O nascimento do ChatGPT disparou o primeiro tiro da moderna corrida armamentista de IA. Os grandes modelos de linguagem representados por GPT-4, ChatGPT, Bard, etc., atraíram ampla atenção de todos os setores da vida em todo o mundo. Combinado com a lógica técnica subjacente do ChatGPT, existem quatro direções gerais para a industrialização do ChatGPT a curto e médio prazo: atendimento ao cliente inteligente, aplicações AIGC de modalidade de texto, trabalho relacionado ao desenvolvimento de código e geração de imagens. Entre eles, o projeto mais adequado para implementação direta é o trabalho de atendimento ao cliente inteligente.
O atendimento ao cliente inteligente construído com base na tecnologia de grandes modelos está mudando fundamentalmente o processo tradicional de interação humano-computador. Grandes modelos geram automaticamente processos de diálogo para tornar a operação do atendimento ao cliente inteligente mais eficiente, melhorando a taxa de resolução de problemas complexos, o grau de percepção da interação humano-computador e a eficiência de conteúdos operacionais como compreensão de intenções, construção de processos e geração de conhecimento.
Se olharmos apenas para a taxa de penetração do produto, o atendimento ao cliente inteligente tem se espalhado lentamente no e-commerce, finanças e outros campos nos últimos sete a oito anos. As duas principais mudanças trazidas pelo grande modelo são uma diminuição significativa no custo de desenvolvimento de produtos de atendimento ao cliente inteligente e uma melhoria na experiência do usuário.
Por volta de 2016, uma pequena equipe de sete ou oito pessoas levava vários meses para concluir um protótipo de atendimento ao cliente inteligente. Com um grande modelo, isso agora pode ser feito por um engenheiro em dois a três dias. Embora leve mais tempo para transformar um protótipo em produto, é uma diminuição de uma ordem de magnitude em comparação com o investimento anterior em custos de mão de obra e tempo.
Além disso, embora os produtos de atendimento ao cliente inteligente do passado fossem chamados de "inteligentes", eles davam aos usuários a impressão de serem "monótonos" ao responder perguntas, e basicamente as respostas eram modelos pré-escritos, e as perguntas que podiam responder eram limitadas. Agora, o grande modelo de linguagem pode dar respostas personalizadas de acordo com as perguntas do usuário e as respostas padrão correspondentes, e não é fácil distinguir na experiência do usuário se é um atendente humano ou um atendimento ao cliente por máquina, o que é uma melhoria óbvia.
Com o avanço da nova geração de tecnologia inteligente, especialmente o grande modelo que pode fornecer uma poderosa capacidade de geração de linguagem natural para o atendimento ao cliente inteligente, é inevitável que o atendimento ao cliente inteligente seja impulsionado para uma nova situação mais inteligente, eficiente e personalizada.
No entanto, deve-se notar que, embora a perspectiva de aplicação de grandes modelos de linguagem no campo do atendimento ao cliente inteligente pareça muito otimista, o cenário de aplicação de grandes modelos de linguagem ainda é imaturo nesta fase: a principal manifestação é que os resultados gerados não são estáveis e a confiabilidade não é alta o suficiente. Em termos de cenários de aplicação prática, se um produto maduro e comprovado no mercado for introduzido precipitadamente no modelo, isso pode trazer grandes mudanças ao produto e até mesmo afetar a experiência do cliente e desperdiçar muito esforço humano.
Apresentação do modelo no campo do atendimento ao cliente inteligente
Atualmente, as vantagens do atendimento ao cliente inteligente AIGC são muito óbvias e, com a contínua atualização e melhoria da tecnologia de atendimento ao cliente inteligente AIGC, a perspetiva de sua aplicação nos campos da metalurgia, comércio eletrónico e logística também é muito otimista.
