Die Geburt von ChatGPT gab den Startschuss für das moderne KI-Wettrüsten. Die großen Sprachmodelle, vertreten durch GPT-4, ChatGPT, Bard usw., haben weltweit in allen Lebensbereichen große Aufmerksamkeit erregt. In Kombination mit der zugrunde liegenden technischen Logik von ChatGPT gibt es kurz- bis mittelfristig vier allgemeine Richtungen für die Industrialisierung von ChatGPT: nämlich intelligenter Kundenservice, AIGC-Anwendungen der Textmodalität, codeentwicklungsbezogene Arbeiten und Bilderzeugung. Unter diesen ist das für die direkte Umsetzung am besten geeignete Projekt die Arbeit im intelligenten Kundenservice.
Intelligenter Kundenservice, der auf der Technologie großer Modelle aufbaut, verändert den traditionellen Mensch-Computer-Interaktionsprozess grundlegend. Große Modelle generieren automatisch Dialogprozesse, um den Betrieb des intelligenten Kundenservices effizienter zu gestalten. Dies verbessert die Lösungsrate komplexer, verschlungener Probleme, den Grad der Wahrnehmung der Mensch-Computer-Interaktion und die Effizienz operativer Inhalte wie Absichtsverständnis, Prozessaufbau und Wissensgenerierung.
Betrachtet man allein die Produktdurchdringungsrate, so hat sich der intelligente Kundenservice in den letzten sieben bis acht Jahren langsam in den Bereichen E-Commerce, Finanzen und anderen Feldern verbreitet. Die beiden Kernveränderungen, die das große Modell mit sich bringt, sind eine deutliche Senkung der Entwicklungskosten für intelligente Kundenservice-Produkte und eine Verbesserung der Benutzererfahrung.
Um 2016 herum benötigte ein kleines Team von sieben oder acht Personen mehrere Monate, um einen Prototyp für einen intelligenten Kundenservice zu erstellen. Mit einem großen Modell kann dies nun von einem Ingenieur in zwei bis drei Tagen erledigt werden. Obwohl die Produktreife eines Prototyps länger dauert, ist dies im Vergleich zu den früheren Investitionen in Arbeits- und Zeitkosten eine Verringerung um eine Größenordnung.
Darüber hinaus wurden die intelligenten Kundenservice-Produkte der Vergangenheit zwar als „intelligent“ bezeichnet, vermittelten den Nutzern bei der Beantwortung von Fragen jedoch den Eindruck, „stumpf“ zu sein. Im Grunde waren die Antworten vorgefertigte Vorlagen, und die Fragen, die sie beantworten konnten, waren begrenzt. Jetzt kann das große Sprachmodell personalisierte Antworten entsprechend den Fragen des Benutzers und den entsprechenden Standardantworten geben, und es ist in der Benutzererfahrung nicht leicht zu erkennen, ob es sich um einen menschlichen oder einen maschinellen Kundenservice handelt, was eine offensichtliche Verbesserung darstellt.
Mit dem Durchbruch der neuen Generation intelligenter Technologie, insbesondere des großen Modells, das eine leistungsstarke Fähigkeit zur Generierung natürlicher Sprache für den intelligenten Kundenservice bereitstellen kann, wird der intelligente Kundenservice zwangsläufig in eine neue Situation gedrängt, die intelligenter, effizienter und personalisierter ist.
Es muss jedoch beachtet werden, dass, obwohl die Anwendungsaussichten großer Sprachmodelle im Bereich des intelligenten Kundenservices sehr optimistisch aussehen, das Anwendungsszenario großer Sprachmodelle in diesem Stadium noch unausgereift ist: Die Hauptmanifestation ist, dass die generierten Ergebnisse nicht stabil und die Zuverlässigkeit nicht hoch genug ist. In Bezug auf praktische Anwendungsszenarien kann die unüberlegte Einführung eines ausgereiften und markterprobten Produkts in das Modell zu enormen Veränderungen am Produkt führen und sogar die Kundenerfahrung beeinträchtigen und viel menschlichen Aufwand verschwenden.
