机器之心原创
机器之心编辑部
智能客服的市场规模如何？有哪些出色的企业参与其中？这些企业推出了哪些服务项目？它们针对哪些具体问题提供了帮助？本报告对此进行了全面分析。
近些年，基于神经网络与深度学习的新式自然语言处理方法促进了人工智能交互的显著进步，以会话型人工智能技术为主导的新阶段智能服务正逐步完善。
权威调研公司表明，全球使用人工智能的智能客服业务收入预计到 2024 年底将超过 29 亿美元，能够达到约 22.6% 的年度均复合增长速度，以中国为核心的亚洲地区将是智能客服收入增长最为迅速的区域。
据中投顾问统计，我国传统客服专职人员数量大约有230万人，按每人每年6万元收入估算，另计及基础建设与硬件交换装置的开销，预计国内客服行业整体体量约为2000亿元。如果智能客服能够取代四成到半数的人工客服岗位，并且不考虑场地配置器械开支等条件，智能客服的市场规模将可能达到两千五百分之一千四百亿到四千亿元人民币之间，当然智能客服的应用也会让那些因为费用技术等原因还没开展客服业务的公司开始参与进来，这种需求的增长会在一定程度上让整个市场变得更大智能客服的市场规模预计将增加约百分之二十，可能达到三百度至五百度之间的人民币。
这种判断既有市场对智能客服旺盛需求的支撑，也有 NLP 等人工智能技术对智能客服进步的促进和保障作用。得益于多项技术的辅助，当前智能客服技术展现出几个显著优势，包括理解语义更加精准，提问方式更加多样，交互过程更加流畅，知识储备更加丰富，以及自主学习能力更强。
本文首先探讨传统客户服务环节中普遍存在的问题，接着阐述智能客服在诸多领域取得的显著进步和成功案例。同时，我们也梳理了国内智能客服领域的主要参与机构及其提供的具体服务模式。
为什么市场需要智能客服？
智能客服旨在解决传统客服中心面临的难题。前两图分别呈现了常规客服中心的服务场景与营销场景的流程。服务场景通常包含以下步骤，用户通过渠道接入后，系统将查询客户信息，创建工单，安排排队，指派线路等环节，同时需要配合通话数据的保存，会话记录的监督，周期性报告的编制以及系统数据的监测等工作。业务环节通常以工作指令和具体要求为起点，生成拨打电话的指令，整个过程包含集中拨打、客户档案与潜在客户信息梳理、资料库构建、客服人员转接等多个步骤。
这类客服机构的弊病主要在于员工团队运作与监管，以及数据量化的处理环节。
工作人员团队方面，据非精确统计，常规服务人员的职业不满足感达到了半数，不满足的缘由主要在于任务繁重，包含轮班制、轮岗制以及额外劳动，工作性质单调，需要反复处理同类事务，耗费心神，心理负担和负面情绪累积，源于客户投诉和过分要求等情形。公司内部协作十分吃力，人员流动性大，预算有限，考核结果差强人意，数据记录马虎大意，这些弊端十分突出。
另有一面，由于数据相关技艺尚未完善，客户互动信息价值发掘难题亦是传统客服必须攻克的要害。依据调查发现，现阶段多数传统呼叫中心难以统计每日用户询问事项总数、各类问题比例分布，以及哪些业务环节存在失衡状况。
而这些痛点正是智能客服的机遇。
智能客服智能在哪儿？
智能客服在服务与营销这两个主要场景的改进，主要围绕人机合作、机器人应答、人工服务以及数据监测与服务管理这四个方面进行。
人机合作的目标在于智能安排来电流程,高效完成工单录入,方便查找客户资料和知识库信息,提供批量外拨参考,以及实现语音转文字的自动记录。机器人应答的核心功能包括语音接收、文字回复、顺畅转接和批量处理。人工客服工作重点是管理坐席排队情况,做好提前接入准备,执行转接操作,确保网络通话的稳定性。最终的数据与资源调配是在整个环节中发挥作用以达成客户服务评估、即时监视、海量信息研究等多种目的。
在深度学习算法普及之前，多数智能客服依赖信息检索与自然语言处理相结合的方案来运作。随着人工智能和深度学习技术的持续进步和重大突破，智能客服所依托的技术架构不断革新，其解决问题的能力持续增强，服务范围也逐步扩大。技术发展的具体阶段大致可以概括为：
第一阶段：基于关键词匹配的「检索式机器人」；
第二阶段：借助特定格式，能够识别多种词汇组合，同时支持近似检索功能。
第三阶段：在核心词对应关系上，运用检索方法，依据内容关联程度实施排列，确定先后次序，完成排序工作。
第四阶段：以神经网络为基础，用深度学习理解用户意图。
以腾讯云小微为例，看对话式 AI 智能客服的特点
语义识别更准确
自然语言处理和语音技术领域，采用深度学习构建的机器模型是当前最普遍的技术方案，这类模型展现出很高的精确度，并且具有良好的跨领域应用能力，以特定模型结构为根基的大规模语料库预训练模型，已经成为业内公认的核心技术架构，这类预训练模型借鉴了某种先进方法，在业界占据主导地位。腾讯云小微运用 BERT 基线版本，借助自身积累的数据和业务特点，经过任务调整、模型改进、领域适配、模型整合等多项措施，成功转化出满足自身特殊要求的智能客服版本。
