专访 | 蚂蚁金服MISA：比用户更懂本身的天然说话客服体系

作者：邱陆陆

当手机代替了钱包，付出宝乃至比现金更常用，与蚂蚁金服的产物端一同繁忙起来的尚有公司的处事端。95188 处事热线就是个中之一。

然而当我们谈起客服电话，想到的如故是传统的按键菜单（「平凡话处事请按 1，for English service please press 2」）和在机器而漫长的语音播报里守候的烦躁。「在已往的统计里，只要用户没转接人工，就算作『题目被自助办理了』，着实在我们看来那不叫『办理』，叫『消费』。」 蚂蚁金服的产物运营专家弈客说。承袭着这样的理念，团队开拓了 MISA（Machine Intelligence Service Assistant），一个可以或许通过辨认用户的语音中包括的营业需求来直接举办回应的客服体系，他们称之为「37摄氏度的自助语音交互」。

在金融营业规模，客户处事涉及很多环节，通过人工智能的技能办理客服题目，为宽大用户提供高效、本性化的普惠金融处事，成为金融科技规模很是基本、很是具有挑衅性的课题。

最近，在蚂蚁金服提倡的「ATEC蚂蚁开拓者大赛——人工智能大赛」上，这支团队在预赛就拿出了来自现实应用场景的 10 万对标注题目集，并开放相干资源与专家指导，约请人工智能开拓者来挑衅「题目相似度计较」这一客服规模最基本也最焦点的使命。

现在，赛事已经集结了来自环球高出两千支步队报名，并开启了剧烈的精确率打榜比赛。克日呆板之心也有幸拜望蚂蚁金服，采访了 MISA 团队中的三位焦点成员：人工智能部资深算法专家深空（张家兴 ）、客户处事及权益保障奇迹部产物运营专家弈客 （于浩淼 ） 以及人工智能部算法专家千瞳（崔恒斌 ），聊了聊怎样操作深度进修算法构建可以或许「未卜先知」的客服体系。以下内容按照采访实录清算，呆板之心对内容作了不改变原意的调解。

MISA 的「生长故事」与「近照」

呆板之心：开拓 MISA 体系的初志是什么？

弈客：95188 付出宝处事热线是一个典范的 IVR 场景（Interactive Voice Response，互动式语音应答），作为一个语音渠道，它的营业方针很简朴，就是「定位用户的题目，匹配响应解答方案」。一开始，它就是一个传统的按键菜单，其后跟着蚂蚁金服营业线的日益增添，按键菜单无法满意营业需求，同时语音辨认技能也进入了一个根基可以投入应用的阶段，以是从 16 年头开始，我们和算法工程师一路，实行找新的办理要领。

最初的设法是让用户描写本身的题目与场景，然后将描写与我们的营业与常识举办一次匹配。其后，我们发明单次匹配也很难做到出格精准，由于用户很难在单次描写里给出所有所必要素，以是就实行以多轮交互的情势，用一个对话体系来辅佐用户补全其描写中缺失的部门。

再其后，我们发明与其让用户完全清晰地描写本身的题目，不如我们率先发问。我们做了大量的市场调研，发明现在市面上的客服体系也根基上以「描写与匹配」模式为主，涉及多轮交互的自己就很少，在多轮基本上成长偏向也没有那么明晰。因此我们就回到了蚂蚁自身。我们就想，能不能基于用户在提问时所蕴蓄的举动特性，以「猜题目」的情势让体系率先提倡对话，低落用户的行使难度。对比于「你有什么题目？」，「你是不是想问 XXX 题目？」就要轻易答复得多，纵然用户答复「不是」，我们的题目也会为他接下来的描写提供一个示例。

图：现在的 95188 语音处事流程

呆板之心：此刻 MISA 的体系由哪些部门构成？别离完成什么使命？

深空：MISA 的首要模块有猜题目、题目辨认、反问交互三个。「猜题目」是蚂蚁金服在客服规模的创始，是一个操浸染户也许与本次致电相干的信息，基于深度进修算法框架构建的题目辨认模子。「题目辨认」是按照用户的描写定位他也许碰着的题目。「反问交互」是在用户给出的信息不全时，操作「要素拆解和补全」的方法辅佐题目辨认模块圈定范畴，低落题目识此外难度，以反问的情势与用户举办交互。

呆板之心： 除了用户转为文本的语音输入外，MISA 的体系还会吸取哪些输入？怎样分类？

深空：我们将输入分为因子、轨迹、文本三类。因子是由营业方界说的、具有明晰寄义的特性，譬喻：已往24小时是否有还款举动、已往24小时是否产生过转账举动等。因子约莫稀有百个。轨迹是用户最近的 120 个「举动」构成的时刻序列，个中一个举动指对长途处事器产生一次哀求。举动的种类高出一万种。文本是用户的描写以文本情势表达；在「猜题目」环节，文本指用户的汗青描写，在正常的「题目辨认」环节，文本即把本次电话里用户对题目的语音描写转换成文本。文本是一个长度各不沟通，乃至也许空白的输入。

呆板之心：作为一个以辨认为首要目标的体系，MISA 会将用户的题目匹配到几多种范例里？怎样给出应答？

弈客：必要匹配的题目范例的详细数字跟着营业上线与下线会有浮动，局限约莫在「数千」这个量级。

大框架上，应答可以分为三类。第一类，假如用户的题目很简朴，能用一两句话说清晰，我们就以播报的情势输出。好比之前余额宝一个营业的产物方案举办了调解，从不限转入金额到天天最多只能转入两万。这时辰当用户转入堕落前来咨询，我们就会以播报情势把营业调解关照给用户。第二类，假如方案必要用户在某一个产物页面举办操纵与交互，我们就会把响应页面在用户的 app 里拉起来。用户挂掉电话打开 app，就能看到办理方案页面的推送，点开就可以完成操纵了。最后一类，我们判定相对伟大的题目，就转接人工小二处理赏罚。

呆板之心：一位用户均匀必要与体系举办几多轮对话可以或许定位到本身的题目呢？

弈客：一开始体系手段还没有那么强的时辰，我们把最多对话轮数配置为 4 轮，假如 4 轮对话之后用户的题目如故没有获得办理，就转交人工客服。通过不绝的优化，此刻用户的均匀对话轮数不高出两轮，或许在 1.8-1.9 阁下。

客服体系是奈何炼成的：模子选择、评估与优化

呆板之心：在处理赏罚天然说话文本时，用到了哪些深度进修模子？

千瞳：我们起首用本身预实习的词向量对文本举办暗示，然后别离用到了卷积神经收集（CNN）和以 LSTM 为根基单元的轮回神经收集（RNN）对文本举办处理赏罚。

卷积神经收集中，模子对由词向量构成的文本做一维单层卷积与池化，形成一个向量，RNN 则把文本视为一个序列，处理赏罚后也获得一个向量，最后，将两个向量相加，获得一个代表本段文本的新向量，然后与代表因子和轨迹的向量加在一路，举办分类。

呆板之心：为什么同时回收 CNN 和 RNN？

千瞳：两种模子提取特性的手段差异。CNN 的手段在于提取要害词。RNN更擅长捕获序列相关。

呆板之心：分类模子与题目辨认模块的相关是？

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!