El nacimiento de ChatGPT disparó el pistoletazo de salida de la carrera armamentística moderna de la IA. Los grandes modelos lingüísticos representados por GPT-4, ChatGTP, Bard, etc., han atraído una gran atención de todos los ámbitos de la vida en todo el mundo. Combinado con la lógica técnica subyacente de ChatGPT, existen cuatro direcciones generales para la industrialización de ChatGPT a corto y medio plazo: a saber, el servicio de atención al cliente inteligente, las aplicaciones AIGC de modalidad de texto, el trabajo relacionado con el desarrollo de código y la generación de imágenes. Entre ellos, el proyecto más adecuado para una implementación directa es el trabajo de servicio de atención al cliente inteligente.
El servicio de atención al cliente inteligente basado en la tecnología de grandes modelos está cambiando fundamentalmente el proceso tradicional de interacción persona-ordenador. Los grandes modelos generan automáticamente procesos de diálogo para hacer más eficiente el funcionamiento del servicio de atención al cliente inteligente, mejorando la tasa de resolución de problemas complejos, el grado de percepción de la interacción persona-ordenador y la eficiencia de los contenidos operativos como la comprensión de intenciones, la construcción de procesos y la generación de conocimiento.
Si nos fijamos únicamente en la tasa de penetración del producto, el servicio de atención al cliente inteligente se ha ido extendiendo lentamente en el comercio electrónico, las finanzas y otros campos en los últimos siete u ocho años. Los dos cambios principales que ha traído el gran modelo son una disminución significativa del coste de desarrollo de los productos de servicio de atención al cliente inteligente y una mejora de la experiencia del usuario.
Alrededor de 2016, un pequeño equipo de siete u ocho personas tardaba varios meses en completar un prototipo de servicio de atención al cliente inteligente. Con un gran modelo, ahora puede hacerlo un ingeniero en dos o tres días. Aunque se tarda más en convertir un prototipo en producto, supone una disminución de un orden de magnitud en comparación con la inversión anterior en costes de mano de obra y tiempo.
Además, aunque los productos de servicio de atención al cliente inteligente del pasado se denominaban «inteligentes», daban a los usuarios la impresión de ser «aburridos» al responder a las preguntas, y básicamente las respuestas eran plantillas preescritas, y las preguntas que podían responder eran limitadas. Ahora el gran modelo lingüístico puede dar respuestas personalizadas según las preguntas del usuario y las correspondientes respuestas estándar, y en la experiencia del usuario no es fácil distinguir si se trata de un agente humano o de un servicio de atención al cliente automático, lo que supone una mejora evidente.
Con el avance de la nueva generación de tecnología inteligente, especialmente el gran modelo que puede proporcionar una potente capacidad de generación de lenguaje natural para el servicio de atención al cliente inteligente, está destinado a impulsar el servicio de atención al cliente inteligente a una nueva situación más inteligente, eficiente y personalizada.
Sin embargo, hay que señalar que, aunque las perspectivas de aplicación de los grandes modelos lingüísticos en el campo del servicio de atención al cliente inteligente parecen muy optimistas, el escenario de aplicación de los grandes modelos lingüísticos es todavía inmaduro en esta fase: la principal manifestación es que los resultados generados no son estables y la fiabilidad no es lo suficientemente alta. En cuanto a los escenarios de aplicación práctica, si un producto maduro y probado en el mercado se introduce precipitadamente en el modelo, puede traer enormes cambios al producto e incluso afectar a la experiencia del cliente y desperdiciar una gran cantidad de esfuerzo humano.
Presentación del modelo en el campo del servicio de atención al cliente inteligente
Actualmente, las ventajas del servicio de atención al cliente inteligente de AIGC son muy evidentes, y con la continua actualización y mejora de la tecnología de servicio al cliente inteligente de AIGC, la perspectiva de su aplicación en los campos de la metalurgia, el comercio electrónico y la logística también es muy optimista.
