AI賦能電商新模式的探究

摘 要：在信息機制式處理系統規模化發展的前提下，智能客服系統應時而生。智能客服結合了語音識別和自然語言處理等技術，適用于大規模的資源處理，能夠實現自動問答、推理和情感分析。本文基于“AI+電商”新趨勢下展開電商智能客服新模式的探討，旨在為高效開展客服服務尋找新方式。

關鍵詞：AI;電商;智能客服

Abstract：Under the premise of the large-scale development of information machine processing system，intelligent customer service system should be born.Intelligent customer service combines speech recognition，natural language processing，and knowledge management for large-scale resource processing，enabling automatic question and answer，reasoning，and emotional analysis.Based on the new trend of "AI+ e-commerce"，this paper discusses the new mode of e-commerce intelligent customer service，aiming to find a new way to efficiently carry out customer service.

Key words：AI;Electricity;Intelligent customer service

1 研究背景

1.1 時代背景

隨著互聯網的誕生，有一部分人抓住了時代的機遇，故而產生了淘寶、京東、拼多多等大型電商網站，而這些電商平臺幾乎改變了中國民眾大大小小的生活方式，隨著電商行業的逐漸成熟，勢必需要一份強而有力的浪潮涌入，據研究發現，全球人工智能市場已達爆發前夜，中國企業智能客服市場規模可達萬億，目前智能客服已有4000億市場規模，未來五年將發展為萬億級市場規模，并且智能客服系統將占70%。中國企業智能服務市場需求亟待專業的AI技術和方案供應商來滿足，市場潛力巨大[1]。人工智能可以從交互方式等多種角度推動電商服務新模式的誕生。不難想象，人工智能的發展將是打破電商行業瓶頸期的有力之手。

1.2 “AI+”發展趨勢

人工智能（Artificial intelligence，簡稱“AI”）是繼互聯網之后崛起的生力軍。早在1956年“AI”概念被約翰·麥卡錫提出;70年代的“專家系統”引起人們廣泛關注;再到1997年“深藍”戰勝國際象棋大師以及2016年AlphaGo戰勝李世石。這些發展歷程大概可以歸納出AI的發展經歷了以下三個階段：計算智能、感知智能、認知智能。總的發展趨勢是由簡到繁，即從“機器智能”到“人工智能”。AI+電商的發展趨勢是可觀的。這是我國“搶占信息化制高點，增加國際話語權”的重要舉措，也是電商事業融入國際交流渠道的重要表現[2]。

2 AI+電商的關鍵技術

智能客服就是在傳統的客服系統的基礎上，結合人工智能技術（語音識別、自然語言處理、知識圖譜等），來促進客戶服務自動化和客服管理工作智能化的客服系統。有調查顯示，92%的受訪者使用過智能客服，其中14%的受訪者覺得目前智能客服的應用已比較普遍。目前已有的智能客服應用場景種類很多，涉及衣、食、住、行、樂、康等各個方面，比如銀行、醫院、商場、高鐵、電力和旅游景點等場景都有涉及[3][4]。智能客服系統的關鍵技術也在近年來得到了攻克，電商行業是中國近年來新興產業，具有覆蓋廣、數據量大等特點，AI+電商的結合，將有助于推進人工智能技術的落地化、同時讓電商行業豐富起來。

2.1 語音識別

在語音識別技術領域，首先利用技術進行語音識別，再對自然語言進行處理，繪制知識圖譜，從而對語句語義進行情感分析，目前語音識別技術有在往語義的情感分析挖掘方面發展的趨勢。

語音識別是讓機器通過識別和理解把語音信號轉變為相應的文本或命令的高技術，由于語音具有良好的交互性，它已成為人機交互科學中的關鍵技術。特別是2010年以來，深度神經網絡（Deep Neural Network，DNN）的應用推動了語音識別技術的發展，相比使用高斯混合模型（Gaussian Mixture Model，GMM）的系統取得了巨大的進步。識別率的提升加速了語音實用化的步伐，也使得語音類的應用如春筍般涌現。

計算機語音識別過程與人的語音識別過程基本相同。目前，核心語音識別技術是基于統計模式識別的基本理論。自提取語音特征的目的是從聲波形式中提取一系列語音特征。信號處理和隔離功能作為音頻信號，通過消除噪聲、扭曲通道等增強語音，將音頻信號從時間域轉換為頻域，并提取適當的功能，用于以后的聲學模型。

