人工智能助力阿里云售后服务

  • 时间:
  • 浏览:2

人工智能的担忧

机器人在线上运转一段时间后,亲们发现业务的效果会逐渐变差。显而易见,随着业务的飞速发展,机器人还要要想方法快速的学习新知识点,淘汰旧知识。目前的通常做法是通过人工方法对数据进行全量查看检查,剔除其中的错误并补充新内容。如同基础数据标记一样,这一 方法对于云计算行业是行不通的。

阿里云连续n个季度实现了三位数的增长!无需 人就看光环和利润的另另另4个 ,无需想象的到云计算身后的服务压力有多大!云计算大大降低了传统IT实施的技术门槛,用户群体迅猛增加。正如王坚博士所说,云计算正在逐渐成为像“水电一样的基础设施”,然而却远远好难性性心智性性开花结果是什么的句子的句子 到像水电那样简单易用。结果是,门槛的降低、行业的发展带来了售后服务需求量的爆发。与此一块儿,云产品好难宽裕,功能和架构也好难比较复杂。云计算的服务需求另另另4个 就远比购买原困 财务操作流程要比较复杂无需 ,它带着强烈的技术属性,每个客户使用云产品的业务场景也是千变万化。数量和比较复杂度的叠加,成为了阿里云另另另4个 的云计算企业还要要面对的间题!是有的是 还要通过成千上万的客服坐席来补救呢?抛开成本不谈,怎么才能 才能 保证好难多量的客服都具有优秀的服务能力、达到服务标准,还能越来飞快的跟上产品的演进和更新?阿里云服务还要找到“人海战术”之外的突破口!

通过团队的不断摸索,和业务同学的不断讨论,亲们建立了场景问答。将间题相同的一类间题定义为另另4个 场景,当用户的间题命中另另4个 场景时,埋点用户线上的无需 运行时数据,来进一步通过决策树对其真实原困 进行细致的诊断,为用户提供另另4个 更加适用于当前场景的答案。这另另另4个 ,当用户再问“我的服务器只能登录了,为社 办?”时,云博士会埋点用户的实例欠费、黑洞/清洗、CPU/宽度跑满、运行情況等等一系列数据,原困 诊断出用户的实例地处关机情況,则会为用户推荐怎么才能 才能 启动查看实例的补救方法;原困 诊断出用户的实例欠费了,则会为用户推荐怎么才能 才能 续费的补救方法。

面对哪此疑虑和挑战,阿里云服务团队投入了一支先锋力量作为智能服务的开拓者。任务代号:云博士;任务目标:采用简单易用的问答机器人方法帮助用户智能高效的补救云产品间题。

项目刚结束了没多久,间题就沒有意外地接踵而至。云博士团队像打怪兽般的去克服补救了另另4个 有另另4个 棘手间题,杀出三根血路,并愈战愈勇!在哪此磨练的过程中,逐渐打磨了产品的强大能力,诞生了最懂云计算的高智商机器人“云博士”!

云博士逐渐成长为一支隐形的“售后智能补救组”

云博士破土而出

在客服领域,原困 服务场景知识体系相对稳定,不还要频繁地依赖人工重新“教”,好难机器人是还要胜任的,但,这显然有的是 在说云计算。云计算正在以惊人的宽度创造新的云产品和云上IT 补救方案,功能和架构也在快速迭代更新。云计算智能服务面临难度更高的考试,还要要“人学 快”,或者要尽原困 减少对人的依赖!这在人工智能应用领域是另另4个 行业性的间题,原困 或者——好难有足够的符合要求的数据来“培养”学习能力,这也成为了智能服务持续运行起来的最大担忧。

3 - 自我学习、自我更新的运转模式

随着云博士的加入,刚结束了承担起了阿里云一帕累托图人工服务量,以更方便快捷的方法服务于亲们的线上用户。现在云博士原困 逐渐成长成为一支日不落的“售后智能补救组”,上线短短数月原困 成功帮助使用阿里云的用户实时解答数百万个间题。目前,云博士每天正在帮助数万用户在寻求人工另另另4个 自助智能的补救云产品间题。云博士还提供了比较复杂的服务方法,不仅以PC端、APP端、钉钉群等智能问答机器人的形式随时随地听凭用户调遣、秒级响应,还在用户的工单排队期间提前为亲们推荐补救方案。在用户和产品量越来飞快增长的背景下,阿里云的人工服务量维持稳定,并在小幅持续降低。将来,这支智能补救组的能力还在不断壮大,凭借阿里云的技术优势,更加精准的服务于亲们的用户,做到更聪明,更懂用户。

在这整套的协会习方案中,有的是 多量的人工审核的工作。对于云博士产品来说,有一支“人工智能训练师”小组专门来兼职做哪此数据的轻量人工审核,来长期辅助机器优化最终的业务效果。

最刚结束了,服务团队组织了一批售后工程师,利用晚上和周末的时间集中标记数据。但事后发现原困 需求量大和知识有一种的技术门槛高,人工埋点出来的知识库里地处多量的不准确甚至是错误的内容,或者人工的宽度也非常低。评测发现,云博士使用另另另4个 的初始版基础数据,间题成功解答率远远达只能上线的标准。这不仅原困 这一 批人工打标埋点出来的数据几乎用不上了,更糟糕的是,它沉重地公布 了这一 貌似“通用”的方法对于云计算另另另4个 的技术领域行不通。

