9月24-25日，由中国信息协会、中国信息协会合同中心分会、中国电子北海工业园主办的第四届中国客户服务节在广西北海乐城举行。会议持续了两天，总主题是“弘扬服务精神，通报微笑服务”，主题是“与战合作”，“客服人传承”。
近40名嘉宾和500多名行业代表出席了客户服务节的开幕式。接受“线上线下，组装展示”的互动模式，线上访客超过30万。会议议程包括广西、北海市政府对国家部委领导接待发言、组织者、引导者的讲话、宣布主题演讲、战略互助伙伴签约仪式、《客服人幸福指数调研陈诉》公告解读、《我是客服人》启动仪式、优秀标杆代表讲话、疫情先进事迹及先进民间投诉会、颁奖晚会及两个平行论坛：服务创新治理案例论坛、质检培训治理案例论坛、技术应用交流展区等。云请科技联合创始人郭川玉打个招呼，很高兴能在客服节期间与您见面。
就在这时候，李先生提到，硕士没有很好的培训，没有这样的知识储备，将来也能做一个客服。我以为他肯定做不了客服。今天我讲了他为什么肯定能做这个客服。
事实上，我们有时会讨论服务的本质是什么。我觉得服务的本质是解决问题，可能是解决他的使用问题，也可能是解决客户需求，帮助他创造或者引导一些需求。今天我们就用AI知识和大家分享下一代客服，也强调一下为什么叫下一代智能客服。
首先，我以为在传统的服务体系中，现在大家都是一个接一个的被建立起来的。这些系统建成后，如何才能让这些系统在下一代发挥最大价值？我们就来说说客服最好的本质是解决问题，以及如何支持他好的、高效的、便捷的解决问题，也就是建立知识。有几种知识：第一种，文档，是你的结构化数据。第二类，简历，我们常说的隐性知识，存在于客服的脑壳里。
很多时候客服中心的一些导游员都希望能快速复制一些很好解决问题的客服简历给其他客户。这就是我们所说的简历。客服中心已经完全不是一个孤独的部门了，应该和各个部门整合，互相关联。我们认为这些关联节点就是数据。
最后是引擎。如果要拥抱智能，就要关注你的引擎的数据是如何积累的，你的引擎的一些语义数据库是如何构建的。云问题一出来，如果这个客服中心想转型，现在大家都想从成本中心转型为利润中心。我们认为，如果客户服务中心需要转型，就应该转型为知识授权中心。
他可能会授权给我的营销部门，授权给我的一线问题解决团队，授权给我的用户，但他必须依靠底层知识来完成这种授权。我们用这个案例图作为解释。比如线下有电子商务关怀，你的一些用户，大堂的服务人员，甚至你的管理员。
他们会有很多相关的系统，在这些系统中会有一些业务管理或者业务办公。那么，关联所有节点焦点的工具是什么呢？是知识中心，也是所有串联的客服环节中最关键的节点。如果你有一个好的知识中心，你的智能服务已经完成一年半了。
首先，我们都讲全渠道客服。智能客服的重点是什么？虽然我们在各个末端都有入口，现在有机器人、人机协作、智能工单，但是有两个统一重点的底层支撑单元，一个是智能知识中心，一个是AI能力和培训平台，对我们的客服人员提出了更高的要求。
如果是知识赋权，哪些环节可以赋权？第一个是熟悉的机器人。我们已经非常了解机器人内部的操作。
当你做知识赋能的时候，你不仅推荐了一个知识点，这种知识个性化，这种知识传递是有效的，包括你在知识交互过程中的友好度。你想告诉用户的这个知识，其实这个智能差异体现在机器给你回复的那一刻，可能是在知识交互中，AI知识可以提升客服的实时效率，包括我的客服是否在服务过程中，你是在线还是电话接听服务，这个用户的头像，这个客服当前知识的赋权， 这个客服挪用系统的自动化，这个客服解决知识的查询，其实和知识中心有关。记住，我刚才说的知识中心不仅有知识，还有数据，客服解决用户问题是多么的有才华和方便。昨天嘉宾分享的很好。
如果这个客服现在听到用户说我的订单在那里，最好告诉他在哪里，而不是让他等。在整个授权过程中，你的知识中心就是这样建立的。
此外，人工智能知识有助于提高培训效率。如果你建立了一个好的知识中心，你可以通过这个知识为你的客服做策划培训，给出自己的问题，做出自己的评估。这样的评估并不常见，必须基于每个个体的特点。
就像现在K12的人工智能教育一样，他做了一张试卷，看你可能不知道哪些题，并在这些题上多推了一些，让你不断了解这条知识。比如AI知识赋能，有些制造企业往往会有一些维修人员和业务人员在一线，不仅是我们的用户，还有客服的工具，而这些人提出的问题一般都比较专业，很多公司会自己成立，可能专门解决这些人的问题。因此，如果你建立了一个好的知识中心，你可以帮助他创建一个自己内部知识的准确标题。