Modellvorstellung im Bereich des intelligenten Kundenservice
Derzeit sind die Vorteile des intelligenten AIGC-Kundenservice sehr offensichtlich, und mit der kontinuierlichen Weiterentwicklung und Verbesserung der intelligenten AIGC-Kundenservice-Technologie sind auch die Aussichten für ihre Anwendung in den Bereichen Metallurgie, E-Commerce und Logistik sehr optimistisch.
Bevor das große Modell jedoch eine „neue Revolution“ auslöst, müssen wir ihm noch einen guten Weg ebnen und dürfen nicht zu voreilig sein. Im Bereich der intelligenten Kundenservice-Produkte sind Gespräche beispielsweise in der Regel auf bestimmte Geschäftsbereiche und aufgabenorientierte Bedürfnisse beschränkt. Aber Kunden wollen nicht, dass Besucher nur nach einem superintelligenten, verständnisvollen, schreibenden und zeichnenden Chatbot suchen. Konversationelle Inhalte müssen im Geschäftskontext des Unternehmens zusammenlaufen, Kundenservice- und Marketingszenarien bedienen, Probleme lösen und bearbeiten und keine wertvollen Ressourcen verschwenden. Die unkontrollierte Einführung großer Modelle wie ChatGPT direkt in den Kundenservicebereich wird unweigerlich zu enttäuschenden Ergebnissen führen.
Der Aufbau eines großen Modells, das auf Unternehmen angewendet werden kann, ist keine leichte Aufgabe und erfordert in der Regel mehrere Schritte, darunter die Auswahl des großen Modells, die Datenerfassung und -bereinigung, das Modelltraining, das Testen und die Bewertung des Modells, die Feinabstimmung des Modells und die Anwendungsbereitstellung. Spezifische Schritte:
- Auswahl von generischen Open-Source-Großmodellen
- Sammeln von Domänendaten, Verwendung der Domänendaten zum Weitertrainieren des Open-Source-Großmodells (akademisch als Wissensinjektion bezeichnet) und Erhalten des Domänen-Großmodells
- Organisation des Anweisungssatzes von Domänenaufgaben (kann halbautomatisch generiert werden) und Verwendung der Anweisungsdaten zur Feinabstimmung des Domänen-Großmodells
- Screening hochwertiger mehrstufiger Konversationsdaten aus realen Kundenservice-Szenarien und fortgesetzte Feinabstimmung des Domänen-Großmodells (zur Verbesserung der Konversationsfähigkeit des Domänen-Großmodells)
- Sammeln einiger sicherheitsrelevanter Fragen (z. B. zu Politik, sensiblen Themen, Diskriminierung usw.), manuelle Eingabe von Antworten, die den Sicherheitsanforderungen entsprechen, und fortgesetzte Feinabstimmung des großen Modells (Ausrichtung an menschlichen Werten, Normen)
- Modellbereitstellung, Anbindung an das intelligente Kundenservice-System zur Anwendung
Datenvorbereitung
Die Trainingsdaten des Dialogmodells sollten von ausreichender Qualität und Vielfalt sein, um die Generalisierungsfähigkeit des Modells zu verbessern. Konversationsdaten können auf verschiedene Weisen wie Crawler, Q&A-Communitys und Gesprächsaufzeichnungen gewonnen werden. Nach der Datenerfassung sind Datenbereinigung und -vorverarbeitung erforderlich, um die Daten in ein standardisiertes Format und von hoher Qualität zu bringen.
Modelltraining
Nach der Vorbereitung der Trainingsdaten ist es an der Zeit, mit dem Training des großen Modells zu beginnen. Während des Trainingsprozesses müssen geeignete Hyperparameter wie Lernrate, Batch-Größe und Anzahl der Trainingsrunden ausgewählt werden, um die besten Ergebnisse zu erzielen. Darüber hinaus können während des Trainingsprozesses verteilte Trainingstechniken eingesetzt werden, um den Trainingsprozess zu beschleunigen.
