由CTI论坛(www.ctiforumcom)主办的2020中国呼叫中心及企业通信大会(http://www.ctiforumcom/expo/2020/ccec2020spring/indexhtml)于9月18日在北京辽宁大厦盛大开幕。本次会议以“‘新基建’背景下ICT行业发展机遇与挑战”为主题。广州云趣信息科技有限公司AI产品总监唐庆宁应邀出席此次会议并发表题为《AI时代呼叫中心的重新定义》的主题演讲。拥有二十余年通讯行业研发经验与技术沉淀的云趣科技，在新基建时代背景下对智慧通讯产品进行更新迭代，重新定义AI时代的呼叫中心。围绕“什么样的AI才是好AI”话题，展示云趣科技自主研发的复杂政务场景下的AI数字雇员--“穗小助”，证实能持续运营的AI才具有价值。穗小助在政务行业起到灯塔效应，将持续优化并运用到更多领域，如金融、制造业、房地产等，帮助客户运用AI代替人工解决90%以上的复杂客服场景。
唐庆宁：非常有幸感谢主办方，云趣科技有机会站在大的舞台给大家介绍我们公司。云趣科技是做呼叫中心很多年的企业了，我们在AI落地有很深的感受，所以才有从1到100很深的感触来做分享。
云趣科技原身是佳都新太科技的通讯增值事业部，目前也服务非常多的用户，最主要行业是电信、金融、政务行业来做的拓展。
这几年实践来看，为什么会想到在呼叫中心实践过程中非常深的体验，我们传统已经做得很不错了，客户也比较多、产品比较成熟，这几年非常主动做AI化的转变、AI化的产品换代。一是体会到呼叫中心服务的升级和转变，呼叫中心实际落地中客户无非是三类，一是存量客户，比如金融业做存量客户服务，存量客户的营销和运营。第二类是触点类客户，他们从各种渠道，宣传渠道、营销渠道、网上找到贵公司进行主动触点服务。还有一类潜在客户，这类客户符合客户需求但是跟你没有发生接触。呼叫中心定义中间，首先是传统的客服中心，最典型是事件驱动的中心就是被动的，就是服务完全是用户跟你进行接触，你要提供服务、提供咨询、提供流程化的服务，我们做好的流程、专注于客户服务好，这是客服中心，这个中心里面体会最深的是这样的中心一定是成本中心，可能一个大的机构扛了很多用户，但是咱们呼叫中心完全是花很多成本把其他营销部门接过来的客户服务好，这个时候压力非常大，因为服务量越来越大，但是本身服务没有改变、成本一直在发生也是线性增长，当时很多时候说呼叫中心是劳动密集型企业、没有什么太大的优势，企业运转过程中也是属于末端不受重视的部门。联络中心驱动方式是事件驱动，重点的是产品体现为对用户做了全景画像，对用户进行分析，精准营销、需求定制化服务、客户进行主导引导，对应的是触点部分是将全触点以企业对外服务由我来做，整个企业流程架构提升到相对重要的地位，比如可以理解为运营商的客服中心，典型的是客户接触是他打的，他是具有能力驱动企业内部的能力。
用户中心，驱动方式已经从被动变成了主动，主动服务AI的驱动，不是AI驱动就是主动驱动，重点是服务逻辑、服务方式触发方式由被动变为主动，主动想对潜在用户、存量用户进行更针对性、更有侵略性的服务，这些服务是由AI触发，比如围棋阿尔发狗，现在的棋手首先看AI怎么决策的，用户也能够发现AI给出来的意见，我们该如何服务用户，如何提供更深层次的服务是由AI驱动的，它有前天优势，AI决策、大数据支持背靠大量数据，数据分析有意义的，可以提供产品和服务的建模，可以为用户带来真正的帮助。
原本的用户中心是这样的团队，但是可以全员都可以为客服中心所用，可以讲后台二线、三线的专家、技术人员、支持人员、行政人员能力开放给前台提供更多的服务，都是通过用户中心体现的，用户的体验贯穿了整个生命周期跟原本完全不同，这个角度上看AI持续发展不可避免。
AI能力已经什么全场景，相当于是大家是呼叫中心运营团队应该很清楚了，呼叫中心仅仅是做触点是不够的，从用户接线、入线再到服务有咨询、投诉、业务受理，数字人可能是助手、AI培训、AI整个坐席辅助方式提供对于用户、对于服务人员的能力帮助，提供到后台。到了各种坐席手段也有人机方式，当人力不够情况下可以通过机器人下订单，或者是符合对应条件情况下，比如保修情况下可以用机器人做辅助。
