ChatGPTの誕生は、現代のAI軍拡競争の火蓋を切りました。GPT-4、ChatGPT、Bardなどに代表される大規模言語モデルは、世界中のあらゆる分野から広く注目を集めています。ChatGPTの基盤となる技術ロジックと組み合わせると、中短期的にはChatGPTの産業化には4つの一般的な方向性があります。すなわち、インテリジェントカスタマーサービス、テキストモダリティのAIGCアプリケーション、コード開発関連業務、そして画像生成です。その中でも、直接的に実用化するのに最も適したプロジェクトは、インテリジェントカスタマーサービス業務です。
大規模モデル技術に基づいて構築されたインテリジェントカスタマーサービスは、従来の人間とコンピュータの対話プロセスを根本的に変えつつあります。大規模モデルは対話プロセスを自動生成し、インテリジェントカスタマーサービスの運用をより効率的にし、複雑で入り組んだ問題の解決率、人間とコンピュータの対話における知覚の度合い、そして意図理解、プロセス構築、知識生成などの運用コンテンツの効率を向上させます。
製品の普及率だけを見れば、インテリジェントカスタマーサービスは過去7～8年間で、電子商取引、金融などの分野で徐々に広まってきました。大規模モデルがもたらした2つの核心的な変化は、インテリジェントカスタマーサービス製品の開発コストの大幅な削減と、ユーザーエクスペリエンスの向上です。
2016年頃、7～8人の小規模なチームがインテリジェントカスタマーサービスのプロトタイプを完成させるのに数ヶ月かかりました。大規模モデルを使えば、今では1人のエンジニアが2～3日で完成させることができます。プロトタイプ製品を製品化するにはさらに時間がかかりますが、以前の人件費や時間コストへの投資と比較すると、桁違いの減少です。
さらに、過去のインテリジェントカスタマーサービス製品は「インテリジェント」と呼ばれていましたが、質問に答える際にはユーザーに「鈍い」という印象を与え、基本的には事前に作成されたテンプレートの回答であり、答えられる質問も限られていました。現在、大規模言語モデルは、ユーザーの質問とそれに対応する標準的な回答に応じてパーソナライズされた回答を提供でき、ユーザーエクスペリエンスにおいて、それが人間のカスタマーサービスなのか機械のカスタマーサービスなのかを見分けるのは容易ではなく、これは明らかな改善です。
新世代のインテリジェント技術のブレークスルー、特にインテリジェントカスタマーサービスに強力な自然言語生成能力を提供できる大規模モデルの登場により、インテリジェントカスタマーサービスは、よりインテリジェントで、効率的で、パーソナライズされた新たな状況へと押し上げられることは間違いありません。
しかし、インテリジェントカスタマーサービスの分野における大規模言語モデルの応用展望は非常に楽観的に見えますが、現段階では大規模言語モデルの応用シナリオはまだ未熟であることに注意しなければなりません。主な現れとしては、生成される結果が安定せず、信頼性が十分に高くないことです。実際の応用シナリオの観点から言えば、成熟し市場で実績のある製品に軽率にモデルを導入すると、製品に大きな変化をもたらし、顧客体験に影響を与え、多大な人的労力を無駄にする可能性があります。
インテリジェントカスタマーサービス分野におけるモデルの発表
現在、AIGCインテリジェントカスタマーサービスの利点は非常に明らかであり、AIGCインテリジェントカスタマーサービス技術の継続的なアップグレードと改善に伴い、冶金、電子商取引、物流の分野での応用見通しも非常に楽観的です。
しかし、大規模モデルが「新たな革命」を引き起こす前に、私たちはまだそのための良い道を切り開く必要があり、あまり急ぐことはできません。例えば、インテリジェントカスタマーサービス製品の分野では、会話は通常、特定のビジネス領域とタスク駆動のニーズに限定されます。しかし、顧客は訪問者が超スマートで、理解力があり、文章作成や描画ができるチャットボットを探しに来るだけを望んでいるわけではありません。会話内容は企業のビジネスコンテキスト内に収束し、カスタマーサービスとマーケティングのシナリオに役立ち、問題を解決・処理し、貴重なリソースを無駄にしないようにしなければなりません。ChatGPTのような大規模モデルを制御なしに直接カスタマーサービスドメインに導入すると、必然的に期待外れの結果につながります。
ビジネスに応用できる大規模モデルを構築することは簡単な作業ではなく、通常、大規模モデルの選択、データ収集とクリーニング、モデルトレーニング、モデルテストと評価、モデルのファインチューニング、アプリケーションのデプロイメントなど、いくつかのステップが必要です。具体的な手順は次のとおりです。
- オープンソースの汎用大規模モデルを選択する