Sin embargo, antes de que el gran modelo desencadene una revolución de "nueva revolución", todavía tenemos que prepararle un buen camino y no podemos ser demasiado precipitados. Por ejemplo, en el campo de los productos de servicio al cliente inteligente, las conversaciones suelen limitarse a áreas de negocio específicas y a necesidades orientadas a tareas. Pero los clientes no quieren que los visitantes entren buscando simplemente un chatbot superinteligente, comprensivo, que escriba y dibuje. El contenido conversacional debe converger dentro del contexto empresarial de la empresa, sirviendo a escenarios de atención al cliente y marketing, resolviendo y manejando problemas, y no desperdiciando recursos valiosos. Introducir grandes modelos como ChatGPT directamente en el dominio del servicio al cliente sin control conducirá inevitablemente a resultados decepcionantes.
Construir un gran modelo que pueda aplicarse a los negocios no es una tarea fácil, y generalmente requiere varios pasos, incluyendo la selección del gran modelo, la recopilación y limpieza de datos, el entrenamiento del modelo, las pruebas y evaluación del modelo, el ajuste fino del modelo y el despliegue de la aplicación. Pasos específicos:
- Seleccionar grandes modelos genéricos de código abierto
- Recopilar datos del dominio, usar los datos del dominio para continuar entrenando el gran modelo de código abierto (académicamente llamado inyección de conocimiento), y obtener el gran modelo del dominio
- Organizar el conjunto de instrucciones de las tareas del dominio (se puede generar de forma semiautomática), y usar los datos de instrucción para ajustar el gran modelo del dominio
- Seleccionar datos de conversaciones multivuelta de alta calidad del servicio de atención al cliente en escenarios reales y continuar ajustando el gran modelo del dominio (para mejorar la capacidad de conversación del gran modelo del dominio)
- Recopilar algunas preguntas relacionadas con la seguridad (p. ej., que involucren política, temas sensibles, discriminación, etc.), dar manualmente respuestas que cumplan con los requisitos de seguridad y continuar ajustando el gran modelo (alineándolo con los valores y normas humanas)
- Despliegue del modelo, acoplamiento al sistema de servicio al cliente inteligente para su aplicación
Preparación de datos
Los datos de entrenamiento del modelo de diálogo deben tener la calidad y diversidad suficientes para mejorar la capacidad de generalización del modelo. Los datos de conversación se pueden obtener a través de diversas formas, como rastreadores web, comunidades de preguntas y respuestas y registros de conversaciones. Después de obtener los datos, es necesario realizar una limpieza y un preprocesamiento de los datos para que estén en un formato estandarizado y de alta calidad.
Entrenamiento del modelo
Después de preparar los datos de entrenamiento, es hora de comenzar a entrenar el modelo grande. Durante el proceso de entrenamiento, es necesario seleccionar los hiperparámetros adecuados, como la tasa de aprendizaje, el tamaño del lote y el número de rondas de entrenamiento, para lograr los mejores resultados. Además, se pueden utilizar técnicas de entrenamiento distribuido durante el proceso de entrenamiento para acelerarlo.
Optimización del modelo
Una vez completado el entrenamiento del modelo, es necesario evaluarlo y optimizarlo para mejorar su capacidad de generalización y eficacia. Los métodos de optimización comunes incluyen el ajuste de hiperparámetros, la adición de datos de entrenamiento, el uso de técnicas de regularización, la poda de modelos, etc. Además, también se pueden utilizar técnicas como la destilación de modelos para transferir el conocimiento de los modelos grandes a los modelos pequeños y mejorar la eficacia de estos últimos.
Generación de conversaciones
Una vez que los modelos están entrenados y optimizados, se puede realizar la generación de diálogos. La generación de diálogos se puede lograr de dos maneras: una es usar un solo modelo para la generación de diálogos y la otra es usar múltiples modelos para la generación de diálogos. Cuando se utiliza un solo modelo para la generación de diálogos, el modelo de diálogo necesita tener la capacidad de recordar, es decir, el modelo puede generar respuestas de diálogo más razonables y coherentes mediante la información contextual. Cuando se utilizan múltiples modelos para la generación de diálogos, la diversidad de modelos se puede utilizar para generar textos de diálogo más ricos y diversos.
En un producto de servicio al cliente inteligente, no hay lugar donde la productividad del contenido sea más importante que la base de conocimientos. Generalmente, los productos de servicio al cliente inteligente tienen estas bases de conocimientos: bases de conocimientos internas, bases de conocimientos de la máquina y bases de conocimientos externas.