这些知识帮触点完成了，后台工单接到后，要有工单受理渠道、业务受理流程和处理的环节，这些部分怎么去做，AI也做自动排单、做整个流转过程质量的监控和把控，整个过程完成闭环通过回访实现AI的介入，这个部分是AI能力深度走入这个情景，构建过程中AI能力，如果能够完成闭环进入企业KPI，发现是越用越好，刚开始建设的投入能力不强，投入大，但是随着数据积累真正用起来了，全场景深度整合成为了可能。
什么样的AI是好AI，这么几年下来对于AI应用也有经验，很多情况下做了一些投资，但是整个运营理念并没有纳入整个流程中，这种情况下也我们也踩过这样的坑，怎么样改变这样的思路呢？首先要了解电话场景下识别的语种，相当于16K互联网场景下受环境音、口音影响非常大，这个场景是很实在的，比如政务场景下，华南政务场景下，应用场景一进去以后AI识别率尤其是方言情况下非常的低，必须要进行切换，我们的应用场景不可能限定用户提供什么样的跟你沟通的方言，所以一定要能够适应，我们如何提升我们的能力呢。在行业场景中发现很多AI识别时候可能口语很不错，但是一旦介入行业，比如家电制造业、金融业也有很多行业热词，这些词不经过训练根本无法达到商用程度，这是先天的问题必须要解决。
下一步NRP的层面，我们听懂、听清楚用户讲什么，下一步是意味着要明白真正的意图是什么，此时意味着NRP能力的打包，接触的更多的是形成的产品，用户进来AI提供的服务是个流程，比如要订房、查询余额这样的逻辑，可以通过任务流程方式提供服务，NRP里面最难的是推理性的支持，可以查余额、办卡、订房，但是大量知识要查询咨询的东西系统里面通过流程做非常的困难，根据无法标注，此时就意味着对于知识图谱的构建，如何通过简单的标注和知识的梳理可以讲大量知识展现提升和组合起来，这时候意味着对能力的构建。
云趣科技实践过程中把NLP的过程像工程落地做了非常有意义的实践工作，将任务类的流程、资料性的流程、场景化的知识、寒喧的知识做了非常完善的分类和积累，构建一个知识流程实现并不用做流程上下文的划分，只要把起点、需要问什么、最快达到什么，我只要理解到意图就会自动在知识里面去反问，因为通过场景树决策就知道场景，通过后台知道达到这样获取的知识欠缺什么条件点，由AI反问给你，在NLP能力并不是算法级别更新，但是落地工程级非常有意义，只要负责理解这个知识、理解意图后就可以自动组织执行了。
AI上线后不纳入真正运营，整个呼叫中心运营管理的体系是无法做好的。运营管理就意味着可以举个例子，服务人员愿意用，AI上线后不是要求去用，而是人员想用、不用都不行。广州12345数字人产品里面，现在一共800多个席位，每个职场人员都必须要用它，我们平均服务时长从6分钟左右降低到3分钟，对于能力的释放有多大，这个部分形成介入整个运营，会返过来提需要做怎样的优化、提供怎样的能力、反过来助推产品的进步。
持续运营AI才有价值，首先是跟随训练、模板数据的积累服务中完成，每次人工辅助数据都积累下来，而不需要后台人员来做，也需要做无法回答的问题人工标注，但是所有人工为用户提供服务过程中，录音数据、标注数据、应答数据全部作为训练手段来反补AI，标准化服务、培训标准化都是通过雇佣实现的，使坐席人员服务人员能力达到人人都是专家，通过通过事后质检分析、云AI智能质检、智能分析将服务质量进行评估，也将没有达到想要效果的问题做序列和评估模型。管理层最关心的是质检，因为一眼就知道整个团队运行情况。
数字雇员如何参与全流程的，穗小助产品是在复杂政务场景下的，政务场景最小数据金融场景、制造业、能源业也都有，但是政务场景下很典型，以广州12345为例，对于政务类服务遍及城市管理方方面面，工单数达到几万个，表单数八万多个，涉及城市管理方方面面，可以人工编程方式进行解决，但是所有的厂商也望而却步因为开发量太大了，话务员与市民对话过程中自动识别业务场景，因为要几句话知道大概的意图，我帮你定义事项、抓住涉事主体，通过语种识别，就是粤语和普通话，广州服务流程是全语种的，根据不做用户分流，你说什么话就对接什么话，进行快速的语种的识别，实现知识的跟随，服务过程中将所需要知识帮助榨取提供知识跟随，通过实时质量质检、无接口自动派单提升坐席服务效率。
