各种基于AI的应用程序框架

CTI论坛(ctiforum.com)（编译/老秦）:在上个月的“Enterprise Connect 2018”上，我参加了尽可能多的关于人工智能（AI）的会议。我所观察到的是，虽然有一些公司可以在你的联络中心提供部分人工智能的实现，但是没有一个公司能够支持客户参与环境中所需要的整体支撑。

在本文中，我将提供各种基于AI的应用程序框架，这样你就可以更好地了解哪些供应商能够支持你的联络中心AI自动化需求。

什么是人工智能？

让我们从定义AI开始。你会发现人工智能有很多不同的定义，但人们的共识是模仿人类的行为。

对于许多人来说，机器学习（ML）对于真正的人工智能来说是必要的。ML是机器识别不清楚的内容、动作、行为或意图的能力。你可以用统计模型来计算概率；然而，在企业中，人的指导或治理是最好的方法。如果你正在考虑企业中的人工智能，请务必理解你将如何管理ML流程。

学习是人类的特性，但在某些情况下，ML可能是有问题的。想想Tay，微软在Twitter上推出的通用聊天机器人。在24小时内，微软不得不取消Tay，因为一些Twitter用户教它一些非常糟糕的种族主义习惯。正如我前面提到的，确保你知道ML流程如何为你可能选择的AI工具工作。

客户参与推论是使用对话录音培训网络聊天机器人或语音助理。如果座席能够正确地以恰当的方式处理每个客户的交互，那就太好了，但事实并非如此。当提供一个会话人工智能接口时，使用先前记录的交互，确保你能够编辑错误的行为和错误的答案。

在探索人工智能的过程中，你还需要了解认知处理和规模。

认知处理器是指支持人工智能应用的计算平台。这个平台可以包含一个处理器或多个处理器，甚至是数千个处理器的神经网络。其中任何一种都适用于联络中心，并且能够运行本文中讨论的任何应用程序--但是，规模是一个问题。

关于规模，最好的做法是从有限的生产实现开始--在联络中心，这意味着限制你的机器人可以支持的并发用户的数量。你可能从10或50个并发用户开始，但不是数百个。原因是每个用例都是不同的，在最初的几个月里，你将不得不测量机器人的性能，以便了解如何最好地增加处理能力以满足企业的规模。

此外，随着时间的推移，ML将倾向于减少处理器负载。在几个月内运行有限的实现将允许每个交互的处理器需求稳定，这样你就可以计算生产规模。使用基于云计算的“租赁”处理器，按月或按年计算，将降低购买过多处理器的风险。

在客户参与环境中有用的人工智能工具分为以下几类：

自动语音识别和文本到语音（ASR/TTS）

机器人过程自动化（RPA）

基于AI的分析（基于对自然语言和/或元数据的分析）

会话人工智能--自然语言处理（NLP）及其组成部分：自然语言理解和自然语言生成。

自动语音识别和语音合成

ASR/TTS，它提供了机器翻译语音到文本的能力，相反，将文本转换为语音，这是几十年来一直常用的。例如，我在1995年实现了我的第一个ASR/TTS解决方案，为强生公司（Johnson & Johnson）提供服务。对于这个用例，我们培训了一台机器来识别60000个不同的组件号码，以便在电话订单上提供更好的准确性。我们需要帮助的大部分ML用于处理重复的组件编号和组件标签，它们使用了声音相似的字母和数字（B、3、G、Z…）。几周内，我们在识别特定组件方面达到了99%的准确度。

Nuance Communications的Dragon自然语音识别软件是一个商业ASR/TTS工具的例子，自1982年以来就一直存在。这篇文章的其中某些部分是利用它写成的，口述--然后转换成文字。首先，该软件使用ML的概念称为“培训”。基本上，它为你提供了一些阅读的文件，它可以学习你的声音是如何发音的，就像你已经知道的单词一样。而且，它会在你每次使用它的时候学习，并且有能力阅读你的电子邮件和存储的文档来学习你的写作方式。如果你有背部或颈部的毛病，整天都趴在键盘上，我强烈建议你试试。但是要注意的是：正确地拼写每一个单词，但这并不意味着它永远是正确的单词。