No entanto, antes que o grande modelo desencadeie uma revolução de "nova revolução", ainda precisamos de preparar um bom caminho para ele e não podemos ser muito precipitados. Por exemplo, no campo de produtos de atendimento ao cliente inteligente, as conversas geralmente são limitadas a áreas de negócios específicas e necessidades orientadas por tarefas. Mas os clientes não querem que os visitantes entrem apenas à procura de um chatbot superinteligente, compreensivo, que escreve e desenha. O conteúdo conversacional deve convergir dentro do contexto de negócios da empresa, servindo a cenários de atendimento ao cliente e marketing, resolvendo e lidando com problemas, e não desperdiçando recursos valiosos. Introduzir grandes modelos como o ChatGPT diretamente no domínio do atendimento ao cliente sem controlo levará inevitavelmente a resultados dececionantes.
Construir um grande modelo que possa ser aplicado aos negócios não é uma tarefa fácil e geralmente requer várias etapas, incluindo seleção do grande modelo, recolha e limpeza de dados, treino do modelo, teste e avaliação do modelo, ajuste fino do modelo e implementação da aplicação. Etapas específicas:
- Selecionar grandes modelos genéricos de código aberto
- Recolher dados do domínio, usar os dados do domínio para continuar a treinar o grande modelo de código aberto (academicamente chamado de injeção de conhecimento) e obter o grande modelo do domínio
- Organizar o conjunto de instruções das tarefas do domínio (pode ser gerado semiautomaticamente) e usar os dados de instrução para ajustar o grande modelo do domínio
- Selecionar dados de conversação de várias rondas de atendimento ao cliente de alta qualidade de cenários reais e continuar a ajustar o grande modelo do domínio (para aprimorar a capacidade de conversação do grande modelo do domínio)
- Recolher algumas perguntas relacionadas à segurança (por exemplo, envolvendo política, tópicos sensíveis, discriminação, etc.), fornecer manualmente respostas que atendam aos requisitos de segurança e continuar a ajustar o grande modelo (alinhando-o aos valores e normas humanas)
- Implementação do modelo, integração com o sistema de atendimento ao cliente inteligente para aplicação
Preparação de Dados
Os dados de treino do modelo de diálogo devem ter qualidade e diversidade suficientes para melhorar a capacidade de generalização do modelo. Os dados de conversação podem ser obtidos de várias maneiras, como crawlers, comunidades de perguntas e respostas e registos de conversas. Após a obtenção dos dados, é necessária a limpeza e o pré-processamento dos dados para que fiquem em formato padronizado e de alta qualidade.
Treino do Modelo
Após preparar os dados de treino, é hora de começar a treinar o modelo grande. Durante o processo de treino, é necessário selecionar hiperparâmetros apropriados, como taxa de aprendizagem, tamanho do lote e número de rondas de treino, para alcançar os melhores resultados. Além disso, técnicas de treino distribuído podem ser usadas durante o processo de treino para acelerar o processo.
Otimização do Modelo
Após a conclusão do treino do modelo, o modelo precisa ser avaliado e otimizado para melhorar a capacidade de generalização e a eficácia do modelo. Métodos de otimização comuns incluem o ajuste de hiperparâmetros, a adição de dados de treino, o uso de técnicas de regularização, a poda de modelos, etc. Além disso, técnicas como a destilação de modelos também podem ser usadas para transferir o conhecimento de modelos grandes para modelos pequenos, a fim de melhorar a eficácia dos modelos pequenos.
Geração de conversas
Após os modelos serem treinados e otimizados, a geração de diálogos pode ser realizada. A geração de diálogos pode ser alcançada de duas maneiras: uma é usar um único modelo para a geração de diálogos, e a outra é usar múltiplos modelos para a geração de diálogos. Ao usar um único modelo para a geração de diálogos, o modelo de diálogo precisa ter a capacidade de lembrar, ou seja, o modelo pode gerar respostas de diálogo mais razoáveis e coerentes com base em informações contextuais. Ao usar múltiplos modelos para a geração de diálogos, a diversidade de modelos pode ser usada para gerar textos de diálogo mais ricos e diversos.
Num produto de atendimento ao cliente inteligente, não há lugar onde a produtividade de conteúdo seja mais importante do que a base de conhecimento. Geralmente, os produtos de atendimento ao cliente inteligente têm as seguintes bases de conhecimento: bases de conhecimento internas, bases de conhecimento de máquina e bases de conhecimento externas.