En cuanto a las bases de conocimientos internas, generalmente se definen como bases de conocimientos que deben utilizarse para consultas de posicionamiento en tiempo real. Como el negocio de una empresa cambia con frecuencia, el ajuste de la base de conocimientos debe realizarse de manera oportuna. Los procesos tradicionales de carga, edición y organización requieren mucho trabajo. La introducción de un modelo grande puede ayudar a los empleados a categorizar y crear las categorías y los detalles de la base de conocimientos de una manera altamente eficiente e inteligente. Al mismo tiempo, también puede aumentar el uso de fuentes de datos externas y reducir la sincronización de las bases de conocimientos. Los usuarios también pueden dar su opinión sobre los puntos de conocimiento y ayudar a la base de conocimientos a ajustar los pesos automáticamente cuando se utilizan en la práctica.
La base de conocimientos de la máquina es el núcleo de las máquinas de texto y voz que pueden responder a las preguntas de los visitantes. El contenido efectivo de la base de conocimientos es crucial para el rendimiento de la máquina. Para clasificar las preguntas desconocidas, los usuarios del servicio de atención al cliente inteligente deben realizar una gran cantidad de trabajo. Organizar y correlacionar automáticamente las preguntas desconocidas con los comentarios de los usuarios puede ahorrar mucho trabajo a los mantenedores de la base de conocimientos. Al mismo tiempo, mediante la combinación de múltiples bases de conocimiento de la máquina, pueden hacerse cargo de diferentes escenarios de clientes en una sola sesión, y el gran modelo de bases de conocimiento de la máquina exclusivas también puede desempeñar un papel en ocasiones específicas y reemplazar gradualmente algunas bases de conocimiento de preguntas y respuestas con patrones rígidos del pasado.
La base de conocimientos externa debe integrarse en los productos de servicio al cliente inteligente, y el contenido de conocimiento organizado puede transformarse en productos de salida, que pueden crearse más fácilmente en archivos de conocimiento, imágenes o incluso audio y video. Basándose en la capacidad AIGC multimodal de ChatGPT, se puede crear rápidamente un espacio de conocimiento personalizado.
En términos generales, utilizamos la propia capacidad de creación del modelo grande, basada en una base de datos vectorial y tecnología de revisión de contenido de confianza, para proporcionar contenido de alta calidad que complemente el servicio de atención al cliente inteligente.
Aunque el proceso y la cadena de construcción de grandes modelos en el campo del servicio al cliente inteligente están básicamente claros, todavía existen varios desafíos en el proceso de implementación real.
Estos desafíos provienen principalmente del nivel de los datos, así como del nivel de interconexión con los escenarios reales del sistema del cliente; el producto en sí es bastante fácil. Por ejemplo, los datos del cliente del nuevo sistema que se va a implementar son datos brutos y necesitan ser limpiados con alta calidad y estructurados para tener un mejor resultado, pero este paso es muy difícil.
El segundo es que al profundizar realmente en el negocio, habrá diversa información dispersa en varios sistemas dentro del cliente, y solo cuando esta información se abra podrá haber un buen efecto y experiencia. Estos son los desafíos que deben abordarse en el futuro.
¿Cómo hacer que el servicio de atención al cliente inteligente hable "lenguaje humano"?
El gran modelo representado por ChatGPT se utiliza ahora en muchas empresas para aplicaciones de servicio al cliente inteligente. Puede reducir la carga del servicio al cliente humano respondiendo automáticamente a preguntas comunes, resolviendo problemas simples y proporcionando soporte básico. El Gran Modelo de Lenguaje se entrena mediante aprendizaje profundo y grandes cantidades de datos lingüísticos para comprender y generar lenguaje humano, lo que permite a los usuarios interactuar con él de forma natural. Dichos grandes modelos han logrado resultados bastante buenos al responder algunas consultas y preguntas comunes de los clientes.
