La naissance de ChatGPT a marqué le début de la course à l'armement de l'IA moderne. Les grands modèles de langage représentés par GPT-4, ChatGPT, Bard, etc. ont attiré une large attention de tous les secteurs à travers le monde. En combinant la logique technique sous-jacente de ChatGPT, il existe quatre directions générales pour l'industrialisation de ChatGPT à court et moyen terme : le service client intelligent, les applications AIGC de modalité textuelle, les travaux liés au développement de code et la génération d'images. Parmi celles-ci, le projet le plus adapté à une mise en œuvre directe est le service client intelligent.
Le service client intelligent basé sur la technologie des grands modèles change fondamentalement le processus traditionnel d'interaction homme-machine. Les grands modèles génèrent automatiquement des processus de dialogue pour rendre le fonctionnement du service client intelligent plus efficace, améliorant le taux de résolution des problèmes complexes, le degré de perception de l'interaction homme-machine et l'efficacité du contenu opérationnel tel que la compréhension des intentions, la construction de processus et la génération de connaissances.
Si l'on considère uniquement le taux de pénétration des produits, le service client intelligent s'est lentement répandu dans le commerce électronique, la finance et d'autres domaines au cours des sept à huit dernières années. Les deux changements fondamentaux apportés par le grand modèle sont une diminution significative du coût de développement des produits de service client intelligent et une amélioration de l'expérience utilisateur.
Vers 2016, il fallait plusieurs mois à une petite équipe de sept ou huit personnes pour réaliser un prototype de service client intelligent. Avec un grand modèle, cela peut maintenant être fait par un seul ingénieur en deux ou trois jours. Bien qu'il faille plus de temps pour industrialiser un produit prototype, il s'agit d'une diminution d'un ordre de grandeur par rapport à l'investissement précédent en coûts de main-d'œuvre et de temps.
De plus, bien que les produits de service client intelligent du passé aient été qualifiés d'« intelligents », ils donnaient aux utilisateurs l'impression d'être « ennuyeux » lorsqu'ils répondaient aux questions, et les réponses étaient essentiellement des modèles pré-écrits, et les questions auxquelles ils pouvaient répondre étaient limitées. Désormais, le grand modèle de langage peut donner des réponses personnalisées en fonction des questions de l'utilisateur et des réponses standard correspondantes, et il n'est pas facile de dire s'il s'agit d'un service client humain ou machine dans l'expérience utilisateur, ce qui constitue une amélioration évidente.
Avec la percée de la nouvelle génération de technologie intelligente, en particulier le grand modèle qui peut fournir une puissante capacité de génération de langage naturel pour le service client intelligent, il est inévitable que le service client intelligent soit poussé vers une nouvelle situation plus intelligente, efficace et personnalisée.
Cependant, il convient de noter que bien que la perspective d'application des grands modèles de langage dans le domaine du service client intelligent semble très optimiste, le scénario d'application des grands modèles de langage est encore immature à ce stade : la principale manifestation est que les résultats générés ne sont pas stables et que la fiabilité n'est pas assez élevée. En termes de scénarios d'application pratiques, si un produit mature et éprouvé sur le marché est introduit de manière précipitée dans le modèle, cela peut entraîner des changements énormes pour le produit et même affecter l'expérience client et gaspiller beaucoup d'efforts humains.
Dévoilement du modèle dans le domaine du service client intelligent
Actuellement, les avantages du service client intelligent AIGC sont très évidents, et avec la mise à niveau et l'amélioration continues de la technologie du service client intelligent AIGC, les perspectives de son application dans les domaines de la métallurgie, du commerce électronique et de la logistique sont également très optimistes.
Cependant, avant que le grand modèle ne déclenche une révolution de la « nouvelle révolution », nous devons encore lui préparer le terrain et ne pas être trop pressés. Par exemple, dans le domaine des produits de service client intelligent, les conversations sont généralement limitées à des domaines d'activité spécifiques et à des besoins axés sur les tâches. Mais les clients ne veulent pas que les visiteurs viennent simplement à la recherche d'un chatbot super intelligent, compréhensif, capable d'écrire et de dessiner. Le contenu conversationnel doit converger dans le contexte commercial de l'entreprise, servir les scénarios de service client et de marketing, résoudre et traiter les problèmes, et ne pas gaspiller de précieuses ressources. L'introduction de grands modèles comme ChatGPT directement dans le domaine du service client sans contrôle conduira inévitablement à des résultats décevants.