- ドメインデータを収集し、そのドメインデータを使用してオープンソースの大規模モデルの継続的なトレーニングを行い（学術的には知識注入と呼ばれる）、ドメイン大規模モデルを取得する
- ドメインタスクの指示セットを整理し（半自動で生成可能）、その指示データを使用してドメイン大規模モデルをファインチューニングする
- 実際のシナリオの高品質なカスタマーサービスの複数ラウンドの会話データを選別し、ドメイン大規模モデルの継続的なファインチューニングを行う（ドメイン大規模モデルの会話能力を強化するため）
- セキュリティ関連の質問（例：政治、デリケートな話題、差別などを含む）をいくつか収集し、セキュリティ要件を満たす回答を手動で与え、大規模モデルの継続的なファインチューニングを行う（人間の価値観、規範に合わせるため）
- モデルのデプロイメント、インテリジェントカスタマーサービスシステムへの接続と応用
データ準備
対話モデルのトレーニングデータは、モデルの汎化能力を向上させるために、十分な品質と多様性を持つ必要があります。会話データは、クローラー、Q&Aコミュニティ、会話記録など、さまざまな方法で取得できます。データを取得した後、データを標準化された形式で高品質にするために、データのクリーニングと前処理が必要です。
モデルトレーニング
トレーニングデータを準備した後、大規模モデルのトレーニングを開始します。トレーニングプロセス中、最良の結果を達成するために、学習率、バッチサイズ、トレーニングラウンド数などの適切なハイパーパラメータを選択する必要があります。さらに、トレーニングプロセス中に分散トレーニング技術を使用して、トレーニングプロセスを高速化することができます。
モデルの最適化
モデルのトレーニングが完了した後、モデルの汎化能力と有効性を向上させるために、モデルを評価し最適化する必要があります。一般的な最適化方法には、ハイパーパラメータの調整、トレーニングデータの追加、正則化技術の使用、モデルのプルーニングなどがあります。さらに、モデル蒸留などの技術を使用して、大規模モデルから小規模モデルに知識を転移させ、小規模モデルの有効性を向上させることもできます。
会話生成
モデルがトレーニングされ最適化された後、対話生成を行うことができます。対話生成は2つの方法で実現できます。1つは単一のモデルを使用して対話生成を行う方法、もう1つは複数のモデルを使用して対話生成を行う方法です。単一のモデルを使用して対話生成を行う場合、対話モデルは記憶能力を持つ必要があり、つまり、モデルは文脈情報によってより合理的で一貫性のある対話応答を生成できます。複数のモデルを使用して対話生成を行う場合、モデルの多様性を利用して、より豊かで多様な対話テキストを生成できます。
インテリジェントカスタマーサービス製品において、ナレッジベースほどコンテンツ生産性が重要な場所はありません。一般的に、インテリジェントカスタマーサービス製品には、内部ナレッジベース、マシンナレッジベース、外部ナレッジベースといったナレッジベースがあります。
内部ナレッジベースは、一般的にリアルタイムの位置特定クエリに使用する必要があるナレッジベースとして定義されます。企業のビジネスは頻繁に変化するため、ナレッジベースの調整はタイムリーに行う必要があります。アップロード、編集、整理といった従来のプロセスは非常に手間がかかります。大規模モデルを導入することで、従業員は非常に効率的かつインテリジェントな方法でナレッジベースのカテゴリと詳細を分類・作成できます。同時に、外部データソースの利用を増やし、ナレッジベースの同期を減らすこともできます。ユーザーはまた、ナレッジポイントについてフィードバックを与え、実際に使用される際にナレッジベースが自動的に重みを調整するのを助けることができます。
マシンナレッジベースは、訪問者の質問に答えることができるテキストおよび音声マシンの核です。ナレッジベースの効果的なコンテンツは、マシンのパフォーマンスにとって非常に重要です。未知の質問を整理するために、インテリジェントカスタマーサービスのユーザーは多大な労力を費やす必要があります。未知の質問をユーザーのフィードバックと自動的に整理し関連付けることで、ナレッジベースのメンテナーの作業を大幅に節約できます。同時に、複数のマシンナレッジベースを組み合わせることで、単一のセッションで顧客のさまざまなシナリオを引き継ぐことができ、専用のマシンナレッジベースの大規模モデルも特定の場面で役割を果たし、過去の硬直したパターンの質疑応答マシンナレッジベースを徐々に置き換えることができます。
外部ナレッジベースは、インテリジェントカスタマーサービス製品に統合する必要があり、整理された知識コンテンツは出力製品に変換でき、ナレッジファイル、画像、さらには音声やビデオとしてより簡単に作成できます。ChatGPTのマルチモーダルAIGC機能に基づき、パーソナライズされた知識空間を迅速に作成できます。