在意思分辨和认知层面，腾讯云小微运用该流程培养的 CXW-MRC 模型，于 2019 年法研杯阅读理解竞赛中获得冠军，其 F1 指标为 83.4。该模型的表现优于 BERT 基准模型，领先了 6 个百分点。2020年实现了新的突破，它运用该平台构建的预训练文字识别系统在权威的阅读理解测试集 RACE 上获得了 91.4%（联合模型）和 90.7%（独立模型）的优异得分，分别位列榜单首位与第三位，整体发挥都超越了英伟达的 -BERT 和谷歌的 ，其准确度极接近人类评估标准的 94.5%。
RACE 阅读理解任务最佳模型表现排行
问法更灵活
对于相似度较高的模式化疑问，人工智能客服一般能够轻易处理，但若用户咨询的表述或语句构造与普遍的提问习惯出入很大，这类人工智能客服就常常难以准确把握问题的核心内容，进而对服务感受造成不利影响。
腾讯云小微独家发明的行业 LARQ 方法具备提问拓展功能,可以适应各种提问方式,意思解析更为周全细致,其服务人员精准度可达成九成五上下。
腾讯云小微新一代对话引擎情况技术简介。
对话更连贯
腾讯云小微技术团队就对话系统技术任务而言，今年第八届国际对话系统技术挑战赛 (DSTC-8) 中参与了三项赛道的七项相关比赛，涵盖多领域对话系统、端到端问答预测、对话状态追踪等，其中四项指标获得世界首位、两项指标获得世界第二的优异表现
针对跨领域端到端对话机制，重点探索怎样让既有对话构造方法迅速适配于数据量较少的新场景，腾讯云小微运用组合微调学习策略获得了冠军在问答预测方面，包含三种不同挑战，分别是选择多轮对话中的回复、针对聊天室（IRC）的回复选择，以及判断多轮对话中的问题是否已解决，腾讯云小微以 BERT 模型为起点，借助数据增强手段处理特定领域的数据不足情况，又通过迁移学习让 BERT 模型更贴合特定任务场景，采用句子层面的上下文分析技术，精细捕捉对话片段间的关联性，进而提升回复的精准度。
云小微立足于BERT模型架构，运用Task post方法进行构建。
因此，腾讯云小微在多次人与机器交互以及IRC聊天室交流工作中，分别取得了97.7%和95.7%的优异表现，显示出了该技术在相关领域的卓越能力。
知识更全面
知识库是问答系统的重要组成，知识库内容越充实，问答效果越理想。半结构化的「问题 - 答案」对，结构化的知识图谱，以及非结构化的知识文档，是问答系统依赖的主要知识来源，分别对应检索式问答、图谱问答和文档问答三种具体的技术实现方式。
腾讯云小微拥有完备的 AI 语音技术，同时依托腾讯广泛的内容与服务资源，在多个领域积累了大量行业信息，涵盖教育、法律、金融、旅游、政府等，还整合了完整的智能系统，正逐步拓展至智能设备、网络汽车等新兴应用领域。腾讯云小微依托扩展的知识体系，凭借对用户目的的精准洞察，依据各类情境选用对应的数据库资源，致力于实现更加卓越且可靠的智能交互效果。
学习更主动
没有任何技术能够做到十全十美，当前智能客服的核心技术方法，是运用深度学习训练出的通用语言模型，再针对具体领域信息进行适配调整，同时借助知识迁移技术。经过对数据内在规律的剖析，智能代理系统拥有一定水平的自主进修功能。智能客服系统的运作，离不开人工运营、统计监控和配置平台，这三者构成了一个发现问题并解决流程，如下图所示，促使模型自主学习，迅速更新完善，满足数字化商业环境的发展要求。
云小微发现问题 & 解决问题流程图。
总之，腾讯云小微具备以下技术优势：
EEQA：云小微首创 EEQA 能力，运用全自动化的端到端问答对生成方法，达成秒级速度，从文档或人工服务记录中，完成问答对数据的转换和提取。
智能机器人应答系统：基于前沿的 bert 模型核心技术，着重深化专业领域的知识训练，并且借助多种技术方法减少模型对训练资料数量的要求，能够精准把握用户咨询，增强智能客服的工作效能。
知识库初始阶段扩充机制：借助腾讯海量数据与先进 AI 技术，能迅速匹配相似提问方式，快速增加知识库内容，数分钟内即可实现数量十倍提升。
对现有问题评价机制存有疑虑：当使用者表示对某个答复不满时，该意见会被系统存档于内部数据库，由服务人员加以分析并改进，算法依据这些反馈来调整问答功能，从而增强对同类咨询的响应质量。
以腾讯云小微为参照，可以了解对话式人工智能客服在许多情境中的实际运用情况
智能客服系统能够运用到网络教学、远程会议、智能导览等诸多领域。本报告精选了若干典型案例，比如云小微协助腾讯企点构建了线上会议的智能服务系统。