Construire un grand modèle applicable aux entreprises n'est pas une tâche facile et nécessite généralement plusieurs étapes, notamment la sélection du grand modèle, la collecte et le nettoyage des données, l'entraînement du modèle, les tests et l'évaluation du modèle, l'ajustement fin du modèle et le déploiement de l'application. Étapes spécifiques :
- Sélectionner des grands modèles génériques open source
- Collecter des données de domaine, utiliser les données de domaine pour continuer à entraîner le grand modèle open source (appelé académiquement injection de connaissances), et obtenir le grand modèle de domaine
- Organiser l'ensemble d'instructions des tâches de domaine (peut être généré de manière semi-automatique), et utiliser les données d'instruction pour affiner le grand modèle de domaine
- Filtrer les données de conversation multi-tours de service client de haute qualité de scénarios réels, et continuer à affiner le grand modèle de domaine (pour améliorer la capacité de conversation du grand modèle de domaine)
- Collecter quelques questions liées à la sécurité (par exemple, impliquant la politique, des sujets sensibles, la discrimination, etc.), donner manuellement des réponses qui répondent aux exigences de sécurité, et continuer à affiner le grand modèle (alignement sur les valeurs et les normes humaines)
- Déploiement du modèle, intégration au système de service client intelligent pour l'application
Préparation des données
Les données d'entraînement du modèle de dialogue doivent être de qualité et de diversité suffisantes pour améliorer la capacité de généralisation du modèle. Les données de conversation peuvent être obtenues de diverses manières, telles que les robots d'indexation, les communautés de questions-réponses et les enregistrements de conversation. Après avoir obtenu les données, un nettoyage et un prétraitement des données sont nécessaires pour que les données soient dans un format standardisé et de haute qualité.
Entraînement du modèle
Après avoir préparé les données d'entraînement, il est temps de commencer à entraîner le grand modèle. Pendant le processus d'entraînement, des hyperparamètres appropriés, tels que le taux d'apprentissage, la taille du lot et le nombre de tours d'entraînement, doivent être sélectionnés pour obtenir les meilleurs résultats. De plus, des techniques d'entraînement distribué peuvent être utilisées pendant le processus d'entraînement pour l'accélérer.
Optimisation du modèle
Une fois l'entraînement du modèle terminé, le modèle doit être évalué et optimisé pour améliorer sa capacité de généralisation et son efficacité. Les méthodes d'optimisation courantes incluent l'ajustement des hyperparamètres, l'ajout de données d'entraînement, l'utilisation de techniques de régularisation, l'élagage des modèles, etc. De plus, des techniques telles que la distillation de modèle peuvent également être utilisées pour transférer les connaissances des grands modèles aux petits modèles afin d'améliorer l'efficacité de ces derniers.
Génération de conversation
Une fois les modèles entraînés et optimisés, la génération de dialogue peut être effectuée. La génération de dialogue peut être réalisée de deux manières : l'une consiste à utiliser un seul modèle pour la génération de dialogue, et l'autre à utiliser plusieurs modèles pour la génération de dialogue. Lors de l'utilisation d'un seul modèle pour la génération de dialogue, le modèle de dialogue doit avoir la capacité de se souvenir, c'est-à-dire que le modèle peut générer des réponses de dialogue plus raisonnables et cohérentes grâce aux informations contextuelles. Lors de l'utilisation de plusieurs modèles pour la génération de dialogue, la diversité des modèles peut être utilisée pour générer des textes de dialogue plus riches et plus variés.
Dans un produit de service client intelligent, il n'y a pas d'endroit où la productivité du contenu est plus importante que la base de connaissances. Généralement, les produits de service client intelligent ont de telles bases de connaissances : des bases de connaissances internes, des bases de connaissances machine et des bases de connaissances externes.
