考虑在联络中心内实现NLP 需要了解这些知识

2018-08-04 14:53 未知

  CTI论坛(编译/老秦):正如我在前一篇文章中提到的,“联络中心的人工智能:了解基本知识”,使用自然语言处理(NLP)与客户进行对话,是在一个联络中心最有效地使用人工智能的方法。NLP支持了网络聊天机器人、语音助手增强IVR功能以及语音计算接口(如Alexa等虚拟助理)的对话式人工智能,这是理解现代联络中心的关键技术。

  NLP包括两个组成部分:自然语言理解(NLU)和自然语言生成(NLG)。NLU将自然语言输入映射成有用的表示,用于处理和分析,而NLG则将表示转换成自然语言。

  在某些方面,这些技术已经过时了。1972年,计算机科学家罗伯特默瑟(RobertMercer)和彼得布朗(Peter Brown)提交了他们的第一个NLP相关专利申请。但随着可负担得起的高性能计算平台的出现,这些技术现在可以快速地支持实时响应,以实现舒适的人机交互,并可用于客户参与。在实际操作中,这意味着在不到300毫秒的时间内提供会话响应的能力。

  如果会话接口是你的目标,那么你应该NLU和NLG一起使用。但是,你仍然可以在单独使用这些组件时找到实用程序。例如,要求IVR将资金从一个帐户转移到另一个帐户只需要NLU。音频确认需要NLG。

  客户的意图可以通过处理一个完整的话语来辨别。然而,在客户参与环境中,语法完整的句子并不是常见的,因此你需要使用上下文和元数据元素来管理会话,从而获得成功的结论。例如,当试图检索股票报价时,客户可能会问:“告诉我现在的字母表交易是多少?”这台机器捕捉到了这些信息,应用了语境理解,并做出回应:“字母表的交易价格是1055.82美元。”客户的意图是检索股票报价。

  与其他形式的会话AI相比,客户约定不太容易产生不确定性,因此往往不需要经常消除歧义。这是因为交互关注的是一组客户属性、产品或服务,而不是整个宇宙。这并不意味着客户永远不会说一些模棱两可或矛盾的东西,比如“把我的订单发到我的家庭地址,不,让我再想想,请把它发到我的工作地址。”这使得机器可以消除混淆的消息传递。在这种情况下,你需要你的人工智能助手来背书确认:“只是确认一下,你是想把你的订单发到你的工作地址吗?”此确认步骤将为机器提供正确的确认,这可以用来防止在机器学习过程中产生进一步的误解。

  每个行业都有一些独特的术语。科技行业更是如此,一个例子就是电话中的“端口”。如果客户想把电话号码从一个手机移动到另一个手机,他可能会说:“请将电话号码从T-Mo发送到下面的SIM卡-9865.”有了正确的理解,机器将从这个句子中提取单词“port”和SIM值,这样它就可以执行一个机器人程序,将数字移动到新的SIM卡上。类似地,机器将知道“T-Mo”是指载波T-Mobile,并将开始接触,所以数字会被释放到新的载体上。

  在客户参与环境中使用翻译通常不是一个好主意。相反,最好的选择是选择一个处理语言的NLU/NLG解决方案。例如,将客户的请求从德语翻译成英语,然后用英语处理回复,并将其翻译成德语,这不是好的方法。

  NLP解析的一个流行的例子是对句子的解释:“我看见一个拿着望远镜的女孩。”是我用望远镜去看那个女孩,还是我看到的那个拿着望远镜的女孩?客户约定很少需要解析语句来确定意义,因此,提出一个示例是很困难的。因此,一个解析算法比一个必须拥有的NLP特性更适合于客户参与平台。

  这个过程是用来解释错误的或读错的单词,以及缩短程序来理解意图所需的时间。考虑如下:“我想转移资金(I want to have funds transferred)。”转移(transferred)的词干是“转移(transfer)”。如果你调优机器以考虑所有形式的“转移”,那么你就可以节省时间,不必手工编写每一单词的所有形式。