这个人从入职开始到他的各个阶段，就像说这个人在修地铁，车的前部或者后部。他会根据这个人的特点，把他应该学习的知识类型推给他。
其实服务不仅仅是这么做的，你提问的时候我会告诉你，而是在他的问题发生之前。现在还有一个很好的做法，AI知识的主动服务。现在有些用户其实并没有在客服平台上提问，或者在提问的时候会给你服务务造成很大的压力，因为要一对一去解决他的问题，好比说洗衣机用了什么问题的时候，肯定先去百度一下，或者是说如果我主动做一些很有意思的抖音什么的，他是1对N的，常见的一些问题他的效率是很是高的，如果我有智能化的手段，他有什么样的问题主动做一些解决，其实就可以做到。
这个另有比力关键的点，也是接下来技术很是焦点的部门，AI+结构化知识的查询能力，知识库有很是多的类型，文档，另有结构化的数据。如果一个产物有名称、出厂日期、价钱、有效期等等，如果我想把他编辑成一个用户可以随时提问的知识，通过知识库很难去做到，通过AI—2，这个事情就变的很是利便，好比说出厂日期在几月几号，之前的产物有哪些，他比出厂日期几多之后的贵几多钱，这些都可以去通过智能数据加工完成，这些其实都离不开对于知识的高效AI处置惩罚。接下来给大家分享一下如何去构建知识中心，我们提倡的是以知识AI加工增加解决问题的效率，云问跟某个电力行业的客户，因为我以为他是最有代表性的场景。
首先，云问在去年的时候提出来客服动态的思想，我们认为思想纷歧定说非要根据这个系统实施，AI中台有一个知识中台架构，包罗知识运营能力、知识加工能力、知识AI能力，知识库的平台，以及对知识数据的分析能力，以及你的治理结构，知识运用场景，你要想清楚这些知识会用在哪些地方，未来把它赋能到更多的地方，这个也是我们客服新的定位的问题，一定要解决好，这样才气提升我们在企业内里的价值。给大家讲一下配景，有这样的一个电力公司，他的设备很是多，他的知识中心在建设历程当中大家可能有一些共识，你的信息漫衍散乱，好比说你可能漫衍在更多的系统当中，你的技术处置惩罚的手段也很有限。好比说，可能检索的时候不是很利便，设备的这些知识还不停的在更新，你可能引入了一个新的设备，可能这个设备作为更新换代，知识不停的举行变换，包罗你的运营治理有没有很专业的，服务能力、运营能力可能都比力欠缺。
在这种情况下，我们怎么通过一个很好AI知识中心往复做构建呢？首先，数据的底层，数据划分知识会有几种类型，第一个是非结构化的数据，包罗文本数据。好比它的巡检，定期检验设备陈诉，包罗自己出台的尺度规范，以及一些媒体数据，好比说出厂设备的图纸，故障的图片，培训的视频，可能不局限于简朴的文本。第二个，办结构化数据，它有一定的花样，填一个申请单，事情牌，操作有哪些票据，这些有牢固的花样，可是它内里所填写的内容有许多。第三个，结构化数据，好比设备的台帐，巡检记载等，为什么很是详细讲这些工具，希望我今天的分享能给大家带来资助，我们自己可以思考一下，这三类数据很是有哪一些可以关联到未来的客服系统当中去。
这个时候就要通过AI的手段去做，好比说通过知识构建的时候通过拆解去做，把整个一篇文档数据转成PDF数据也好，或者是段落数据，把大的篇章知识转化成原子节点知识。数据录入事情，其实这些录入的事情没有给大家展开来说，包罗它可能会有知识图谱的录入结构，建设你的图知识库，建设你的D2R，最后要把它录成你可以清晰去明白的一些结构化的类型，最后形成一个整体的知识中心，通过架构知识中心，可能包罗数据底层，包罗你对接的系统，好比说你的TTS、ASR系统等举行划分，因为你在挪用的时候这些数据是很是重要的，包罗你数据的文档哪些做存储，还要建设AI引擎，包罗我适才讲的训练的引擎，包罗你存储的一些方式，文本处置惩罚的技术，这些都是要去建设起来的，这边在我们文章中叫做AI中台，下面另有一个数据中台，你要去更好的治理起这些数据。再往上就是知识中心，好比说你的百科、云库，你的生命周期库、知识图谱，再往上面就是赋能和运用，如果你把这些底层架构好的话，知识能够去用到这么多地方，希望未来客服人把这套做起来之后，我们就能酿成首席知识官。
因为企业里最重要的就是知识的沉淀，当这小我私家走出大门外的时候，这小我私家的知识还能留在你的公司，我相信任何一个向导都市比力喜欢。构建起来之后就是这样的结构，我们公司的民众号大家可以扫码去回复知识图谱，可以看到内里很详细的记载文档，包罗你的文档、类型、名称，基于这些点构建起整个的知识图谱。这里讲到了接下来的一些运营，我们用我们最擅长的给大家举例子，我们怎么样才气够把机械人运营的好呢？在后端建设的时候很庞大，需要很高的能力，可是在前端运营的时候只管简化，所以我们出了体检陈诉，我们会有自己的知识诊断，跑出来之后会告诉你在那里建的欠好，好比说分类是否合理，知识可能在哪些环节上做的不是很好，全部把这些工具出来，就像系统体检一样。