Pour les bases de connaissances internes, elles sont généralement définies comme des bases de connaissances qui doivent être utilisées pour des requêtes de positionnement en temps réel. Comme les activités d'une entreprise changent fréquemment, l'ajustement de la base de connaissances doit être effectué en temps opportun. Les processus traditionnels de téléchargement, d'édition et d'organisation sont très laborieux. L'introduction d'un grand modèle peut aider les employés à catégoriser et à créer les catégories et les détails de la base de connaissances de manière très efficace et intelligente. En même temps, cela peut également augmenter l'utilisation de sources de données externes et réduire la synchronisation des bases de connaissances. Les utilisateurs peuvent également donner leur avis sur les points de connaissance et aider la base de connaissances à ajuster automatiquement les poids lorsqu'ils sont utilisés en pratique.
La base de connaissances du robot est le cœur des machines textuelles et vocales qui peuvent répondre aux questions des visiteurs. Le contenu efficace de la base de connaissances est crucial pour les performances de la machine. Pour trier les questions inconnues, les utilisateurs du service client intelligent doivent fournir un travail considérable. L'organisation et la corrélation automatiques des questions inconnues avec les commentaires des utilisateurs peuvent épargner beaucoup de travail aux mainteneurs de la base de connaissances. En même temps, grâce à la combinaison de plusieurs robots, ils peuvent prendre en charge différents scénarios de clients en une seule session, et le grand modèle de robots exclusifs peut également jouer un rôle dans des occasions spécifiques et remplacer progressivement certains robots de questions-réponses aux schémas rigides du passé.
La base de connaissances externe doit être intégrée dans les produits de service client intelligent, et le contenu de connaissances organisé peut être transformé en produits de sortie, qui peuvent être plus facilement créés sous forme de fichiers de connaissances, d'images, ou même d'audio et de vidéo. Basé sur la capacité AIGC multimodale de ChatGPT, un espace de connaissances personnalisé peut être créé rapidement.
De manière générale, nous utilisons la propre capacité de création du grand modèle, basée sur une base de données vectorielle et une technologie de révision de contenu de confiance, pour fournir un contenu de haute qualité afin de compléter le service client intelligent.
Bien que le processus et la chaîne de construction de grands modèles dans le domaine du service client intelligent soient fondamentalement clairs, il existe encore divers défis dans le processus de mise en œuvre réel.
Ces défis proviennent principalement du niveau des données, ainsi que du niveau de l'interfaçage avec les scénarios réels du système client, le produit lui-même étant plutôt simple. Par exemple, les données client du nouveau système à mettre en place sont elles-mêmes des données brutes et doivent être nettoyées avec des données structurées et de haute qualité pour obtenir un meilleur résultat, mais cette étape est très difficile.
Le deuxième est que, lorsqu'on approfondit réellement l'activité, diverses informations sont dispersées dans divers systèmes chez le client, et ce n'est que lorsque ces informations sont décloisonnées qu'un bon effet et une bonne expérience peuvent être obtenus. Ce sont les défis qui devront être relevés à l'avenir.
Comment faire en sorte que le service client intelligent parle un « langage humain » ?
Le grand modèle représenté par ChatGPT est maintenant utilisé dans de nombreuses entreprises pour des applications de service client intelligent. Il peut réduire la charge du service client humain en répondant automatiquement aux questions courantes, en résolvant des problèmes simples et en fournissant un support de base. Le grand modèle de langage est entraîné par l'apprentissage profond et de grandes quantités de données linguistiques pour comprendre et générer le langage humain, permettant aux utilisateurs d'interagir avec lui de manière naturelle. De tels grands modèles ont obtenu de très bons résultats pour répondre à certaines requêtes et questions courantes des clients.
Cependant, les grands modèles de langage actuels présentent encore certains défis lorsqu'ils sont appliqués en pratique à des scénarios de service client intelligent - ils peuvent générer des réponses erronées ou inexactes, en particulier pour des questions complexes ou des connaissances spécifiques à un domaine, ce qui nécessite un niveau d'intelligence plus élevé. L'avenir des services clients en ligne exigera non seulement des algorithmes et des techniques d'apprentissage automatique plus avancés, mais aussi des capacités de traitement du langage naturel plus précises. Cela exercera une pression énorme sur les entreprises moins puissantes sur le plan technologique.