Sin embargo, los grandes modelos de lenguaje actuales todavía tienen algunos desafíos cuando se aplican en la práctica a escenarios de servicio al cliente inteligente: pueden generar respuestas incorrectas o inexactas, especialmente para preguntas complejas o conocimiento específico del dominio, lo que requiere un mayor nivel de inteligencia. El futuro de los departamentos de atención al cliente en línea requerirá no solo algoritmos y técnicas de aprendizaje automático más avanzados, sino también capacidades de procesamiento del lenguaje natural más precisas. Esto ejercerá una enorme presión sobre las empresas que son menos poderosas tecnológicamente.
Además, a medida que aumenta el número de usuarios y visitantes, el servicio de atención al cliente inteligente deberá gestionar mega solicitudes concurrentes en el futuro. Esto requerirá sistemas con diseños especiales en una variedad de áreas, como el equilibrio de carga, la alta escalabilidad y la alta disponibilidad.
Muchos robots de diálogo en el mercado ahora tienen una única respuesta fija con relativamente poca variación, y todavía hay una brecha con el diálogo real de persona a persona. Los futuros sistemas de servicio al cliente inteligente necesitarán fortalecer aún más los servicios adaptativos y personalizados para el comportamiento del usuario. Esto requiere que el sistema aprenda más datos e información del usuario, y se adapte a los diferentes comportamientos de los usuarios para proporcionarles mejores servicios y experiencias. Cómo mejorar la experiencia del usuario se ha convertido en la dirección principal de los proveedores de servicios de atención al cliente inteligentes.
Específicamente, se deben realizar mejoras en términos de servicio humanizado, servicio personalizado e interacción de diálogo antropomórfico.
Primero está el servicio humanizado. Sobre la base de una comprensión precisa de los escenarios y las intenciones, agregar un contexto de diálogo más cálido puede hacer que el robot avance más en el antropomorfismo. La computación emocional multimodal es una forma eficaz de lograr este paso. Actualmente, estamos promoviendo el servicio de atención al cliente humano digital virtual para diálogos de interacción humano-computadora, en el proceso de combinar la computación emocional, que puede reconocer las expresiones emocionales transmitidas por los usuarios a través de video, voz y texto, para que el servicio de atención al cliente inteligente pueda responder con la retroalimentación emocional correspondiente y crear una interacción humano-computadora con comprensión emocional y calidez. Esta tecnología de computación emocional multimodal se implementa principalmente mediante dos métodos basados en reglas de expertos y aprendizaje automático. Entre ellos, el enfoque basado en el aprendizaje automático aprende automáticamente los criterios de clasificación de los estados emocionales mediante el entrenamiento de modelos, que pueden adaptarse mejor a la expresión de emociones en diferentes dominios y contextos, y el efecto es relativamente mejor.
El segundo es la interacción basada en el diálogo antropomórfico. A través de la optimización del diseño basado en escenarios, como el desglose de preguntas, la herencia de temas, el diálogo multivuelta, la comprensión contextual, etc., el robot puede ofrecer un modo de interacción basado en el diálogo que se acerca más a los escenarios de diálogo natural.
El tercero es el servicio personalizado. De acuerdo con el perfil del cliente de mil personas para proporcionar servicios personalizados, desde múltiples perspectivas de comprensión semántica, además de la discriminación adicional de las emociones de la voz.
El nacimiento del gran modelo sin duda ha inyectado un nuevo "nutriente" en el campo del servicio al cliente inteligente. Esta "innovación" se refleja en una serie de aspectos, que incluyen la asistencia y la eficiencia del agente, la charla trivial y las cortesías, las sugerencias para optimizar el discurso y la provisión de expansión del corpus.