Modelloptimierung
Nach Abschluss des Modelltrainings muss das Modell bewertet und optimiert werden, um die Generalisierungsfähigkeit und Effektivität des Modells zu verbessern. Gängige Optimierungsmethoden umfassen die Anpassung von Hyperparametern, das Hinzufügen von Trainingsdaten, die Verwendung von Regularisierungstechniken, das Pruning von Modellen usw. Darüber hinaus können auch Techniken wie die Modelldestillation verwendet werden, um das Wissen von großen Modellen auf kleine Modelle zu übertragen und so die Effektivität kleiner Modelle zu verbessern.
Konversationsgenerierung
Nachdem die Modelle trainiert und optimiert wurden, kann die Dialoggenerierung durchgeführt werden. Die Dialoggenerierung kann auf zwei Arten erfolgen: eine ist die Verwendung eines einzelnen Modells für die Dialoggenerierung, die andere ist die Verwendung mehrerer Modelle für die Dialoggenerierung. Bei der Verwendung eines einzelnen Modells für die Dialoggenerierung muss das Dialogmodell die Fähigkeit haben, sich zu erinnern, d. h. das Modell kann durch kontextbezogene Informationen vernünftigere und kohärentere Dialogantworten generieren. Bei der Verwendung mehrerer Modelle für die Dialoggenerierung kann die Vielfalt der Modelle genutzt werden, um reichhaltigere und vielfältigere Dialogtexte zu generieren.
In einem intelligenten Kundenservice-Produkt gibt es keinen Ort, an dem die Produktivität von Inhalten wichtiger ist als die Wissensdatenbank. Im Allgemeinen verfügen intelligente Kundenservice-Produkte über solche Wissensdatenbanken: interne Wissensdatenbanken, maschinelle Wissensdatenbanken und externe Wissensdatenbanken.
Interne Wissensdatenbanken werden im Allgemeinen als Wissensdatenbanken definiert, die für Echtzeit-Positionierungsabfragen verwendet werden müssen. Da sich das Geschäft eines Unternehmens häufig ändert, muss die Anpassung der Wissensdatenbank zeitnah erfolgen. Die traditionellen Prozesse des Hochladens, Bearbeitens und Organisierens sind sehr arbeitsintensiv. Die Einführung eines großen Modells kann den Mitarbeitern helfen, die Kategorien und Details der Wissensdatenbank auf hocheffiziente und intelligente Weise zu kategorisieren und zu erstellen. Gleichzeitig kann es auch die Nutzung externer Datenquellen erhöhen und die Synchronisierung von Wissensdatenbanken reduzieren. Benutzer können auch Feedback zu Wissenspunkten geben und der Wissensdatenbank helfen, die Gewichtungen automatisch anzupassen, wenn sie in der Praxis verwendet werden.
Die maschinelle Wissensdatenbank ist der Kern von Text- und Sprachmaschinen, die die Fragen der Besucher beantworten können. Der effektive Inhalt der Wissensdatenbank ist entscheidend für die Leistung der Maschine. Um unbekannte Fragen zu klären, müssen Benutzer des intelligenten Kundenservice viel Arbeit investieren. Das automatische Organisieren und Korrelieren unbekannter Fragen mit Benutzerfeedback kann den Betreuern der Wissensdatenbank viel Arbeit ersparen. Gleichzeitig können sie durch die Kombination mehrerer maschineller Wissensquellen verschiedene Kundenszenarien in einer einzigen Sitzung übernehmen, und das große Modell exklusiver maschineller Wissensquellen kann auch bei bestimmten Gelegenheiten eine Rolle spielen und nach und nach einige Frage-Antwort-Maschinen mit starren Mustern aus der Vergangenheit ersetzen.
Die externe Wissensdatenbank muss in intelligente Kundenservice-Produkte integriert werden, und der organisierte Wissensinhalt kann in Ausgabeprodukte umgewandelt werden, die leichter in Wissensdateien, Bilder oder sogar Audio und Video erstellt werden können. Basierend auf der multimodalen AIGC-Fähigkeit von ChatGPT kann schnell ein personalisierter Wissensraum erstellt werden.
