澳门开奖直播在线观看

　　笔者从事呼叫中心-联络中心-客户体验中心这一行大约十来年了，几乎见证了整个行业产品技术的大变革，当然，也涉及到你方唱罢我登场的玩家排名浮浮沉沉。从PSTN到VOIP（SIP）的切换，再到单体式SOA系统软件到分布式微服务架构的迁移，从闭源的IP内核再到以开源Freeswitch、Asterisk、Opensips、Kamailio的技术普世化，从基于MRCP的ASR/TTS的IVR到现在语音机器人和虚拟数字人，深感CX行业随着技术革命的浪潮不断地被裹挟前进。

　　笔者从事呼叫中心-联络中心-客户体验中心这一行大约十来年了，几乎见证了整个行业产品技术的大变革，当然，也涉及到你方唱罢我登场的玩家排名浮浮沉沉。从PSTN到VOIP（SIP）的切换，再到单体式SOA系统软件到分布式微服务架构的迁移，从闭源的IP内核再到以开源Freeswitch、Asterisk、Opensips、Kamailio的技术普世化，从基于MRCP的ASR/TTS的IVR到现在语音机器人和虚拟数字人，深感CX行业随着技术革命的浪潮不断地被裹挟前进。

　　然而，今年的大语言模型技术的横空出世，再一次颠覆了作为技术人员的想象，想起了一位同事跟我说的话：

　　在做Voice的人员眼中，Chat是一个很.......的事情。因为毕竟在着急的时候，作为客户的我还是会第一时间拿起手机打电话，而且我本能地会听到IVR后按0转人工。然而Chat场景是特殊的，首先它一定是非实时或者准实时的，同时因为非接触式沟通，允许坐席一对多的延时回复。随着上一波NLP-AI浪潮的席卷，几乎没有不带chatbot的聊天场景，消费者似乎也是习以为常，用户体验并不能得到与语音媲美的地步。

　　坦然，文字聊天由于自带富媒体属性，在做好UE优化体验设计的情况下，还是可以很好的解决问题（这里面涉及到流程的判断、多种自动化技术的协同以及场景设计）。但是因为成本投入因素，尽管企业方都在宣称应答率、问题解决率有多高，客观地说，90%的文字聊天并不能得到很好的效果。

　　那么，“传统”的NLP解决问题的思路出了哪些问题？笔者参考了不同AI厂家的机器人对话平台，或多或少都有开源RASA架构的影子，包括了NLU语言理解、DM对话管理、NLG语言生成、Policy对话策略、Aciton/Endpoint、Tracker槽位以及Domain/Stories 领域知识和示例等。多数情况下会包括了 单轮FAQ（相似问扩写）、多轮/任务式（状态机）、词槽词典、行业语料库等，有些还会包括表格图谱、机器学习等功能。

　　但是，还是太复杂了... 复杂在哪里？任务式的流程画布制作、语料的收集、相似问的扩写、词槽的关联等，正所谓有多少人工就有多少智能.....

　　相似问的扩写？大语言模型的最基本特征就是能“听得懂”人话，所以压根儿就不存在相似问的扩写---这可能是甄别大模型客服机器人的基本要素哦。

　　流程画布？大语言模型通过数据预训练与强化学习优化策略，针对给定任务学会提问与跳过，同时Token数满足上下文对照的要求。

　　看起来，大模型似乎完美地解决了如上问题，但是秉着摁下葫芦起了瓢定律，一定会带来新的问题：

　　对于严谨对话（如政务、企业专业知识域等），如何保证大模型不会一本正经胡说八道地输出错误信息？

　　【】【打印】【繁体】【投稿】【收藏】 【推荐】【举报】【评论】 【关闭】 【】