西班牙斗牛视频
新聞中心/行業動態/呼叫中心內實現NLP需要了解的知識

呼叫中心內實現NLP需要了解的知識

       呼叫中心的人工智能使用自然語言處理(NLP)與客戶進行對話,是在一個呼叫中心最有效地使用人工智能的方法。NLP支持了網絡聊天機器人、語音助手增強IVR功能以及語音計算接口(如Alexa等虛擬助理)的對話式人工智能,這是理解現代呼叫中心的關鍵技術。

        NLP包括兩個組成部分:自然語言理解(NLU)和自然語言生成(NLG)。NLU將自然語言輸入映射成有用的表示,用于處理和分析,而NLG則將表示轉換成自然語言。

  在某些方面,這些技術已經過時了。1972年,計算機科學家羅伯特默瑟和彼得布朗提交了他們的第一個NLP相關專利申請。但隨著可負擔得起的高性能計算平臺的出現,這些技術現在可以快速地支持實時響應,以實現舒適的人機交互,并可用于客戶參與。在實際操作中,這意味著在不到300毫秒的時間內提供會話響應的能力。

  如果會話接口是你的目標,那么你應該NLU和NLG一起使用。但是,你仍然可以在單獨使用這些組件時找到實用程序。例如,要求IVR將資金從一個帳戶轉移到另一個帳戶只需要NLU。音頻確認需要NLG。

  理解NLU

  以下是對NLU平臺一些功能的描述。

       辨別意圖:客戶的意圖可以通過處理一個完整的話語來辨別。然而,在客戶參與環境中,語法完整的句子并不是常見的,因此你需要使用上下文和元數據元素來管理會話,從而獲得成功的結論。例如,當試圖檢索股票報價時,客戶可能會問:“告訴我現在的字母表交易是多少?”這臺機器捕捉到了這些信息,應用了語境理解,并做出回應:“字母表的交易價格是1055.82美元。”客戶的意圖是檢索股票報價。

       消除歧義:與其他形式的會話AI相比,客戶約定不太容易產生不確定性,因此往往不需要經常消除歧義。這是因為交互關注的是一組客戶屬性、產品或服務,而不是整個宇宙。這并不意味著客戶永遠不會說一些模棱兩可或矛盾的東西,比如“把我的訂單發到我的家庭地址,不,讓我再想想,請把它發到我的工作地址。”這使得機器可以消除混淆的消息傳遞。在這種情況下,你需要你的人工智能助手來背書確認:“只是確認一下,你是想把你的訂單發到你的工作地址嗎?”此確認步驟將為機器提供正確的確認,這可以用來防止在機器學習過程中產生進一步的誤解。

       術語提取:每個行業都有一些獨特的術語。科技行業更是如此,一個例子就是電話中的“端口”。如果客戶想把電話號碼從一個手機移動到另一個手機,他可能會說:“請將電話號碼410-555-1212從T-Mo發送到下面的SIM卡123-4545-4545-9865.”有了正確的理解,機器將從這個句子中提取單詞“port”和SIM值,這樣它就可以執行一個機器人程序,將數字移動到新的SIM卡上。類似地,機器將知道“T-Mo”是指載波T-Mobile,并將開始接觸,所以數字會被釋放到新的載體上。

       翻譯:在客戶參與環境中使用翻譯通常不是一個好主意。相反,最好的選擇是選擇一個處理語言的NLU/NLG解決方案。例如,將客戶的請求從德語翻譯成英語,然后用英語處理回復,并將其翻譯成德語,這不是好的方法。

       解析:NLP解析的一個流行的例子是對句子的解釋:“我看見一個拿著望遠鏡的女孩。”是我用望遠鏡去看那個女孩,還是我看到的那個拿著望遠鏡的女孩?客戶約定很少需要解析語句來確定意義,因此,提出一個示例是很困難的。因此,一個解析算法比一個必須擁有的NLP特性更適合于客戶參與平臺。

       詞干:這個過程是用來解釋錯誤的或讀錯的單詞,以及縮短程序來理解意圖所需的時間。考慮如下:“我想轉移資金(I want to have funds transferred)。”'轉移(transferred)'的詞干是“轉移(transfer)”。如果你調優機器以考慮所有形式的“轉移”,那么你就可以節省時間,不必手工編寫每一單詞的所有形式。

  命名實體提取:之前在我的股票交易示例中涉及到理解意圖。在客戶詢問字母表的股票價格后,他可能會說:“亞馬遜怎么樣?”這臺機器維護了語境,并說:“亞馬遜的交易價格是1522.32美元。”“亞馬遜怎么樣?”可能不是指股票價格,而是關于亞馬遜雨林信息的查詢請求。通過使用命名實體提取,機器能夠提供與會話上下文匹配的響應。