2.2 自然語言處理

自然語言處理（NLP）是計算機科學、人工智能和語言學的一個領域，專注于計算機與人類語言（自然）快速共享之間的交互。因此，自然語言處理與人機交互有關。自然語言處理面臨許多挑戰，包括理解自然語言，所以自然語言處理涉及人的空間、計算機的交互。現代NLP算法依賴于機器學習，尤其是機器學習統計信息。機器學習不同于以前嘗試的語言處理。語言處理任務的執行通常涉及直接手動編碼一組大量編碼。不同類型的機器學習算法的已應用于自然語言處理應用程序。使用的最早的算法，規則類似于手寫的規則，具有更通用的系統。然而，目前更多的研究將集中在統計模型，這是根據額外的實際值的權重，每個元素更柔和的輸入和概率決定的。此類模型的優點是能夠顯示非常不同的答案，而不是在集成到系統的更大部分時，只有一個相對確定的，即更可靠的結果。

語言模型包括語法網絡，它由語音命令的識別或語言格式組成，還包括統計方法組成的語言模型，語言處理可以分析語法和語義。語言模型通過重新訓練所學單詞的概率來估計假設序列（如語言模式分數）的概率。如事先了解該領域或工作，通常可以更準確地評估語言模型。語言處理通常不需要成為小詞表語音識別系統的一部分。

2.3 知識圖譜

知識圖譜經歷了幾十年的前期儲備，在2014年谷歌正式提出知識圖譜這個名詞之后，知識圖譜開始蓬勃發展。國外的研究目前領先國內很多，并且有眾多大型的知識庫及相關系統的應用。國內對知識圖譜的研究及相關工作，在大型的專業領域知識庫、跨領域知識庫等方面還比較薄弱。

在知識圖譜的研究方法中，知識推理是人工智能應用邁向更高級認知智能的重要技術，在計算機及人工智能領域，推理是一個從前提到結論的過程。因此，按照推理任務，知識推理可以被分為：演繹推理、歸納推理、設證推理;按照邏輯的確定性，知識推理又可以被分為確定性邏輯推理與不確定性推理。

知識圖譜（Knowledge Graph），也稱為科學知識圖譜，是一系列不同的圖表，用來顯示知識發展過程和結構之間的關系，使用可視化技術來描述他們的知識資源和載體，挖掘、分析、構造、繪制和顯示它們的知識和相互關系。

利用知識圖譜對客戶進行情感分析觀點挖掘涉及的知識推理，是人工智能應用邁向更高級認知智能的重要技術，在計算機及人工智能領域，推理是一個從前提到結論的過程。因此，按照推理任務，知識推理可以被分為：演繹推理、歸納推理、設證推理;按照邏輯的確定性，知識推理可以被分為確定性邏輯推理與不確定性推理。

3 AI+電商的優勢

人工智能客服系統在電商行業的應用有很大的技術優勢，首先，智能客服系統可解決人工坐席壓力大、效率低、耗時費力等問題，大大降低了人工成本，提高了工作效率;其次，智能客服系統具有準確的中文語義識別能力，能精準分析顧客所提問題，流暢地做出擬人化的回答[5];最后，智能客服系統擁有強大的上下文交互系統，不斷提升智能水平的自主學習能力的同時，可以記錄下顧客最關心的問題，根據用戶的不同難題可提供快捷便利的對接方式，針對商家進行知識庫優化升級，以提升服務質量。

4 結語

相比于人工智能領域的計算智能和感知智能，認知智能技術的落地則需要解決技術和產品之間的眾多難題。因為對自身業務穩定可靠的需求，企業更希望認知智能產品是可靠的、易用易維護、并且能夠解釋和理解常識，而技術的目前發展現狀卻是準確率不夠高、模型難移植、黑盒并難以結合知識。針對以上難題，我們需要采取“知識服務、復雜系統、混合算法、工程維護”等不同產品技術策略完美應對，使得面向垂直領域的企業計算率先完成技術與商業落地上的跨越。目前在認知智能賦能的典型場景——勞動與知識密集型的電商客服領域，人工智能客服系統需要具備高效協助人工客服進行咨詢接待、業務處理、智能推薦等功能，為賣家大幅節省成本，提升客戶溝通效率和轉化率。

參考文獻：

[1]蘇沐暉.智能客服發展迅猛“人情味欠缺”瓶頸待突破[J].新產經，2020（01）：46-48.

[2]梁迎麗，劉陳.人工智能教育應用的現狀分析、典型特征與發展趨勢[J].中國電化教育，2018（03）：24-30.

[3]韓麗麗，潘煒，劉豐威.基于人工智能語音識別客服稽查應用前景[J].電子測試，2020（15）：118-119+95.

[4]范紅杰.淺談新時代銀行智能客服應用與展望[J].商訊，2020（17）：136-137.

[5]雷植程，童麗霞，吳俊江，楊杰.騰訊智能客服人機協同實踐[J].人工智能，2020（03）：106-113.

項目：本篇論文由上海市經信委人工智能創新發展專項資金（2018年）《基于知識圖譜的跨行業智能應用平臺》項目（編號2018-RGZN-02025）資助完成

作者簡介：褚善博（1992— ），男，吉林吉林人，碩士，研究方向：自然語言處理與機器學習。