Im Allgemeinen nutzen wir die eigene Erstellungsfähigkeit des großen Modells, basierend auf Vektordatenbanken und vertrauenswürdiger Inhaltsprüfungstechnologie, um qualitativ hochwertige Inhalte zur Ergänzung des intelligenten Kundenservice bereitzustellen.
Obwohl der Prozess und die Kette des Aufbaus großer Modelle im Bereich des intelligenten Kundenservice im Grunde klar sind, gibt es im tatsächlichen Implementierungsprozess noch verschiedene Herausforderungen.
Diese Herausforderungen kommen hauptsächlich von der Datenebene sowie von der Ebene der Schnittstellen zu den tatsächlichen Kundensystemszenarien; das Produkt selbst ist eher einfach. Zum Beispiel sind die Kundendaten des neuen Systems, das eingeführt werden soll, Rohdaten und müssen mit hoher Qualität bereinigt und strukturiert werden, um ein besseres Ergebnis zu erzielen, aber dieser Schritt ist sehr schwierig.
Zweitens gibt es beim tieferen Eintauchen in das Geschäft verschiedene Informationen, die in verschiedenen Systemen innerhalb des Kunden verstreut sind, und nur wenn diese Informationen erschlossen werden, kann es eine gute Wirkung und Erfahrung geben. Dies sind die Herausforderungen, die in Zukunft angegangen werden müssen.
Wie bringt man den intelligenten Kundenservice dazu, „menschliche Sprache“ zu sprechen?
Das große Modell, repräsentiert durch ChatGPT, wird heute in vielen Unternehmen für intelligente Kundenservice-Anwendungen eingesetzt. Es kann die Belastung des menschlichen Kundenservice reduzieren, indem es automatisch häufig gestellte Fragen beantwortet, einfache Probleme löst und grundlegende Unterstützung bietet. Das große Sprachmodell wird durch Deep Learning und große Mengen an Sprachdaten trainiert, um menschliche Sprache zu verstehen und zu generieren, sodass Benutzer auf natürliche Weise mit ihm interagieren können. Solche großen Modelle haben recht gute Ergebnisse bei der Beantwortung einiger häufiger Kundenanfragen und -fragen erzielt.
Allerdings haben aktuelle große Sprachmodelle immer noch einige Herausforderungen, wenn sie in der Praxis auf intelligente Kundenservice-Szenarien angewendet werden – sie können falsche oder ungenaue Antworten generieren, insbesondere bei komplexen Fragen oder domänenspezifischem Wissen, was ein höheres Maß an Intelligenz erfordert. Die Zukunft der Online-Kundenservice-Abteilungen wird nicht nur fortschrittlichere Algorithmen und maschinelle Lerntechniken erfordern, sondern auch präzisere Fähigkeiten zur Verarbeitung natürlicher Sprache. Dies wird einen enormen Druck auf Unternehmen ausüben, die technologisch weniger leistungsfähig sind.
Darüber hinaus muss der intelligente Kundenservice mit zunehmender Anzahl von Benutzern und Besuchern in Zukunft riesige Mengen gleichzeitiger Anfragen bewältigen. Dies erfordert Systeme mit speziellen Designs in verschiedenen Bereichen wie Lastausgleich, hohe Skalierbarkeit und hohe Verfügbarkeit.
Viele Dialogroboter auf dem Markt haben heute eine einzige feste Antwort mit relativ geringer Variation, und es gibt immer noch eine Lücke zum echten menschlichen Dialog. Zukünftige intelligente Kundenservice-Systeme müssen die adaptiven und personalisierten Dienste für das Benutzerverhalten weiter stärken. Dies erfordert, dass das System mehr Benutzerdaten und -informationen lernt und sich an unterschiedliche Benutzerverhalten anpasst, um ihnen bessere Dienste und Erlebnisse zu bieten. Die Verbesserung der Benutzererfahrung ist zur Hauptrichtung der Anbieter von intelligentem Kundenservice geworden.
Insbesondere sollten Verbesserungen in Bezug auf humanisierten Service, personalisierten Service und anthropomorphe Dialoginteraktion vorgenommen werden.