De plus, à mesure que le nombre d'utilisateurs et de visiteurs augmente, le service client intelligent devra à l'avenir gérer des méga-requêtes simultanées. Cela nécessitera des systèmes avec des conceptions spéciales dans divers domaines, tels que l'équilibrage de charge, une haute évolutivité et une haute disponibilité.
De nombreux robots de dialogue sur le marché ont maintenant une seule réponse fixe avec relativement peu de variation, et il y a encore un écart avec un véritable dialogue d'humain à humain. Les futurs systèmes de service client intelligent devront renforcer davantage les services adaptatifs et personnalisés au comportement de l'utilisateur. Cela nécessite que le système apprenne davantage de données et d'informations sur les utilisateurs, et s'adapte aux différents comportements des utilisateurs pour leur fournir de meilleurs services et expériences. Comment améliorer l'expérience utilisateur est devenue la principale direction des fournisseurs de services clients intelligents.
Plus précisément, des améliorations devraient être apportées en termes de service humanisé, de service personnalisé et d'interaction de dialogue anthropomorphique.
Premièrement, le service humanisé. Sur la base d'une compréhension précise des scénarios et des intentions, l'ajout d'un contexte de dialogue plus chaleureux peut faire progresser le robot dans l'anthropomorphisme. L'informatique émotionnelle multimodale est un moyen efficace d'atteindre cette étape. Actuellement, nous promouvons le service client humain numérique virtuel pour les dialogues d'interaction homme-machine, dans le processus de combinaison de l'informatique émotionnelle, qui peut reconnaître les expressions émotionnelles transmises par les utilisateurs par vidéo, voix et texte, afin que le service client intelligent puisse répondre avec un retour émotionnel correspondant et créer une interaction homme-machine avec une compréhension et une chaleur émotionnelles. Cette technologie d'informatique émotionnelle multimodale est principalement mise en œuvre par deux méthodes basées sur des règles d'experts et l'apprentissage automatique. Parmi elles, l'approche basée sur l'apprentissage automatique apprend automatiquement les critères de classification des états émotionnels en entraînant des modèles, ce qui peut mieux s'adapter à l'expression des émotions dans différents domaines et contextes, et l'effet est relativement meilleur.
Le deuxième est l'interaction basée sur le dialogue anthropomorphique. Grâce à l'optimisation de la conception basée sur des scénarios, tels que le démantèlement des questions, l'héritage des sujets, le dialogue multi-tours, la compréhension contextuelle, etc., le robot peut apporter un mode d'interaction basé sur le dialogue qui est plus proche des scénarios de dialogue naturel.
Le troisième est le service personnalisé. Fournir des services personnalisés en fonction de profils clients variés, à partir de multiples perspectives de compréhension sémantique, en plus de la discrimination supplémentaire des émotions vocales.
La naissance du grand modèle a sans aucun doute injecté un nouveau « nutriment » dans le domaine du service client intelligent. Cette « innovation » se reflète dans un certain nombre d'aspects, notamment l'assistance aux agents et l'efficacité des agents, les conversations informelles et les amabilités, les suggestions pour optimiser le discours et la fourniture d'une expansion du corpus.