紧接着，在做机械学习的时候，只管完成自动化的历程，好比说拾贝，可以从服务记载内里发现可能存在的知识，把它的关联关系列出来，可以用一个你OK的知识点合并成一个。首先，我昨天跟客服聊的时候，为什么我们在做整个智能客服的时候效果不是很好，我以为你们第一步没有做，你要做你的领域数据库，这个时候可以通过机械手段找出来。好比说家电行业它的分类，好比说电视分类。
第一类是电视，好比说液晶的还是什么类型，型号是什么样的，去做到这样的关联关系，建设底层的这些数据库对我们未来的数据检索、知识检索是很是有用的。知识冲突动态检测，用户也经常反馈，你看我机械在运营的时候，最后系统内里有很多多少知识挂了差别的人在维护，大家怎么去做冲突的检测呢？你通过系统去做一些事情。
这个地方要着重讲一下，再次给大家出现这样一个观点，知识的寄义内里另有一个对于引擎的知识，我们在构建知识库的时候不要忽略了引擎要去用到哪些知识，好比说你的参数库，你的词的上下位的关系。打个例如，我要装一台电视，我要问你电视的型号，或者你是在哪个店购置的，或者是现在地址是什么，需要我们有底层库，有品牌参数库，不管你未来在质检的时候，在做产物故障问题分析的时候，还是说在整个质检培训的时候，这些都是可以做到很好的挪用，所以底层构建的隐形知识库也很重要，会为AI做赋能的时候提供很好的资助。构建很好的知识底层就可以在上层做许多应用，这也是客服很痛苦的，做一个什么样的应用都要跟厂家说，包罗AI开发，如果有这个能力自己可以做一些应用。
线上问答、知识训练到知识库内里的一些做法。AI的知识引擎如果已经构建出来之后，我们怎么样能够使用好这样的引擎做好数据运营，这些数据的运营可以资助我去做到一些决议和支持，不光我的客服是发现我一些问题，我还可以给我的这种营销的决议也好，治理的决议也好，提供一些辅助。
首先，之前讲了NLP的能力中台，包罗底层算法层、模型层以及能力层，如果你的能力层构建起来之后，上层的应用都是通过能力的架构完成一些应用。例如说，我以某个家电的行业全平台的评价分析中心来举例子，现在许多企业都市面临一个问题，客服现在只能分析我客服的一些记载，知道或许可能存在什么问题。可是，我的信息源能不能更广，好比说我的信息源有社交平台信息、微博信息、用户反馈、内部工单系统，我把所有的系统并联在一起到中心内里去，把这些节点做一些分析，通过之前构建好的知识运营架构做一些分析，这个时候我们就可以赋能到许多的服务场景，好比说你行业口碑的改善，我发现这个地方有一些，我们主动的去做支持，或者是用户的投诉在哪个地方，直接去干预，这样就可以把整个企业的信息舆情也好，包罗评价也好，放在一整个平台上做关联和分析，也可以让他去关联节点。
好比说，现在许多企业会做NPS，如果我们发出去许多的NPS观察问卷，我们怎么能够发现这些NPS观察问卷内里所关联的信息节点呢？好比说有的一些数量统计，最基本的数据统计在你的平台上面，我们可以看到有哪些标签上面是排名比力高的，是我们要去解决的问题，好比说你的标签的漫衍占的比力高，标签关联关系，例如说你的配件标签跟服务态度是很相关的，许多用户在受到维修人员服务态度欠好的时候可能都市去提到他是因为配件价钱贵，所以两个标签差别的关联关系会让你在解决问题的时候发现新的问题，否则你总是会以为就是因为维修人员态度欠好，可是他为什么态度欠好，本质可能是配件价钱的原因，所以你要在这方面做一些调整或者是话术上的调整。最后，给大家先容一些云问的信息，一直都专注在智能语音与交互的技术上面，到现在有300多家KA的用户，天天数据交互量凌驾一亿，也是智能助理小组的牵头人。这是我们服务的一些用户。基于AI+知识的全面服务，云问有一个比力有情怀的词语，这些都是从古文当中抽取出来的一些跟我们相关的词汇。
好比说雅言，官方普通话，司南就是我们的一些偏向，杏坛就是流传知识的地方，星秀就是客户需要我们去关注他，玲珑是客服助理等。最后，总结一下，云问我们希望凭据客户的需求去做AI的落地，不是抱着单一的产物去做企业，好比说你企业的知识、服务特点深度界说整个计谋，切合你的场景，所以为什么提出来AI+知识，通过你的知识就能相识AI的特点是什么。
所以，我认为一家及格的智能应用公司首先应当是一家AI咨询公司。最后，希望用AI和我们客户一起去做下个时代最伟大的企业，谢谢。
本文来源：im电竞-www.yyyyks.com