Para bases de conhecimento internas, elas são geralmente definidas como bases de conhecimento que precisam ser usadas para consultas de posicionamento em tempo real. Como os negócios de uma empresa mudam com frequência, o ajuste da base de conhecimento precisa ser feito em tempo hábil. Os processos tradicionais de upload, edição e organização são muito trabalhosos. A introdução de um modelo grande pode ajudar os funcionários a categorizar e criar as categorias e detalhes da base de conhecimento de maneira altamente eficiente e inteligente. Ao mesmo tempo, também pode aumentar o uso de fontes de dados externas e reduzir a sincronização das bases de conhecimento. Os utilizadores também podem dar feedback sobre os pontos de conhecimento e ajudar a base de conhecimento a ajustar os pesos automaticamente quando são usados na prática.
A base de conhecimento da máquina é o núcleo das máquinas de texto e voz que podem responder às perguntas dos visitantes. O conteúdo eficaz da base de conhecimento é crucial para o desempenho da máquina. Para organizar perguntas desconhecidas, os utilizadores do atendimento ao cliente inteligente precisam de dedicar uma grande quantidade de trabalho. Organizar e correlacionar automaticamente perguntas desconhecidas com o feedback do utilizador pode poupar muito trabalho aos mantenedores da base de conhecimento. Ao mesmo tempo, através da combinação de várias bases de conhecimento de máquina, eles podem assumir diferentes cenários de clientes numa única sessão, e o grande modelo de bases de conhecimento de máquina exclusivas também pode desempenhar um papel em ocasiões específicas e substituir gradualmente algumas bases de conhecimento de perguntas e respostas com padrões rígidos do passado.
A base de conhecimento externa precisa ser integrada aos produtos de atendimento ao cliente inteligente, e o conteúdo de conhecimento organizado pode ser transformado em produtos de saída, que podem ser mais facilmente criados em arquivos de conhecimento, imagens ou até mesmo áudio e vídeo. Com base na capacidade AIGC multimodal do ChatGPT, um espaço de conhecimento personalizado pode ser criado rapidamente.
De modo geral, usamos a capacidade de criação do próprio modelo grande, com base em banco de dados vetorial e tecnologia de revisão de conteúdo confiável, para fornecer conteúdo de alta qualidade para complementar o atendimento ao cliente inteligente.
Embora o processo e a cadeia de construção de grandes modelos no campo do atendimento ao cliente inteligente sejam basicamente claros, ainda existem vários desafios no processo de implementação real.
Esses desafios vêm principalmente do nível dos dados, bem como do nível de interface com os cenários reais do sistema do cliente; o produto em si é bastante fácil. Por exemplo, os dados do cliente do novo sistema a ser implementado são dados brutos e precisam ser limpos com alta qualidade e estruturados para se ter um resultado melhor, mas esta etapa é muito difícil.
O segundo é que, ao aprofundar-se nos negócios, haverá várias informações espalhadas em vários sistemas dentro do cliente, e somente quando essas informações forem abertas poderá haver um bom efeito e experiência. Estes são os desafios que precisam ser enfrentados no futuro.
Como fazer o atendimento ao cliente inteligente falar "linguagem humana"?
O grande modelo representado pelo ChatGPT é agora usado em muitas empresas para aplicações de atendimento ao cliente inteligente. Ele pode reduzir a carga do atendimento ao cliente humano, respondendo automaticamente a perguntas comuns, resolvendo problemas simples e fornecendo suporte básico. O Grande Modelo de Linguagem é treinado por aprendizagem profunda e grandes quantidades de dados linguísticos para entender e gerar linguagem humana, permitindo que os utilizadores interajam com ele de forma natural. Tais grandes modelos alcançaram resultados bastante bons ao responder a algumas consultas e perguntas comuns dos clientes.