Erstens, der humanisierte Service. Auf der Grundlage eines genauen Verständnisses von Szenarien und Absichten kann das Hinzufügen eines wärmeren Dialogkontexts den Roboter in der Anthropomorphisierung weiterbringen. Multimodales emotionales Computing ist ein effektiver Weg, diesen Schritt zu erreichen. Derzeit fördern wir den virtuellen digitalen menschlichen Kundenservice für Mensch-Computer-Interaktionsdialoge, bei dem emotionales Computing kombiniert wird, das die emotionalen Ausdrücke der Benutzer durch Video, Sprache und Text erkennen kann, sodass der intelligente Kundenservice mit entsprechendem emotionalem Feedback reagieren und eine Mensch-Computer-Interaktion mit emotionalem Verständnis und Wärme schaffen kann. Diese multimodale Emotions-Computing-Technologie wird hauptsächlich durch zwei Methoden implementiert, die auf Expertenregeln und maschinellem Lernen basieren. Unter diesen lernt der auf maschinellem Lernen basierende Ansatz automatisch die Klassifizierungskriterien emotionaler Zustände durch das Training von Modellen, was sich besser an den Ausdruck von Emotionen in verschiedenen Domänen und Kontexten anpassen kann, und der Effekt ist relativ besser.
Zweitens, die anthropomorphe dialogbasierte Interaktion. Durch szenariobasierte Designoptimierung, wie z. B. Fragenzerlegung, Themenvererbung, mehrstufiger Dialog, kontextuelles Verständnis usw., kann der Roboter einen dialogbasierten Interaktionsmodus schaffen, der näher an natürlichen Dialogszenarien liegt.
Drittens, der personalisierte Service. Basierend auf individuellen Kundenprofilen werden personalisierte Dienste bereitgestellt, die auf einem vielschichtigen semantischen Verständnis und zusätzlicher Stimm-Emotionserkennung beruhen.
Die Geburt des großen Modells hat dem Bereich des intelligenten Kundenservice zweifellos einen neuen „Nährstoff“ zugeführt. Diese „Innovation“ spiegelt sich in einer Reihe von Aspekten wider, darunter Agentenunterstützung und Agenteneffizienz, Small Talk und Höflichkeiten, Vorschläge zur Optimierung des Diskurses und die Bereitstellung von Korpus-Erweiterungen.
Agentenunterstützung und Agenteneffizienz: In der Vergangenheit war die intelligente Unterstützung eher auf einstufige Gespräche beschränkt, aber die auf großen Modellen basierende Fähigkeit kann schnell kundenorientierte Systemunterstützungsstrategien analysieren und generieren, und eine solche Verarbeitungseffizienz und solche Ergebnisse übertreffen bei weitem das, was durch die alleinige Abhängigkeit von reinen Regeln oder reinen Wissensdatenbanken erreicht werden kann;
Small Talk und Höflichkeiten: eine sehr wichtige Grundfähigkeit des intelligenten Kundenservice, die Unternehmen helfen kann, sofort auf jeden eingehenden Kunden zu reagieren. In der Vergangenheit bestand der Small Talk des intelligenten Kundenservice hauptsächlich darin, verschiedene nicht geschäftsbezogene Korpora in der Materialdatenbank anzuhäufen und auf den Inhalt zu antworten, indem die vorhandenen Schlüsselwörter aus der Datenbank abgerufen wurden. Heutzutage ist es möglich, mit der vollen Hilfe der Fähigkeiten großer Modelle zwanglose Chats anzubieten, um Agenten und Kundenservice in nicht geschäftlichen Bereichen mehr Entscheidungsgrundlagen und Referenzen zu bieten;
Vorschläge zur Gesprächsoptimierung: Das Gespräch bestimmt oft die Wirkung des Kundenservice, und ungenaue Antworten führen direkt zum Verlust von Benutzern. Durch die leistungsstarke Fähigkeit zur Inhaltsgenerierung des großen Modells kann der intelligente Kundenservice die Gesprächstechniken kontinuierlich iterieren und optimieren, um die Kundenzufriedenheit zu verbessern;
Bereitstellung von Korpus-Erweiterungen: In der Kaltstartphase des intelligenten Kundenservice wird oft ein ausreichender Korpus benötigt, um die Wissensdatenbank mit ähnlichen Fragen anzureichern und so eine ausreichend hohe Lösungsrate und Szenarioabdeckung des intelligenten Kundenservice in der Anfangsphase der Einführung zu gewährleisten. In der Vergangenheit war es für das Korpus-Generierungsmodell schwierig, viele vertikale Branchen und Bereiche abzudecken. Das große Modell hat genügend Daten und Korpora im allgemeinen Bereich angesammelt, was den Mangel des Korpus-Generierungsmodells ausgleichen und schnell ähnliche Fragen generieren kann, um die Probleme des unzureichenden Korpus und der geringen Szenarioabdeckung beim Kaltstart des intelligenten Kundenservice zu lösen.
