往新技术上砸钱了，AI投身联络中心，好歹能赚钱...
据我不完全统计下，涉及到企业服务的AI企业数量大约占据了3成，在算法模型普世化的今天，怎么看出区别呢？我想，关注点大约是在场景的丰富度，而联络中心，天生就是不缺场景的。
我稍微做了一个小小的总结....
我们把联络中心进行了根据使用对象不同分成了四个方面：
- 客户联络层：客户所触及的AI
- 员工辅助层：坐席所触及的AI
- 业务优化层：业务人员所触及的AI
- 运维管理层：IT运维人员所触及的AI
总体来看，目前应用或准备应用AI技术的联络中心企业会优先从客户联络层与员工辅助层来入手，业务优化层会选取若干方向来评估进行，而智能运维层则进度和态度不一。
从客户联络层的AI技术来看，智能推荐技术源自于互联网上的千人千面理念，往往是无感知或弱感知的。客户在不同的渠道产生的交互轨迹和信息都被企业捕捉到并使用规则或者AI模型来进行评估判断，从而产生针对性的客户服务。最显性的例子可能就是动态IVR了，一个客户刚刚APP下单后再打联络中心电话就会被略去引导式IVR直接提供订单服务。
语音机器人的使用则分为了两个流派，Inbound与Outbound，呼入型的机器人比外呼型的机器人要难做得多。因为外呼的场景是锁定的，比如电销或者催收机器人，用户回复往往是收敛的，流程规则与人工介入相对简单。而呼入型有多难做就因企业而异了，还要照顾来自天南海北各地的口音方言，虽然呼入机器人旨在消除IVR，却不得不与IVR共存中使用。
外呼机器人的难点在于业务本身，AI企业们也往往提供了很多的好点子。作为联络中心从业人员的笔者居然有次也会“中招”：前段时间我接到一个在线教育企业的外呼电话，里面分明是人声！还结合着些许嘈杂的呼叫中心背景噪声，我居然跟她对话了2分钟都没有意识到....直到我问了一个长达15个字的问题，紧接着被另外一个坐席声音给吓着才意识到刚才跟AI聊天了。
呼入型机器人的难点除了方言和用户惯性等因素外，业务流程的复杂度也直接决定了呼入型机器人的建设周期。一个覆盖了多个产品线多项业务服务类类别的IVR流程想要拆散化成Inbound Voice Bot需要极大的耐心和智慧，多一层菜单选择所带来的热词判断/模糊查找/业务流向规则往往是线性的工作量增长。
文本机器人要比语音机器人要容易些，文本机器人不会有“外呼”，可是依然会带来新的问题，那就是知识的更新和交互的连续性。往往企业会在网页，APP，小程序，公众号等多个渠道一起上，同时作为客户服务的载体又需要贴合业务。建设一个文本机器人不难，用好则很花费功夫。联络中心的管理者们往往会把文本机器人与语音机器人归一类，以至于希望一套流程花开两朵，而现实总是那么地跟期望不符......
对于业务优化层面的AI技术，大部分管理者会直接一步想到智能质检，诚然这是目前最好用也相对成熟的场景之一。不止一次从金融客户那里得到一致性的评价：
对于合规的全量质检，简直太好用了！
笔者才曾经深度参与了一个完全定制化的智能质检项目，源自于客户的一个执念：既然XX云和XX云上都有完备的离线/在线语音识别业务，我相信他们肯定比智能质检厂商的语音引擎要准！呃～这个执念也是没谁了，确实哇！识别准不准是很重要的因素，但同时还有其他的要素哇！比如情感分析，趋势分析，热词聚类，信息捕捉等.....客户大手一挥，这些都没有合规重要！先满足一期再说！于是乎笔者和小伙伴们利用Genesys稳如老狗般的interaction recording提供的双声道录音（ps，在云上，很多规矩都变了哟！比如没有端口镜像了...) 和interaction concentrator提供的话务数据与随路数据，一起post(扔！)给XX云的存储，利用其离线语音识别（为啥不在线？贵啊）翻译成了文本，在post(扔！)给RDS，利用类似select xxx from xxxx where keywords = "有病啊" （原谅我的渣SQL）
这样的技术做了一个轻量版的合规全量质检，效果还挺好！客户的控制感和获得感极强，感觉是自己注入心血深入研发的产品一般来定制关键词和开发前端UI，客户开心，Genesys开心，XX云开心，大家都开心：)
以至于我会认为：智能质检细分行业最大的竞争对手是客户的执念...
智能路由和智能排班这两种技术，往往落地很难，而且推广的企业特别少，可能G厂是少数几个(很谦虚)能同时提供智能路由和排班的厂家了。智能路由的理念是基于业务结果最优而非规则最优的话务匹配，区别于话务分配是基于Best Available的设计原则，智能路由的设计原则是Better Outcome。而至于具体需要什么样的Outcome是由用户定的，有人在乎NPS，有人在乎FCR，有的在乎Revenue，往往牵一发而动全身。如果你想全乎...不好意思，二桃杀三士啊！同时智能路由需要一定的坐席规模和话务规模下才有落地的可能，而有此规模下的联络中心往往经过长年累月的经验累积和迭代优化在规则设计方面往往非常细致，这也是我关注到的G厂在国外的智能路由商业落地的场景大多是 运营商/大型银行的呼入场景。智能排班技术，又称WFM.AI，一改过去以往的模型预测和偏离度导向，基于时间序列预测的更高精度和更敏捷的智能排班由此而生，不过从G厂的经验来看，往往这样的模型调优是需要大量数据累计，因为云化更加符合，而国内大量所采用的本地化部署AI的现状并不太匹配。当然，这也是一个很好的讨论话题。
以至于我会认为：初创企业不会做WFM.AI和Routing.AI的，而智能质检会是巨头们的游戏。
呃～今天先说这么多，明天咱们接着就联络中心员工辅助层与运维管理层的AI发展再继续聊，那可有意思多了。
