CTI论坛(ctiforum.com)（编译/老秦）： 人工智能 (AI) 和机器学习 (ML) 创新很像盖房子。你不会有一天一觉醒来发现房子已经完工。
每个最先进的进步都始于基本概念，并建立在之前的研究和开发之上。这个想法适用于人工智能的许多子学科，尤其是对话智能。
在过去的几十年里，语音和语言 AI 的进步为对话智能奠定了基础。如今，公司利用对话智能来真正了解其全渠道客户交互背后的背景。
有了这些知识，团队可以减少 CX 中的摩擦，有效地指导他们的员工，并在销售、营销和产品开发等部门进行关键的业务改进。
我们最新的白皮书《AI 很重要：深入了解CallMiner如何推动业务绩效改进》通过回顾对话智能市场的历史，涵盖了对话智能市场的这些结构性变化。
这四个 AI 时代塑造了当前围绕对话智能的思维，即使行业在不断发展。
时代 1：机器转录与人工分析
语音识别 AI 用于将对话转录为文本。它的历史可以追溯到 1950 年代，当时贝尔实验室制造了第一个被记录在案的语音识别器"Audrey"，它可以识别中间有停顿的数字字符串。
随着摩尔定律和计算能力的重大进步，该领域在 1990 年代末至 2000 年代初真正起飞。
机器转录的缺点：人类仍然需要手动解释每个转录本以收集见解。这需要人类付出很多努力，并且对于大量交互来说是不切实际的。
仍然有价值的地方：当需要深入研究个人互动时，这项技术仍然有效。许多工作流程仍需要这些深入探索，尤其是在客户互动的第一线指导和培训员工时。
时代 2：单词识别
单词识别，也称为关键字识别，使用 AI 来查找某些单词的存在或不存在。该领域的一些初步研究发生在 1980 年代末和 1990 年代初。通常，该技术用于情绪分析。
例如，单词识别算法可以查看通话记录中是否存在"真棒"或"可怕"这些词，以帮助进行情感分析。
单词识别的缺点：首先，该技术依赖于完美的转录准确性。即使是最好的转录员也不是 100% 准确的。其次，很多词有多重含义。语言通常比所说的单个单词复杂得多。相反，意义来源于词语的相互作用。
仍然有价值的地方：在许多必须检测行业或公司特定词的情况下，词发现仍然有用。例如，竞争对手的提及可能会触发机器人流程自动化 (RPA) 系统中的某些自动化事件，从而大大减轻单个座席的负担。
时代 3：基于规则的方法
在这个时代，自然语言处理 (NLP) 的先驱们开始在对话中捕捉人类语言的复杂性。基于规则的方法不再是检测单个单词，而是更多地了解单词如何交互。
1980 年代和 1990 年代的早期统计模型是第一个基于规则的自动化语言系统，它不依赖于劳动密集型的手写规则。
规则是人工智能的一次重要演变，因为它们能够捕捉到什么时候说什么（元数据）、具体说了什么（语义）和怎么说（声学）的上下文。规则还允许过滤某些场景。
基于规则的方法的缺点：很难在有限的规则集中捕捉到可以说的每一种方式。
仍然有价值的地方：在很多情况下，某事只能以几种方式表达（或者，事物只能以一种特定的方式表达）。很好的例子包括法律披露、合规要求和某些座席脚本。
时代 4：机器学习（当前）
ML 是当前最先进的对话智能技术。 ML 不是通过创建规则来描述数据，而是使用高级算法来创建基于大数据的规则。
例如，机器学习解决方案可能会使用无监督学习来分析任何交互子集并将其聚类为可探索和可扩展的主题，而不是预先确定应该在对话中出现的主题并编写规则来捕获它们。
例如，无监督学习使用算法在没有人工监督的情况下发现未标记数据集中的模式。 ML 还可以为组织提供在实际对话中类似使用的相关单词和短语。
了解更多关于 AI 和 ML 的历史可以帮助用户了解这项技术是如何发展的。随着时间的推移，组织与这些趋势保持同步。
结果是对话智能技术建立在以前的人工智能进步的基础上，将它们整合到最需要的地方，并从多年的经验中受益，以领先一步。
声明：版权所有 非合作媒体谢绝转载
原文网址：https://www.callcentrehelper.com/ai-innovation-in-conversation-intelligence-210099.htm