Letztendlich besteht der Kern der Verbesserung der Dialogqualität darin, die Szenarien von Kunden und Benutzern zu verstehen und in der Lage zu sein, einen Datenrahmen zur Messung von Gewinnen und Verlusten aufzubauen. Mit der Kombination dieser beiden wird es einen zyklischen Feedback-Prozess geben, um durch normale Produktiterationen gute Ergebnisse zu erzielen und den ROI messen und mit dem tatsächlichen Geschäft teilen zu können.
Wird AIGC in Zukunft Kundenservice-Mitarbeiter vollständig ersetzen?
Während der Prozess der Digitalisierung der gesamten Gesellschaft immer weiter fortschreitet, beginnen immer mehr Unternehmen, digitale Werkzeuge – intelligente Kundenservice-Systeme – zu nutzen, um einen guten Kundenservice zu leisten, das ultimative Erlebnis zu schaffen und so die Kernwettbewerbsfähigkeit der Unternehmen zu steigern.
Sowohl vertikale als auch allgemeine Anbieter von Kundenservice-Lösungen hoffen, Unternehmen mit der Reife der AIGC-Technologie auf ein höheres Niveau zu bringen. Es ist jedoch noch ein langer Weg, um den Traum in die Realität umzusetzen. Zum Beispiel muss das Input-Output-Verhältnis zwischen Kosten und Nutzen gemessen, die Privatsphäre der Benutzerdaten gewährleistet und relevante Gesetze und Vorschriften eingehalten werden, und die Benutzerfreundlichkeit und Flexibilität des Produkts in verschiedenen Branchenszenarien muss sichergestellt werden.
Was die Kundenservice-Branche betrifft, so geht der Trend dahin, den traditionellen manuellen Kundenservice auf einen intelligenten Kundenservice umzustellen, aber in absehbarer Zukunft kann der intelligente Kundenservice den manuellen Kundenservice nicht vollständig ersetzen. Sie haben unterschiedliche Eigenschaften und Positionierungen, und in Serviceszenarien, in denen komplexe Probleme behandelt und Kunden mit hohem Potenzial betreut werden, ist der menschliche Kundenservice nach wie vor unverzichtbar. Daher müssen Unternehmen die Vorteile des manuellen Kundenservice und des intelligenten Kundenservice entsprechend ihrer tatsächlichen Situation berücksichtigen, um die beste Kundenservice-Strategie zu entwickeln.
Insgesamt hat AIGC in Zukunft einen breiteren Entwicklungsspielraum, und die AIGC- und ChatGPT-ähnlichen Branchen werden sich in den nächsten zwei bis drei Jahren mit hoher Geschwindigkeit entwickeln und weitere Upgrades und Veränderungen für die Internet- und Unternehmensdienstleistungsbranche mit sich bringen.
Es gibt jedoch noch viele Probleme in Bezug auf Inhaltsqualität, Input-Kosten, Datensicherheit, Datenschutzbestimmungen und Urheberrecht. Darüber hinaus werden bessere Modellierungsmethoden für die Generierung langer Texte, die Videogenerierung und die Einbeziehung von Weltwissen benötigt; die Trainings- und Inferenzkosten zur Verbesserung der KI-Fähigkeiten durch Erhöhung der Modellparameter sind hoch, und es müssen wirtschaftlichere und effektivere Wege zur Leistungsverbesserung erforscht werden.