  一些NLP解決方案提供了公開使用的命名實體的詳細列表,例如在我的示例中使用的公司名稱,但是其他的沒有。即使有一個提供的列表,你的業務中的命名實體可能與其他實體不同,因此你需要特別注意構建你的列表。除了公司名稱,命名實體列表還應該包括產品、城市、國家、供應商和流程的名稱,包括任何可能出現的命名實體,并幫助機器在客戶交互過程中提供更快、更準確的響應。

       主題分割:建立一個傳統的知識庫涉及到一個手工的過程來處理內容和確定主題和子主題。NLP解決方案可以通過一個主題細分過程自動化這個工作,這個過程決定了文檔的哪個部分適用于特定的客戶請求。為了達到速度的目的,最好提前執行主題分割,并在所有知識內容上生成標記,這樣你的機器就能在客戶請求時更快地呈現正確的知識。

       辨別情緒:情緒分析在呼叫中心有很多用途。作為一個提供管理解決方案的關鍵,很難復制。分析單詞和標點可以幫助確定文本交互中的情緒。語音交互在情感分析中增加音高和音量,而視頻接口則將面部表情引入分析。一些供應商提供上述所有的服務,但許多供應商沒有。如果你對情緒分析感興趣,那么一定要了解你選擇的供應商在這方面的能力。

      內容總結:總結是客戶參與環境中一個有趣的工具。對于它的Watson NLU引擎,IBM收取0.003美元來總結一份10,000字符的文檔,并總結一個客戶的八個字的表達。針對客戶交互的NLP解決方案通常是針對這些簡短的話語進行調整的。

  在客戶服務環境中,摘要總結是一種統計工具。它可以有效地取代呼叫處理過程,為呼叫中心的運營經理提供接近實時的洞察,了解客戶的需求。我知道當我在經營一家藥店的福利項目時,我會發現一個NLU的總結工具。例如,某一天下午4點,呼叫量比平常增長三倍。事實證明,這是退休人員去郵箱的時間,而我們的一個杰出的營銷人員已經發送了大量的郵件,上面寫著:“你的福利可能會受到威脅。”一旦我們發現了這個問題--兩個小時之后--我們迅速推出了一個腳本,這樣所有的座席都能更有效地處理這些呼叫。如果我們有一個NLU總結工具,我們可以在幾分鐘內確定這個趨勢。

       內容標記:呼叫中心使用大量非結構化數據來支持客戶交互時,標記內容是必需的。在標簽上搜索比在知識庫中搜索所有內容要快得多,這意味著座席--虛擬的或真人的--可以比不添加內容標記更快地向客戶傳遞正確的答案。

        分類:分類用于識別某些類型的詞。如果你從事抵押貸款服務業務,那么哥倫布可能指的是一個地方,而不是一個人。類似于目的和功能的命名實體,基于NLP的分類法對于具有非常廣泛的產品目錄的企業來說是很有用的。這些工具可以減少客戶在處理成千上萬的產品時可能發生的混亂,同時節省時間。

  掌握NLG

  在客戶參與中,NLG通常被理解為一個復雜的定向對話實現。接口向用戶公開的響應或后續問題是利用NLG創建的。具體來說,NLG處理器將文本公開給用戶(如在Web聊天中),或者向用戶提供的一種中間技術,像TTS(如在IVR或語音計算中),產生了用戶可以聽到的語音。

  如果你打算使用語音接口,那么你應該將一些思想引入到TTS(文本到語音)解決方案中。標點、性別、能量、壓力、音素長度、語調、音節和聲調都可以影響你向客戶展示的溝通質量。雖然你可能并不一定想要探索這些因素背后的算法,但是你肯定想要傾聽這個接口,并確定什么對你和你的團隊來說是好的。

  選擇

  如果你仍在閱讀,那么你可能正在考慮在你的呼叫中心內實現NLP。你有很多選擇,現在有1000多家公司提供NLP服務。有些具有預先構建的功能,支持我上面描述的特性,而另一些則需要你構建自己的特性。好消息是,隨著呼叫中心技術的發展,沒有一種技術是非常昂貴的。但是,有些工具的實現和管理可能比其他的更昂貴。選擇最能支持業務的平臺或產品是成功的關鍵。

注明:文章轉自CTI論壇

       如需要人工智能呼叫中心,歡迎垂詢集時通訊,13年專注呼叫中心研發領域,您的首選。

設置
西班牙斗牛视频