現(xiàn)在AI客服越來(lái)越多，人工客服未來(lái)會(huì)失業(yè)嗎？

本人是人工智能方向的博士，近期一直研究知識(shí)圖譜和多輪對(duì)話機(jī)器人在服務(wù)領(lǐng)域的應(yīng)用，我的博士方向是智能信息處理，工作中轉(zhuǎn)到NLP了。

我認(rèn)為AI客服絕對(duì)短期無(wú)法代替人工。

目前做的幾個(gè)項(xiàng)目，用知識(shí)圖譜做智能應(yīng)答里的問(wèn)題檢索，尤其從海量歷史工單抽取“問(wèn)題描述-原因-解決方案”，作為問(wèn)題回復(fù)輸出給客戶，這個(gè)方案涉及到實(shí)體提取，關(guān)系提取和知識(shí)融合等，歷史數(shù)據(jù)就是問(wèn)題工單，通過(guò)輸入專業(yè)詞庫(kù)，基于關(guān)鍵詞、相關(guān)性分析進(jìn)行一定的特征工程，然后基于Bert基本模型流程去提取概念（問(wèn)題描述）及概念之間的關(guān)系，但是效果不好，主要是客戶的問(wèn)題訴求往往不可能是一句概念就能解決的，往往是一種很細(xì)節(jié)的問(wèn)題解決方案，知識(shí)圖譜中的任何節(jié)點(diǎn)都是無(wú)法端到端完成本次服務(wù)，只能作為一個(gè)知識(shí)目錄再次引導(dǎo)客戶自己去解決，效率比較低感知也不好，無(wú)法起到代替人的作用。

后面發(fā)現(xiàn)，知識(shí)圖譜做搜索引擎更好，或者做知識(shí)庫(kù)的目錄快捷引導(dǎo)，但是不適合做智能應(yīng)答，所以改用多輪對(duì)話填槽的方式去解決。通過(guò)意圖識(shí)別，轉(zhuǎn)入特點(diǎn)的多輪對(duì)話場(chǎng)景，多次反問(wèn)或者意圖切換，獲取關(guān)鍵詞槽，以接口方式調(diào)業(yè)務(wù)接口去自動(dòng)查詢。這種方式適合比較簡(jiǎn)單的或者規(guī)范化的場(chǎng)景，但是對(duì)于發(fā)散的甚至需要多次交互才能解決的場(chǎng)景不適合，所以應(yīng)用也是有限的。

真正能實(shí)現(xiàn)認(rèn)知智能做客服應(yīng)用的，還是要看阿里的小蜜團(tuán)隊(duì)及Alicoco，也就是通過(guò)認(rèn)知圖譜+機(jī)器閱讀理解，實(shí)現(xiàn)標(biāo)準(zhǔn)數(shù)據(jù)驅(qū)動(dòng)的標(biāo)準(zhǔn)服務(wù)流程，個(gè)性化流程還是必須人工負(fù)責(zé)。尤其機(jī)器閱讀理解在這兩年逐漸成熟了，在Bert基礎(chǔ)上又做了一些改進(jìn)，又?jǐn)U充了數(shù)據(jù)集如百度dureader，確實(shí)可以在長(zhǎng)文中按照標(biāo)準(zhǔn)格式提取關(guān)鍵的短語(yǔ)和短文，幫助客戶在大段文本快速定位所需的說(shuō)明，提升效率。但是機(jī)器閱讀理解非常吃數(shù)據(jù)，對(duì)原始數(shù)據(jù)要求較高，對(duì)垂直領(lǐng)域文本信息不充足，獨(dú)特文字說(shuō)明又很多的業(yè)務(wù)范疇，應(yīng)用效果存疑。

智能客服是一個(gè)意圖非常發(fā)散的領(lǐng)域，客戶問(wèn)法千奇百怪，而對(duì)語(yǔ)義的理解需要海量文本標(biāo)注，涉及很多AutoML，自動(dòng)化標(biāo)注和判別，海量文本特征工程等內(nèi)容，技術(shù)門檻很高，目前雖然開源模型多，但是面對(duì)的語(yǔ)意場(chǎng)景更多，還遠(yuǎn)遠(yuǎn)沒有實(shí)現(xiàn)良好感知，而且新的技術(shù)出現(xiàn)也就是1-2年，目前也就是阿里和百度做的好一些，其他公司都是自行摸索。

總體看，從人臉識(shí)別、物體是別的感知智能，到以自然語(yǔ)言理解和閱讀理解引擎為代表的認(rèn)知智能，跨度很大，技術(shù)進(jìn)步不會(huì)那么快，人工客服必然長(zhǎng)期存在，且不可能完成被AI客服代替，AI客服目前僅僅只是開始而已。