一般的に、私たちは大規模モデル自身の創造能力を、ベクトルデータベースと信頼できるコンテンツレビュー技術に基づいて使用し、インテリジェントカスタマーサービスを補完するための高品質なコンテンツを提供します。
インテリジェントカスタマーサービスの分野で大規模モデルを構築するプロセスと連鎖は基本的に明確ですが、実際の導入プロセスにはまださまざまな課題があります。
これらの課題は主にデータレベル、および実際の顧客システムシナリオとのインターフェースレベルから来ており、製品自体は比較的簡単です。例えば、導入される新システムの顧客データはそれ自体が生データであり、より良い結果を得るためには高品質で構造化されたデータにクリーンアップする必要がありますが、このステップは非常に困難です。
第二に、実際にビジネスを深く掘り下げていくと、顧客内のさまざまなシステムにさまざまな情報が散在しており、これらの情報が連携されて初めて良い効果と体験が生まれます。これらは将来取り組むべき課題です。
インテリジェントカスタマーサービスに「人間の言葉」を話させるには？
ChatGPTに代表される大規模モデルは、現在多くの企業でインテリジェントカスタマーサービスアプリケーションに利用されています。一般的な質問に自動的に答え、簡単な問題を解決し、基本的なサポートを提供することで、人間のカスタマーサービスの負担を軽減できます。大規模言語モデルは、深層学習と大量の言語データによってトレーニングされ、人間の言語を理解し生成するため、ユーザーは自然な方法で対話できます。このような大規模モデルは、いくつかの一般的な顧客の問い合わせや質問に答える上で、かなり良い結果を達成しています。
しかし、現在の大規模言語モデルは、インテリジェントカスタマーサービスのシナリオに実際に適用される際にはまだいくつかの課題があります。特に複雑な質問やドメイン固有の知識に対しては、間違った答えや不正確な答えを生成する可能性があり、より高いレベルの知能が求められます。将来のオンラインカスタマーサービス部門は、より高度なアルゴリズムや機械学習技術だけでなく、より精密な自然言語処理能力も必要とします。これは、技術力の低い企業にとっては大きなプレッシャーとなるでしょう。
さらに、ユーザーと訪問者の数が増えるにつれて、インテリジェントカスタマーサービスは将来的に大規模な同時リクエストを処理する必要が出てきます。これには、負荷分散、高いスケーラビリティ、高可用性など、さまざまな分野で特別な設計を持つシステムが必要になります。
現在市場に出回っている多くの対話ロボットは、単一の固定された回答しか持たず、バリエーションが比較的少なく、実際の人間同士の対話とはまだ隔たりがあります。将来のインテリジェントカスタマーサービスシステムは、ユーザーの行動に対する適応型およびパーソナライズされたサービスをさらに強化する必要があります。これには、システムがより多くのユーザーデータと情報を学習し、さまざまなユーザーの行動に適応して、より良いサービスと体験を提供することが求められます。ユーザーエクスペリエンスをいかに向上させるかが、インテリジェントカスタマーサービスプロバイダーの主な方向性となっています。
具体的には、人間味のあるサービス、パーソナライズされたサービス、人間らしい対話インタラクションの観点から改善を行うべきです。
第一に、人間味のあるサービスです。シナリオと意図を正確に理解した上で、より温かみのある対話コンテキストを付加することで、ロボットはより人間らしくなることができます。マルチモーダル感情コンピューティングは、このステップを達成するための効果的な方法です。現在、私たちは人間とコンピュータの対話のためにバーチャルデジタルヒューマンカスタマーサービスを推進しており、感情コンピューティングを組み合わせる過程で、ビデオ、音声、テキストを通じてユーザーが伝える感情表現を認識し、インテリジェントカスタマーサービスが対応する感情フィードバックで応答し、感情的な理解と温かみのある人間とコンピュータのインタラクションを創出することができます。このマルチモーダル感情コンピューティング技術は、主に専門家ルールに基づく方法と機械学習に基づく方法の2つで実装されます。その中でも、機械学習に基づくアプローチは、モデルをトレーニングすることで感情状態の分類基準を自動的に学習し、異なるドメインやコンテキストでの感情表現により良く適応でき、効果も比較的に優れています。
第二に、人間らしい対話ベースのインタラクションです。質問の分解、トピックの継承、複数ラウンドの対話、文脈理解など、シナリオベースの設計最適化を通じて、ロボットは自然な対話シナリオに近い対話ベースのインタラクションモードをもたらすことができます。
第三に、パーソナライズされたサービスです。千人千様の顧客像に応じてパーソナライズされたサービスを提供し、意味理解の多角的な視点に加え、音声感情の識別も行います。