首先专业层次，由于城市管理方面太大了，比如广州地区对接的职能局150多个，这些板块之间人员很有可能出现人力不够用的情况，流动率比较大，需要对坐席人员水平规范化。由于能力不行，整个坐席人员尤其是消费维权的队列里面平均服务时长是5分钟左右，话后整理时长达到6分，监管单位对12345的指标是15秒必须要接通，人力怎么投入呢？AI上线将整个服务时长降低了一半，对于市民服务体验也提升了，对于运营单位很明显压力降低了，市民体验也更好了。缩短客服时长118秒左右，普通话识别率达到90%、粤语识别准确率达到70%左右，可以抓取到您所讲的具体事例。
消费维权队列工单实现145个，子表单88829个、平均工单要素42个，事项1808个事项，开始要跟原来表单厂商对接的时候要上AI，他们无法做，不可能写两万个单，所以就拒绝来做，平均时长1.2分钟，消费维权队列有42个要素。
首先是同屏转写，好处是在于做话后小节的时候把自动看见东西抽取出来
语种识别，普通话转写到粤语，系统帮助实现。
建单，通过手动到自动的填写。
风险管控，事后质检到同步质检，每一个点发现整个管理可以看到目前一般三四百坐席，可以主动干预，通过系统自动配置可以使一些风险类的呼叫直接搬到线上，经验判断到智能识别，整个最终小节和服务流程涉事主体都是通过AI做的。普通话引擎识别、粤语引擎识别给出数据完全不同，刚开始判断转写的结果有没有逻辑关系，确定走什么样的识别，其实不是这样的，因为引擎给出的数据只是一个一个词，无法标记是不是合理，怎么去做？需要去训练，通过机器学习训练匹配出来，通过标注进行的，这是语种。
无接口的知识跟随，助手的界面，一类是坐席后端和直接在外部前台嵌入的，过程中所有的服务逻辑，对话中抓到知识需要调用知识接口查询，知识接口取一个一个关键字查就可以了，真正的服务场景里面这么多服务场景根本不会用，是将知识做了分类，一个大类、一个小类，定位什么事项查询什么知识、之前查询什么知识，同时过程是没有接口的，不需要机器人、知识库跟我做对接，落地过程中是完全模仿键盘鼠标的操作，整个过程不需要做干预的，这样真正上线的时候无所谓是什么样的场景，都可以去进行查询，重点是帮助知识做了梳理和搜索。
事项的识别，这很复杂，1800个事项，如何命中目前要做的事情了，事项分类里面有三级，每级很复杂，通过机器学习的训练积累的数据命中到的，知道大约是怎样的事情，直接把事项抓出来，下面的对象、市民诉求所有的圈阅的，通过几句话就知道目前场景是怎样的。
无接口的填单，这是非常重要的方面，对话的过程中仅仅是做知识的跟随知识转写也没太大的意义，前台很容易也不会用，我们要是强利用，对话过程中帮助实现事项，将所对应的涉事主体填写的内容也抓完，直接填写，可以节省大量的填单时间，整个填单过程中牵扯到事后后台处理，比如查询涉事主体，是不是得去输入也要查到的信息一个一个敲进去，整个过程系统来做，前台AI抓准就可以了。
三是工单填的单不是由我们开发的，是政务类职能做的，接口方式去进行填写，完全是拒写的，工作量比较大，我们调用流程机器人，定位了目前事项起来以后知道在内存里面、前台页面里面是怎样的表单，根据表单一个一个抓，完全模拟人工建筑的操作来做。整个过程不需要跟后台工单系统做任何打通就是标准工单，上了最小服务就可以把单填完，这个过程对于真正工程化意义很清楚，因为找到一个企业愿意为这件事买单，愿意上线这样的平台，但是如果牵扯到原有的改造、工单对口开发无法协调的话，这是不行，有我这样的系统直接就可以做交互了，拿过来做个训练第三天就可以看到效果，后面的工作全是知识训练和知识积累，对真正工程化是有意义的。之前很复杂对机器学习的训练，但是无法填进去，通过无接口自动填单解决了这个问题。
通过机器学习识别实体识别和关系搜集，工单信息进行填写、相应市民各种意图、历史数据进行分布填写，都是自己通过后台抓完填进去的。实时质检专员，对于服务过程中的情绪，是否抢话、是否使用违规词，企业队列会将工单录入、知识查询全部作为质检项。