Asistencia y eficiencia del agente: en el pasado, la asistencia inteligente se limitaba más a conversaciones de una sola ronda, pero la capacidad basada en modelos grandes puede analizar y generar rápidamente estrategias de soporte del sistema orientadas al cliente, y dicha eficiencia y resultados de procesamiento superan con creces lo que se puede lograr confiando en reglas puras o en una base de conocimientos pura;
Charla trivial y cortesías: una capacidad básica muy clave del servicio de atención al cliente inteligente, que puede ayudar a las empresas a responder instantáneamente a cualquier cliente entrante. En el pasado, la charla trivial del servicio de atención al cliente inteligente consistía principalmente en acumular varios corpus no relacionados con el negocio en la base de datos de material y responder al contenido recuperando las palabras clave existentes de la base de datos. Hoy en día, es posible proporcionar charlas ociosas con la ayuda total de las capacidades del modelo grande para proporcionar más bases de toma de decisiones y referencias para los agentes y el servicio al cliente en áreas no comerciales;
Sugerencias para la optimización de la conversación: la conversación a menudo determina el efecto del servicio al cliente, y las respuestas imprecisas conducirán directamente a la pérdida de usuarios. A través de la potente capacidad de generación de contenido del modelo grande, el servicio de atención al cliente inteligente puede iterar y optimizar continuamente las técnicas de conversación para mejorar la satisfacción del cliente;
Proporcionar expansión del corpus: en la fase de arranque en frío del servicio de atención al cliente inteligente, a menudo se necesita suficiente corpus para enriquecer la base de conocimientos de preguntas similares para garantizar una tasa de solución y una cobertura de escena suficientemente altas del servicio de atención al cliente inteligente en la etapa inicial de lanzamiento. En el pasado, era difícil para el modelo de generación de corpus cubrir muchas industrias y campos verticales. El modelo grande ha acumulado suficientes datos y corpus en el campo general, lo que puede compensar la escasez del modelo de generación de corpus y generar rápidamente preguntas similares para resolver los problemas de corpus insuficiente y baja cobertura de escena del arranque en frío del servicio de atención al cliente inteligente.
En última instancia, el núcleo de la mejora de la calidad del diálogo es comprender los escenarios de los clientes y usuarios, y ser capaz de construir un marco de datos para medir las ganancias y las pérdidas. Con la combinación de estos dos, habrá un proceso de retroalimentación cíclico para lograr buenos resultados a través de iteraciones normales del producto y poder medir el ROI y compartirlo con el negocio real.
En el futuro, ¿reemplazará AIGC por completo a los agentes de servicio al cliente?
A medida que el proceso de digitalización de toda la sociedad se adentra en aguas más profundas, cada vez más empresas comienzan a utilizar herramientas digitales (sistemas de servicio al cliente inteligentes) para hacer un buen trabajo en el servicio al cliente, crear la experiencia definitiva y, por lo tanto, mejorar la competitividad central de las empresas.
Tanto los proveedores de servicios de atención al cliente de función vertical como los de función general esperan llevar a las empresas a un nivel superior con la madurez de la tecnología AIGC. Sin embargo, todavía queda un largo camino por recorrer para convertir el sueño en realidad. Por ejemplo, es necesario medir la relación entrada-salida entre el costo y el beneficio, garantizar la privacidad de los datos del usuario y cumplir con las leyes y regulaciones pertinentes, y garantizar la usabilidad y flexibilidad del producto en diferentes escenarios de la industria.
En lo que respecta a la industria del servicio al cliente, la tendencia es actualizar el servicio al cliente manual tradicional a un servicio al cliente inteligente, pero en el futuro previsible, el servicio al cliente inteligente no puede reemplazar por completo al servicio al cliente manual. Tienen diferentes características y posicionamiento, y en escenarios de servicio donde se manejan problemas complejos y se da seguimiento a clientes de alto potencial, el servicio al cliente humano sigue siendo indispensable. Por lo tanto, las empresas deben considerar las ventajas del servicio al cliente manual y el servicio al cliente inteligente de acuerdo con su situación real, para desarrollar la mejor estrategia de servicio al cliente.
En general, AIGC tiene un espacio de desarrollo más amplio en el futuro, y las industrias de AIGC y similares a ChatGPT se desarrollarán a alta velocidad en los próximos dos o tres años, trayendo más actualizaciones y cambios a las industrias de Internet y de servicios empresariales.
Sin embargo, todavía hay muchos problemas en términos de calidad del contenido, costo de entrada, seguridad de los datos, regulación de la privacidad y propiedad de los derechos de autor. Además, se necesitan mejores métodos de modelado para la generación de texto largo, la generación de video y la incorporación de conocimiento del mundo; los costos de entrenamiento y razonamiento para mejorar las capacidades de la IA aumentando los parámetros del modelo son altos, y es necesario explorar formas más económicas y efectivas de mejorar el rendimiento.