机器人过程自动化

RAP（机器人过程自动化）则是计算机脚本的使用，即移动数据或处理事务，需要多个计算机系统或计算机系统内创建函数。几年前，企业开始在RPA上花钱。它在几个方面与脚本不同，最明显的是它使用了ML；具有业务规则的集中式存储库；而且，在大多数情况下，有能力使用NLP来改善它的效用。

RPA在处理与CRM相关的工作或在联络中心的额外工作时特别有用。一个完美的例子是使用RPA消除客户关系管理和订购系统之间的手动复制和粘贴案例说明。RPA不太容易出错，并且允许联络中心座席专注于更有意义的工作。

有了ML，机器人就有机会通过识别新的产品和流程来提高自身，从而引入客户参与环境。例如，当一个新产品出现在电子采购订单上时，机器人可能不知道它是什么；但是，它将知道字段的内容是分类法的一部分，它将其标识为产品，而不是名称或地址。这使得ML管理过程更容易。此外，在合适的条件下，使用ML的机器人可以处理新产品的购买订单，而无需将其重写为脚本。

当多个RPA进程处理相似的数据并将这些数据移动到类似或相同的信息系统平台时，业务规则库非常有用。例如，知道一个已知的实体，比如地址总是在同一个地方，可以方便地部署新的RPA解决方案。

NLP与RPA定期合作。举一个简单的例子，再考虑一下电子采购订单。只有一个typo意味着一个简单的脚本将会失败，并且订单需要手工处理。NLP有能力使用“库存”或编程语言元素来减轻输入错误的影响。此外，你可以使用NLP来总结在采购订单上用简单英语描述的注释或异常。机器人可以适应航运术语、交付要求和特殊请求，但是脚本工具只能标记手动处理的异常。

您可以从数百个供应商中找到你所想要的RPA工具，包括BluePrism、IBM、Microsoft、Pegasystems和UiPath。

基于人工智能的分析

联络中心有几种方法来使用基于AI的分析。在联络中心中，基于AI的分析通常使用元数据来描述交互，而不是交互本身。另一方面，基于NLP的分析应用于交互本身的内容。为了设置语境，NLP由两部分组成：自然语言理解（NLU）和自然语言生成（NLG）。NLU可以做以下操作，但不限于：辨别意图、消除歧义、术语提取、翻译、解析、词干、命名实体提取、主题分割、识别情绪（感情）、总结内容、标记内容和分类。NLG只生成基于语言的响应。（NLP将是另一篇文章的主题）

使用的操作决策标准是：你是否关心客户已经做了什么，还是关心客户现在正在做什么？

在我看来，知道客户现在做什么比知道客户上周做了什么，甚至仅仅是刚才的事情更重要。例如，银行客户使用IVR来转账，然后按“0”到达座席。在大多数情况下，IVR会把客户转移到处理转账的呼叫队列。然而，现实情况是，转账很可能已经完成，客户可能想做些别的事情，比如申请抵押贷款。在这种情况下，元数据有其局限性。基于NLU的路由解决方案将询问客户他或她希望下一步做什么，然后路由到适当的呼叫队列--或者甚至可能调用NLP来处理贷款应用程序。

令我的客户感到惊讶的是，他们可以用最少的滞后时间来执行分析（有些人可能会称之为实时分析，但我认为这更像是一种接近实时的分析）。

元数据分析，如可能使用像Altocloud这样的平台（现在是Genesys），可以使用子秒延迟执行。分析文本可能需要更长的时间，因为机器可能无法理解真正的意图，直到背诵完成。AmazonLex、GridspaceSift和IBMWatson都是可以执行NLP分析的解决方案的例子。