大規模モデルの誕生は、間違いなくインテリジェントカスタマーサービスの分野に新たな「栄養素」を注入しました。この「革新」は、エージェント支援とエージェント効率、雑談と挨拶、会話の最適化提案、コーパス拡張の提供など、多くの側面に反映されています。
エージェント支援とエージェント効率：過去には、インテリジェント支援は単一ラウンドの会話に限定されていましたが、大規模モデルに基づく能力は、顧客志向のシステムサポート戦略を迅速に分析・生成でき、その処理効率と結果は、純粋なルールや純粋なナレッジベースに依存して達成できるものをはるかに超えています。
雑談と挨拶：インテリジェントカスタマーサービスの非常に重要な基本機能であり、企業がどんな顧客からの問い合わせにも即座に対応するのに役立ちます。過去には、インテリジェントカスタマーサービスの雑談は、主にさまざまな非業務関連のコーパスを素材データベースに蓄積し、データベースから既存のキーワードを検索してコンテンツに返信するものでした。今日では、大規模モデルの能力を最大限に活用して雑談を提供し、非業務領域でエージェントやカスタマーサービスにより多くの意思決定の根拠と参考を提供することが可能です。
会話の最適化提案：会話はしばしばカスタマーサービスの効果を決定し、不正確な返信は直接ユーザーの喪失につながります。大規模モデルの強力なコンテンツ生成能力を通じて、インテリジェントカスタマーサービスは会話技術を継続的に反復・最適化し、顧客満足度を向上させることができます。
コーパス拡張の提供：インテリジェントカスタマーサービスのコールドスタート段階では、類似質問のナレッジベースを充実させるために十分なコーパスが必要であり、これによりローンチ初期段階でのインテリジェントカスタマーサービスの高い解決率とシーンカバレッジを確保します。過去には、コーパス生成モデルが多くの垂直産業や分野をカバーすることは困難でした。大規模モデルは一般分野で十分なデータとコーパスを蓄積しており、コーパス生成モデルの不足を補い、類似質問を迅速に生成して、インテリジェントカスタマーサービスのコールドスタートにおけるコーパス不足と低いシーンカバレッジの問題を解決できます。
最終的に、対話品質を向上させる核心は、顧客とユーザーのシナリオを理解し、損益を測定するためのデータフレームワークを構築できることです。この2つを組み合わせることで、通常の製品イテレーションを通じて良い結果を達成するための循環的なフィードバックプロセスが生まれ、ROIを測定し、実際のビジネスと共有できるようになります。
将来、AIGCはカスタマーサービスエージェントを完全に置き換えるのか？
社会全体のデジタル化プロセスが深まるにつれて、ますます多くの企業がデジタルツール、つまりインテリジェントカスタマーサービスシステムを使用して、優れたカスタマーサービスを提供し、究極の体験を創造し、それによって企業のコア競争力を強化し始めています。
垂直型および汎用型の両方のカスタマーサービスベンダーは、AIGC技術の成熟に伴い、企業をより高いレベルに引き上げることを望んでいます。しかし、夢を現実に変えるにはまだ長い道のりがあります。例えば、コストと利益の間の投入産出比を測定し、ユーザーデータのプライバシーを確保し、関連する法律や規制を遵守し、さまざまな業界シナリオでの製品の使いやすさと柔軟性を確保する必要があります。
カスタマーサービス業界に関する限り、トレンドは従来の手動カスタマーサービスをインテリジェントカスタマーサービスにアップグレードすることですが、予見可能な将来において、インテリジェントカスタマーサービスが手動カスタマーサービスを完全に置き換えることはできません。両者には異なる特性と位置づけがあり、複雑な問題が処理され、潜在的な高価値顧客がフォローアップされるサービスシナリオでは、人間のカスタマーサービスは依然として不可欠です。したがって、企業は自社の実際の状況に応じて手動カスタマーサービスとインテリジェントカスタマーサービスの利点を考慮し、最適なカスタマーサービス戦略を策定する必要があります。
全体として、AIGCは将来的により広い発展の余地があり、AIGCやChatGPTのような産業は今後2〜3年で高速に発展し、インターネットおよび企業向けサービス業界にさらなるアップグレードと変化をもたらすでしょう。
しかし、コンテンツの品質、投入コスト、データセキュリティ、プライバシー規制、著作権所有権の面ではまだ多くの問題があります。さらに、長文テキスト生成、ビデオ生成、世界知識の組み込みにはより良いモデリング方法が必要です。モデルパラメータを増やすことでAI能力を強化するためのトレーニングと推論のコストは高く、パフォーマンスを向上させるためのより経済的で効果的な方法を探求する必要があります。