2020 年腾讯全球数字生态大会于 9 月 9 日至 11 日举行。该大会以「未来经济，数字优先」为核心议题，邀请了超过 400 位各领域专业人士参与，设置了 38 场专题论坛，并设有 42 个展示区域。
不过因为疫情关系，这届数字生态大会首次从习惯的线下形式改成了线上举行。在大会准备期间，主办方考虑到没有常设的客服团队和专职的客服人员，预见到有限的人工客服位置不可能满足数百位参会者的咨询要求。所以主办方决定建立一套线上客服系统，并且用智能客服机器人来处理参会者的引导和答疑任务。不过，大会事先没有准备线上运营的专用资料库，加之活动持续时间很短，只有三天，因此客服机器人的实施和管理工作遭遇了很大的困难。
云小微和腾讯企点联手开发出线上大会的智能客服系统。该系统以「腾讯企点客服」为工作平台，运用「云小微对话机器人」实现客服自动应答功能。系统为参会人员给予周全且智能的指引和解答服务。
腾讯云小微的对话机器人，即 Robot，ICR，是运用人工智能技术、针对企业环境推出的 AI 服务。该产品可用于客服、信息提供、业务处理等场合，目的是协助企业迅速建立符合自身需求的工作型对话机器人，进而降低企业用工开支或处理服务响应滞后的状况。
案例落地流程及使用技术
面对腾讯数字生态大会首次线上举办导致的知识库空白、活动时间紧等难题，云小微以对话机器人产品为中心，运用自身多种智能技术来完成客服系统的搭建任务。
会议知识库扩充：鉴于会议首次以线上形式举行，此前未建立线上客服系统的语料积累和知识库。虽然项目组紧急搜集相关语料，但数据量依然无法满足机器人训练需求。因此，云小微运用「冷启动知识库扩充技术」，借助腾讯在大数据及人工智能算法方面的积累，依据有限的标准问答材料迅速生成类似问题，迅速充实语料库。不同于传统依靠人工为问答内容匹配关联问题的做法，云小微的新式计算方法能在极短时间内自动生成对应问题的十倍或十五倍近似版本，为快速部署并启用客服程序提供了条件。
模型训练方面，云小微对话机器人所配备的「在线机器人 AI 应答引擎」基于最新 BERT 框架构建核心算法模型，能够有效提升机器人在大会相关专业知识领域的训练效果，同时借助多种技术方法减少模型对训练数据量的要求。AI 响应系统内置了检索式应答单元，该单元能够利用规模增大的信息库，为智能助手配备常用咨询答复的搜寻对接能力，协助访客处理一般性问题的咨询。
客服互动效能提升：云小微借助「自我评价不达标问题标记系统」辅助机器人部署后的改进工作。系统自动记录用户反馈不满意的应答内容于后台，供人工客服实施标记和调整。接着算法依据标记信息优化问答系统，迅速增强同类问题答复的令人满意程度。同时，经过标记的对话资料也会进行扩充，用以扩充知识库的容量。因此，即便会议时间总共才三天，这个计划仍然有助于改善客户咨询的回应质量。
应用效果
腾讯企服联合云小微研发的客服系统正式启用，其配备的智能客服机器人在腾讯全球数字生态大会上运作仅三天，便处理了超过一万的次客户咨询。该机器人能够精准识别客户问题的能力达到了91.5%，用户对机器人客服的满意度高达99.05%，并且机器人在整体接待服务中占据了60%的比例。
当然，中国智能客服领域除了腾讯云小微之外，还出现了许多不同类型的方案，我们在报告里对这些方案做了研究。
市场主流七大类别智能客服解决方案分析
中国智能客服市场头部厂商从宏观层面可简单分为四大类型。
这些智能客服企业由大型网络公司支持，例如腾讯云企点客服、网易七鱼、阿里小蜜等，它们通常已经在其母公司主要业务中部署，并在吸引客户方面拥有显著资源优势。
这家公司属于云通信行业中的智能客服提供商，比如环信和容联七陌，它们原本主要提供传统云服务，现在正逐步拓展到语音智能客服机器人或人工智能交互机器人业务，凭借云端技术积累，在这方面具备一定竞争力。
这些公司属于传统行业智能客服领域，原本是硬件或软件的供应者，在硬交换时期提供服务。近些年，由于互联网和人工智能技术的进步，它们进入智能客服市场。例如快商通和小能科技，就是这类企业的代表。与其他类型公司相比，它们拥有丰富的传统企业客户资源。
第四类是新兴智能服务或自动化设备初创企业，比如小 i 机器人、云问等，这些公司凭借关键的人机互动、语言理解等核心技术开拓市场，因此技术上的领先或许构成它们的主要竞争力。
所有类型的智能客服企业，都要应对顾客的特殊化与多样化需要，目前市场上已经成熟的方案，本报告归纳了当前市场占主导地位的七种智能客服方案。
当前业界普遍应用的方案顺利实施，使得智能客服成为公司数字化管理进程中能力增强的重要支撑。
这份报告还涵盖了智能客服的进步方向和重要意义等信息，欢迎大家查看完整报告。