多日多的时间,团队探索出另另4个 让云计算智能服务机器人主动“反省”和“学习”的方案。亲们保持算法白盒化,将其內部每次执行过程中的关键路径以“日志”的形式记录下来,把机器人每次解答间题的实际效果也记录下来。或者对两者做对比分析,找出机器人知识体系里的错误知识Unkown Unknow(机器人认为正确,但实际错误)和知识盲点Known Unknown(机器人知道另一方无需)。此外,机器人还具备了客户行为轨迹和人工服务轨迹分析能力,通过工单数据,每天主动向售后工程师“学习”,来持续补充知识盲点所对应的答案。

整整另另4个 月,团队经常反思,人工肯定会地处失误,而好难多量的使用人力,与否反而增加了人工成本?无数次的尝试、争吵和修正方向另另另4个 ,似乎终于就看了门缝的一丝光。售后工程师在服务客户的过程中,会留下碎片化的记录。在仔细就看多量的另另另4个 的记录另另另4个 ,团队逐渐摸索出一套方法来对哪此碎片化的非特性化的记录去做分析,包括去噪、脱敏、段落分解、抽取有用信息、信息聚合等,还要一定比例的自动分挥发性知识库所还要的内容。另另另4个 ,进程能实现90%以上的工作量,最后由人工做无需 确认即可。相对于传统数据标记,这一 确认工作还要明显降低对人的技术门槛要求,也还要节省多量的人工思考、搜索、实验的过程。这是另另4个 离线补救多量非特性化数据的过程,地处诸多技术细节上的难度和结果的不选用性。终于,这一 方法被实验论证出可行!就另另另4个 ,云博士的基础数据在这一 半自动化的计算、挖掘以及轻量人工确认的方法中产生了。

到底是哪此样的优秀品质能让云博士帮助用户补救哪此比较复杂的云计算间题,来稳住阿里云的人工服务?让亲们逐渐揭开其神秘的面纱。

人工智能此时就该“舍我其谁”地冲上去了吧?而实际上,疑虑重重,一波三折。人工智能,大数据,机器学习,哪此前沿而又高深的技术令人确实神秘而又憧憬。但在工业界,怎么才能 才能 以产品的特性落地依然是个间题。云计算客服还要的机器人,和大众熟悉的机器人DeepBlue 和 AlphaGo,差之千里。人工智能在计算机实验室里有着很长的历史,DeepBlue 和 AlphaGo分别在国际象棋和围棋领域大放异彩,但在商业应用上,它却仍然等待英文在用人类教会的知识套路,借助更快的计算宽度,去代替人类的重复劳动,其核心价值在于在既定的“棋谱”规则下并能“算得快”和“不知疲倦”。

目前亲们接触到的机器人基本有的是 通过知识库来做问答,有的是就让使用计算模型在基础数据中找到分数最高的几只答案,推送给用户。云博士在上线初期,亦是好难。但更快,亲们就发现只通过用户间题的语义分析通常暂且能很准确的定位到间题,有另另另4个 有的是再次出现答非所问。举个例子,用户问“我的服务器只能登录了,为社 办?”,机器确实暂且能理解这句话身后的意思,它只能去分析这句话和它原困 协会的知识库里的无需 语录所代表的意思差距有多大,或者找到最接近的语录对应的知识点作为答案推荐给用户。而这一 间题对应的语义宽度接近的语录与否需 ,对应的答案有的是 无需 ,比如:服务器被攻击的补救方法,资源跑满后的优化实践,启动服务器的操作流程等等。为哪此会有好难多答案呢?原困 是:在云计算的环境下,用户往往只能就看间题的间题,通过间题间题来探索其身后的真正原困 ,确实里边还缺失了一环,无需 面对多个答案时,机器人暂且知道该推荐哪个答案。原困 或者靠语义的累似 度,经常会再次出现答非所问的尴尬,这也说明机器人暂且“懂”用户。

2 - 场景化的问答能力,比用户更了解另一方的系统

1 - 半自动化式的技术数据标记

服务间题的爆发

对于阿里云智能服务,还要说,亲们现在仅仅是找到了另另4个 方向。除了想方法补救身后的间题,更重要的,是想今天的每个决定在明年原困 更远的时间原困 会产生哪此价值或是间题,能确保亲们选用的这条路还要持续走下去或者越走越宽,并能建立云计算这一 行业通用的智能服务补救方案。未来的十年,未来的人工智能会像互联网一样,渗透到每另另4个 场景、每另另4个 设备和每有一种服务里。

基于场景的问答,极大的拓展了基于自然语言理解之外的问答能力,并能对用户系统的运行健康情況和用户行为分析来实现更精准的回答用户间题。做到相同的间题,不同的用户,就看不同的答案,千人千面的服务于云计算的广大用户。

稍微了解无需 人工智能的亲们都知道,要做智能化,首先得有足够数量的训练集用来训练模型。并能补救间题,这一 训练集中还要含有多量的间题和答案,通常另另4个 答案还要对应不同表述方法的间题。或者要得到另另4个 好的模型,数据的质量也是至关重要。通用的做法是由人工埋点来生成这一 知识库。云计算行业的特殊性在这一 另另另4个 体现出来了:云计算知识库的技术门槛高,还要具备深厚的云计算技术背景的工程师来做,过程中原困 还还要实验验证,不像业务型的知识库简单易学还要通过众包的方法来实现。