No entanto, os grandes modelos de linguagem atuais ainda enfrentam alguns desafios quando aplicados na prática a cenários de atendimento ao cliente inteligente - eles podem gerar respostas erradas ou imprecisas, especialmente para perguntas complexas ou conhecimento específico do domínio, o que requer um nível mais alto de inteligência. O futuro dos departamentos de atendimento ao cliente online exigirá não apenas algoritmos mais avançados e técnicas de aprendizagem de máquina, mas também capacidades mais precisas de processamento de linguagem natural. Isso colocará uma pressão tremenda sobre as empresas que são menos poderosas tecnologicamente.
Além disso, à medida que o número de utilizadores e visitantes aumenta, o atendimento ao cliente inteligente precisará lidar com mega solicitações simultâneas no futuro. Isso exigirá sistemas com projetos especiais em diversas áreas, como balanceamento de carga, alta escalabilidade e alta disponibilidade.
Muitos robôs de diálogo no mercado agora têm uma única resposta fixa com relativamente pouca variação, e ainda há uma lacuna em relação ao diálogo real entre humanos. Os futuros sistemas de atendimento ao cliente inteligente precisarão fortalecer ainda mais os serviços adaptativos e personalizados para o comportamento do utilizador. Isso exige que o sistema aprenda mais dados e informações do utilizador e se adapte a diferentes comportamentos do utilizador para fornecer-lhes melhores serviços e experiências. Como melhorar a experiência do utilizador tornou-se a principal direção dos fornecedores de atendimento ao cliente inteligente.
Especificamente, melhorias devem ser feitas em termos de serviço humanizado, serviço personalizado e interação de diálogo antropomórfico.
Primeiro, o serviço humanizado. Com base na compreensão precisa de cenários e intenções, anexar um contexto de diálogo mais caloroso pode fazer o robô ir mais longe no antropomorfismo. A computação emocional multimodal é uma maneira eficaz de alcançar esta etapa. Atualmente, estamos a promover o atendimento ao cliente por humanos digitais virtuais para diálogos de interação humano-computador, no processo de combinar a computação emocional, que pode reconhecer as expressões emocionais transmitidas pelos utilizadores através de vídeo, voz e texto, para que o atendimento ao cliente inteligente possa responder com o feedback emocional correspondente e criar uma interação humano-computador com compreensão emocional e calor. Esta tecnologia de computação emocional multimodal é implementada principalmente por dois métodos baseados em regras de especialistas e aprendizagem de máquina. Entre eles, a abordagem baseada em aprendizagem de máquina aprende automaticamente os critérios de classificação dos estados emocionais através do treino de modelos, que podem adaptar-se melhor à expressão de emoções em diferentes domínios e contextos, e o efeito é relativamente melhor.
O segundo é a interação baseada em diálogo antropomórfico. Através da otimização do design baseada em cenários, como desmontagem de perguntas, herança de tópicos, diálogo de várias rondas, compreensão contextual, etc., o robô pode trazer um modo de interação baseado em diálogo que está mais próximo dos cenários de diálogo natural.
O terceiro é o serviço personalizado. De acordo com o perfil do cliente para fornecer serviços personalizados, a partir de múltiplas perspetivas de compreensão semântica, além da discriminação adicional de emoções por voz.
O nascimento do grande modelo injetou, sem dúvida, um novo "nutriente" no campo do atendimento ao cliente inteligente. Esta "inovação" reflete-se em vários aspetos, incluindo assistência e eficiência do agente, conversa fiada e gentilezas, sugestões para otimizar o discurso e o fornecimento de expansão de corpus.