Assistance aux agents et efficacité des agents : Dans le passé, l'assistance intelligente était plus limitée aux conversations à un seul tour, mais la capacité basée sur de grands modèles peut rapidement analyser et générer des stratégies de support système orientées client, et une telle efficacité de traitement et de tels résultats dépassent de loin ce qui peut être atteint en s'appuyant sur de pures règles ou une pure base de connaissances ;
Conversations informelles et amabilités : une capacité de base très essentielle du service client intelligent, qui peut aider les entreprises à répondre instantanément à tout client entrant. Dans le passé, les conversations informelles du service client intelligent consistaient principalement à empiler divers corpus non liés à l'entreprise dans la base de données de matériel et à répondre au contenu en récupérant les mots-clés existants de la base de données. De nos jours, il est possible de fournir des conversations informelles avec l'aide complète des capacités des grands modèles pour fournir une base de décision et une référence plus importantes pour les agents et le service client dans les domaines non commerciaux ;
Suggestions pour l'optimisation de la conversation : La conversation détermine souvent l'effet du service client, et des réponses imprécises entraîneront directement la perte d'utilisateurs. Grâce à la puissante capacité de génération de contenu du grand modèle, le service client intelligent peut continuellement itérer et optimiser les techniques de conversation pour améliorer la satisfaction client ;
Fournir une expansion du corpus : Dans la phase de démarrage à froid du service client intelligent, il a souvent besoin d'un corpus suffisant pour enrichir la base de connaissances de questions similaires afin d'assurer un taux de résolution et une couverture de scène suffisamment élevés du service client intelligent au début du lancement. Dans le passé, il était difficile pour le modèle de génération de corpus de couvrir de nombreuses industries et domaines verticaux. Le grand modèle a accumulé suffisamment de données et de corpus dans le domaine général, ce qui peut combler la pénurie du modèle de génération de corpus et générer rapidement des questions similaires pour résoudre les problèmes de corpus insuffisant et de faible couverture de scène du démarrage à froid du service client intelligent.
En fin de compte, le cœur de l'amélioration de la qualité du dialogue est de comprendre les scénarios des clients et des utilisateurs, et d'être capable de construire un cadre de données pour mesurer les gains et les pertes. Avec la combinaison de ces deux éléments, il y aura un processus de rétroaction cyclique pour obtenir de bons résultats grâce à des itérations de produit normales et être en mesure de mesurer le retour sur investissement et de le partager avec l'entreprise réelle.
À l'avenir, l'AIGC remplacera-t-il complètement les agents du service client ?
Alors que la transformation numérique de l'ensemble de la société s'intensifie, de plus en plus d'entreprises commencent à utiliser des outils numériques - le système de service client intelligent - pour bien faire leur travail de service client, créer une expérience ultime et ainsi renforcer la compétitivité de base des entreprises.
Les fournisseurs de services clients, qu'ils soient verticaux ou généralistes, espèrent amener les entreprises à un niveau supérieur avec la maturité de la technologie AIGC. Cependant, il y a encore un long chemin à parcourir pour transformer le rêve en réalité. Par exemple, il est nécessaire de mesurer le rapport entrées-sorties entre le coût et le bénéfice, de garantir la confidentialité des données des utilisateurs et de se conformer aux lois et réglementations pertinentes, et d'assurer la convivialité et la flexibilité du produit dans différents scénarios industriels.
En ce qui concerne le secteur du service client, la tendance est à la mise à niveau du service client manuel traditionnel vers un service client intelligent, mais dans un avenir prévisible, le service client intelligent ne peut pas remplacer complètement le service client manuel. Ils ont des caractéristiques et un positionnement différents, et dans les scénarios de service où des problèmes complexes sont traités et où des clients à fort potentiel sont suivis, le service client humain est toujours indispensable. Par conséquent, les entreprises doivent tenir compte des avantages du service client manuel et du service client intelligent en fonction de leur situation réelle, afin de développer la meilleure stratégie de service client.
Dans l'ensemble, l'AIGC a un espace de développement plus large à l'avenir, et les industries de l'AIGC et de type ChatGPT se développeront à grande vitesse au cours des deux à trois prochaines années, apportant de nouvelles mises à niveau et des changements aux industries de l'Internet et des services aux entreprises.
Cependant, il existe encore de nombreux problèmes en termes de qualité du contenu, de coût d'entrée, de sécurité des données, de réglementation de la vie privée et de droits d'auteur. De plus, de meilleures méthodes de modélisation sont nécessaires pour la génération de textes longs, la génération de vidéos et l'incorporation de connaissances du monde ; les coûts d'entraînement et de raisonnement pour améliorer les capacités de l'IA en augmentant les paramètres du modèle sont élevés, et des moyens plus économiques et efficaces d'améliorer les performances doivent être explorés.