消费维权是在前几个月的时间，当时仅仅是一小队列，目前为止所有的队列，每一个坐席员都向他们的领导，向运营单位要求必须每个点都用，他们按照薪酬、通次、时长、服务工单做KPI的，有这个可以提高KPI一倍左右。
AI嵌入呼叫中心非常好的案例，还有一个案例，在美的做的，美的智能用户中心，我们在美的整个体系里面做很多的东西，包括全媒体交互平台、整个全渠道的呼叫中心、售前、售后到商城等等的内容，目前在美的做的，首先是报装、报修的机器人，机器人很容易做，做个对话、疫情回访也没问题，疫情回访整个疫情期间当时武汉地区一百万通呼叫我们两周内完成，但是报修和保装难得多，疫情基金是这么多事件问清楚答完就可以了，但是报修报装不一样，意味着要了解具体的地址，是什么样的产品，要把单据派到真正上门安装的人维修工程师手里面，派单流程要做完，AI效果必须跟管理流程能够串通起来，并不仅仅是服务而已，美的忙期每年忘记的时候，每个美的坐席人员两千个左右，是国内制造业最大的量级，25%是做的报装，500人三班倒，然后做非常的忙的报装，形成雪片化的工单给到代理团队分支机构做报装。找到我们和国内非常多的企业做试点落地，做到最后只有我们真正落下来了，达到替代人工达到70%，500多人实事求是的说，最后整个团队砍了只剩下80人了，中间调研的时候班长找到我，说AI能不能慢点做，真的非常严肃、真诚的说，因为这样一上很多人就没有工作了，我们给他安排了把整个体系中加入很多AI触点交互工作，把这些人转做标注，后来再怎么把这些人放到其他岗位也是少200多人，对企业降本增效影响非常大。
真正难点和优势，真正报装系统里面知道什么样的产品并不难，因为美的产品线是12个产品线1600多种产品，因为很多是小商品不需要做报修的，只有中央空调等等大的家电需要报装，这些产品训练不难，难的是在于后台真正要做服务，要识别用户的地址，实际操作过程中发现用户经常说某某地址对面胡同里面左手边第一棵大树边上，对于人来说是有意义的，对于系统意味着定义到地址可以定义到报装员是谁，他可以自己去服务，就可以完成报装，所以必须要识别出来。中国整个国内所开放的甚至是政府类的地址、信息完全到省市区，因为很多区域无法实现，无法定位报装人员，我们必须要去街道小区级，全国14万个信息数据，做到后台的机器学习的训练，一级级的训练，大量人工标注解决了，所以真正完成了报单，准确率达到70%，实际上大量用户进去之后想转人工，但是很忙，就用报修方式到人工讲其他的方式，这部分用户剔除掉成功率达到90%多，这个项目甲方客户经理牵头人也受到集团的表彰，也是值得分享的案例经验。
AI处理的交互，用户找到我们，除了客服行业也有其他行业可以用，比如设备的交互、APP的交互，操作流程的服务通过AI可以实现，通过机器学习训练方式将同道打通，这是非常好的案例分析。
5G，运营商今年5G消息的题目推出，114的运营，目前也是非常好的值得跟大家分享的案例，目前做的是广东深圳的114，114本身对于运营商是赔钱货，基本上是为了满足社会责任而存在的，投入大量人力话务量非常大。整个过程中用云趣科技智能114替代人力达到50%，有多少训练量呢，广州地区39万用户，39万数据，深圳地区46万数据，无法用人工标注，通过机器学习建模方法逐层机器学习，位数再形成模型反过来看模型猜得对不对，一层层进行训练，目前仍然在增长中，已经稳稳站在优势层级上，将114识别能力达到相应标准，目前全国114智能化应用场景中非常有代表性。
5G利用场景中将114能力与5G消息打通，我们通过短信5G消息做类似微信公众号的业务，通过视频能力做交互，通过短信能力做交互，将114系统从一个老旧的无用系统变成真正可以提升带来收益、带来新的用户体验的系统，这是非常值得分享的案例。
以我们自己的愿景做总结，希望AI呼叫中心运营里面，我经常去宣讲的用户非常有场景要求的用户，他们非常希望AI能够为他们所用，希望让AI成为您真正的优秀雇员。谢谢大家！