  命名实体提取:之前在我的股票交易示例中涉及到理解意图。在客户询问字母表的股票价格后,他可能会说:“亚马逊怎么样?”这台机器维护了语境,并说:“亚马逊的交易价格是1522.32美元。”“亚马逊怎么样?”可能不是指股票价格,而是关于亚马逊雨林信息的查询请求。通过使用命名实体提取,机器能够提供与会话上下文匹配的响应。

  一些NLP解决方案提供了公开使用的命名实体的详细列表,例如在我的示例中使用的公司名称,但是其他的没有。即使有一个提供的列表,你的业务中的命名实体可能与其他实体不同,因此你需要特别注意构建你的列表。除了公司名称,命名实体列表还应该包括产品、城市、国家、供应商和流程的名称,包括任何可能出现的命名实体,并帮助机器在客户交互过程中提供更快、更准确的响应。

  建立一个传统的知识库涉及到一个手工的过程来处理内容和确定主题和子主题。NLP解决方案可以通过一个主题细分过程自动化这个工作,这个过程决定了文档的哪个部分适用于特定的客户请求。为了达到速度的目的,最好提前执行主题分割,并在所有知识内容上生成标记,这样你的机器就能在客户请求时更快地呈现正确的知识。

  情绪分析在联络中心有很多用途。作为一个提供管理解决方案的关键,很难复制。分析单词和标点可以帮助确定文本交互中的情绪。语音交互在情感分析中增加音高和音量,而视频接口则将面部表情引入分析。一些供应商提供上述所有的服务,但许多供应商没有。如果你对情绪分析感兴趣,那么一定要了解你选择的供应商在这方面的能力。

  总结是客户参与环境中一个有趣的工具。对于它的Watson NLU引擎,IBM收取0.003美元来总结一份10,000字符的文档,并总结一个客户的八个字的表达。针对客户交互的NLP解决方案通常是针对这些简短的话语进行调整的。

  在客户服务环境中,摘要总结是一种统计工具。它可以有效地取代呼叫处理过程,为联络中心的运营经理提供接近实时的洞察,了解客户的需求。我知道当我在经营一家药店的福利项目时,我会发现一个NLU的总结工具。例如,某一天下午4点,呼叫量比平常增长三倍。事实证明,这是退休人员去邮箱的时间,而我们的一个杰出的营销人员已经发送了大量的邮件,上面写着:“你的福利可能会受到威胁。”一旦我们发现了这个问题--两个小时之后--我们迅速推出了一个脚本,这样所有的座席都能更有效地处理这些呼叫。如果我们有一个NLU总结工具,我们可以在几分钟内确定这个趋势。

  当联络中心使用大量非结构化数据来支持客户交互时,标记内容是必需的。在标签上搜索比在知识库中搜索所有内容要快得多,这意味着座席--虚拟的或真人的--可以比不添加内容标记更快地向客户传递正确的答案。

  分类用于识别某些类型的词。如果你从事抵押贷款服务业务,那么哥伦布可能指的是一个地方,而不是一个人。类似于目的和功能的命名实体,基于NLP的分类法对于具有非常广泛的产品目录的企业来说是很有用的。这些工具可以减少客户在处理成千上万的产品时可能发生的混乱,同时节省时间。

  在客户参与中,NLG通常被理解为一个复杂的定向对话实现。接口向用户公开的响应或后续问题是利用NLG创建的。具体来说,NLG处理器将文本公开给用户(如在Web聊天中),或者向用户提供的一种中间技术,像TTS(如在IVR或语音计算中),产生了用户可以听到的语音。

  如果你打算使用语音接口,那么你应该将一些思想引入到TTS(文本到语音)解决方案中。标点、性别、能量、压力、音素长度、语调、音节和声调都可以影响你向客户展示的沟通质量。虽然你可能并不一定想要探索这些因素背后的算法,但是你肯定想要倾听这个接口,并确定什么对你和你的团队来说是好的。

  如果你仍在阅读,那么你可能正在考虑在你的联络中心内实现NLP。你有很多选择,现在有1000多家公司提供NLP服务。有些具有预先构建的功能,支持我上面描述的特性,而另一些则需要你构建自己的特性。好消息是,随着联络中心技术的发展,没有一种技术是非常昂贵的。但是,有些工具的实现和管理可能比其他的更昂贵。选择最能支持业务的平台或产品是成功的关键。