情绪分析也是我的大多数客户感兴趣的方面，通常，这些分析是在会话接口建立之后实现的。在会话接口之前，我看到客户实现NLP分析的唯一地方是对遵从性的研究。这样做的一个例子就是分析经纪人在金融业务中与法定要求的相关表现。

联系中心的人工智能：了解基本知识

会话AI接口

到目前为止，最有效的利用人工智能，使用NLP技术与客户进行交谈的就是联络中心。我们看到了劳动力利用率的主要变化，根据用例，联络中心的劳动力需求下降了10%到70%。由于机器人的速度比人快，因此客户的努力往往会减少。

通常，这些实现采用无缝的、非侵入性的方式，就可以实现上述所有技术。我所说的非侵入性指的是机器人，网络聊天机器人，或语音助手成为你的网络聊天，语音电话和信息基础设施的用户。为了实现这两个接口，什么都不需要中断。

通过将机器人作为用户在这些系统上集成，你提供了一种无缝的方法，以便在必要时将交互传递给人类座席。机器人知道它不知道什么，机器人能比人类更快地察觉到负面情绪。在这些条件和其他条件下，机器人可以将客户交互转移到一个人的解决方案中。

一个认知处理平台可以同时使用网络聊天和语音接口，以及新的语音计算接口，比如亚马逊Alexa、苹果iHome和谷歌Home。一般来说，这些接口是从认知处理器中抽象出来的，但有些接口被他们所使用的媒体所限制。例如，你不能将图形文件发送到语音接口。但是，你可以在一些调用VisualIVR中协调使用不同的媒体。Nuance在美国航空公司的实施就是一个很好的例子。在这个用例中，交互可以从语音开始，但是平台可以将URL推送到移动设备或电子邮件接口来支持座位选择。在美国的实现中，URL提供了用于座位选择的座位图。

Web聊天集成通常基于Web服务集成。唯一的诀窍就是让传递函数发挥作用。大多数较大的播放器都已经预先构建了它们的APIs；但是，如果你使用的是一个不太知名的NLP解决方案的Web聊天软件，那么你可能将需要编写一些代码。

语音接口比网络聊天要复杂一些。你应该能够重用你的IVR作为ASR/TTS，但是这样做通常需要一些重新设计和重新配置--一直回到PSTN。高质量的音质网会得到高质量的效果。如果你使用的是高压缩编码，那么你就需要一个低性能的语音识别解决方案。在IVR重用的情况下，ASR/TTS处理器位于传统IVR的后面。通过这种方式，你可以一次迁移一个新的语音NLP自动化过程，并且风险最小。

Alexa类型的实现可以提供相同的语音计算接口；然而，他们在架构上不同。在这些情况下，设备本身，而不是IVR，可以托管ASR/TTS。此外，要将交互传递到传统语音系统，需要使用兼容的编解码器。这些新设备支持开放标准的Opus编码器，它也可用于一些语音系统，WebRTC和许多会话边界控制器（SBCs）。

顺便说一下，Alexa的使用并不仅限于亚马逊的设备。亚马逊去年为Windows10推出了Alexa，任何可以运行亚马逊应用程序的地方都可以运行Alexa。而且，你不必总是说“Alexa”。你可以调整界面以显示你公司的名字。例如，你可以在你按下Alexa按钮和/或在你的设备上注册“技能”之后说：“启动ABC公司的产品订购”。

你可以一起使用全渠道和会话人工智能，但是设计对话流是非常重要的。你必须特别注意机器人将遇到的故障情况。Visual IVR还创建了一些失败案例的挑战，你需要在部署之前做好计划。

所有主要的联络中心客户关系管理和电话供应商都提供或有一个计划，以使基于AI的解决方案提供给他们的联络中心客户。此外，目前市场上有1000多个RPA、会话AI和NLP分析平台。

在许多方面，联络中心的运营商从来没有这么好过。基于AI的自动化工具正在减少劳动力需求和客户的努力。工具就在那里。如果你制定一个好的计划并执行，你将在许多层面上取得成功，并发现你的企业和客户的一些事情，从而获得更大的成功。