Assistência e eficiência do agente: No passado, a assistência inteligente estava mais limitada a conversas de uma única ronda, mas a capacidade baseada em grandes modelos pode analisar e gerar rapidamente estratégias de suporte de sistema orientadas para o cliente, e tal eficiência e resultados de processamento excedem em muito o que pode ser alcançado com base em regras puras ou numa base de conhecimento pura;
Conversa fiada e gentilezas: uma capacidade básica muito importante do atendimento ao cliente inteligente, que pode ajudar as empresas a responder instantaneamente a qualquer cliente que entre em contacto. No passado, a conversa fiada do atendimento ao cliente inteligente consistia principalmente em acumular vários corpus não relacionados com negócios na base de dados de materiais e responder ao conteúdo recuperando as palavras-chave existentes da base de dados. Hoje em dia, é possível fornecer conversas informais com a ajuda total das capacidades do grande modelo para fornecer mais base de decisão e referência para agentes e atendimento ao cliente em áreas não comerciais;
Sugestões para otimização da conversa: A conversa muitas vezes determina o efeito do atendimento ao cliente, e respostas imprecisas levarão diretamente à perda de utilizadores. Através da poderosa capacidade de geração de conteúdo do grande modelo, o atendimento ao cliente inteligente pode iterar e otimizar continuamente as técnicas de conversação para melhorar a satisfação do cliente;
Fornecer expansão de corpus: Na fase de arranque a frio do atendimento ao cliente inteligente, muitas vezes é necessário corpus suficiente para enriquecer a base de conhecimento de perguntas semelhantes para garantir uma taxa de solução e cobertura de cenário suficientemente altas do atendimento ao cliente inteligente na fase inicial de lançamento. No passado, era difícil para o modelo de geração de corpus cobrir muitas indústrias e campos verticais. O grande modelo acumulou dados e corpus suficientes no campo geral, o que pode compensar a escassez do modelo de geração de corpus e gerar rapidamente perguntas semelhantes para resolver os problemas de corpus insuficiente e baixa cobertura de cenário do arranque a frio do atendimento ao cliente inteligente.
Em última análise, o cerne da melhoria da qualidade do diálogo é entender os cenários dos clientes e utilizadores, e ser capaz de construir uma estrutura de dados para medir ganhos e perdas. Com a combinação destes dois, haverá um processo de feedback cíclico para alcançar bons resultados através de iterações normais do produto e ser capaz de medir o ROI e partilhá-lo com o negócio real.
No futuro, o AIGC substituirá completamente os agentes de atendimento ao cliente?
À medida que o processo de digitalização de toda a sociedade se aprofunda, cada vez mais empresas começam a usar ferramentas digitais - sistemas de atendimento ao cliente inteligente para fazer um bom trabalho no atendimento ao cliente, criar a experiência definitiva e, assim, aumentar a competitividade central das empresas.
Tanto os fornecedores de atendimento ao cliente de função vertical quanto geral esperam levar as empresas a um nível mais alto com a maturidade da tecnologia AIGC. No entanto, ainda há um longo caminho a percorrer para transformar o sonho em realidade. Por exemplo, há a necessidade de medir a relação custo-benefício, garantir a privacidade dos dados do utilizador e cumprir as leis e regulamentos relevantes, e garantir a usabilidade e flexibilidade do produto em diferentes cenários da indústria.
No que diz respeito à indústria de atendimento ao cliente, a tendência é atualizar o atendimento ao cliente manual tradicional para o atendimento ao cliente inteligente, mas no futuro previsível, o atendimento ao cliente inteligente não pode substituir completamente o atendimento ao cliente manual. Eles têm características e posicionamentos diferentes, e em cenários de serviço onde questões complexas são tratadas e clientes de alto potencial são acompanhados, o atendimento ao cliente humano ainda é indispensável. Portanto, as empresas precisam considerar as vantagens do atendimento ao cliente manual e do atendimento ao cliente inteligente de acordo com sua situação real, a fim de desenvolver a melhor estratégia de atendimento ao cliente.
No geral, o AIGC tem um espaço de desenvolvimento mais amplo no futuro, e as indústrias de AIGC e semelhantes ao ChatGPT desenvolver-se-ão a alta velocidade nos próximos dois a três anos, trazendo mais atualizações e mudanças para as indústrias de Internet e serviços empresariais.
No entanto, ainda existem muitos problemas em termos de qualidade do conteúdo, custo de entrada, segurança de dados, regulamentação de privacidade e direitos de autor. Além disso, são necessários melhores métodos de modelagem para geração de texto longo, geração de vídeo e incorporação de conhecimento do mundo; os custos de treino e raciocínio para aprimorar as capacidades de IA aumentando os parâmetros do modelo são altos, e maneiras mais económicas e eficazes de melhorar o desempenho precisam ser exploradas.