精华内容
下载资源
问答
  • 阿里巴巴资深专家孙健在2017云栖大会·北京峰会中做了题为《云小蜜智能服务机器人》的分享,就正在发生的变革:人工智能正在重构B-C的关系模式,云小蜜开放平台,云小蜜开放平台背后的核心引擎,云小蜜未来的思考等...
  • 阿里小蜜智能对话开发平台是智能服务事业部推出的面向各行各业的对话构建平台,此次分享将结合平台,对小样本下的语言理解、用户模拟器和基于模型的对话管理的算法研究和落地进行介绍。 文章目录对话系统简介自然...

    原文地址

    分享嘉宾:唐呈光 阿里巴巴 算法专家
    编辑整理:刘汝洲
    内容来源:阿里小蜜 & DataFun AI Talk
    出品社区:DataFun

    阿里小蜜智能对话开发平台是智能服务事业部推出的面向各行各业的对话构建平台,此次分享将结合平台,对小样本下的语言理解、用户模拟器和基于模型的对话管理的算法研究和落地进行介绍。

    对话系统简介

    对话系统的一般架构如图:
    在这里插入图片描述
    这是我们所熟知的对话系统框架,这里面主要有:NLU 自然语言理解,DM 对话管理,NLG 自然语言生成3个主要模块,DM 里面有 dialog state tracking 用于对话状态追踪,policy 用于对话策略管理。

    当我们在执行一个对话任务时,例如“开发票”,系统不仅要识别用户的需求,还需要与外部系统对接,进行订单号的合法性校验,调用开发票接口等,这时候 DM 不仅要完成与用户的交互、管理槽位信息,还需要访问外部接口,管理调用的结果。
    在这里插入图片描述
    当构建好一个机器人后,还需要进行对话的诊断,效果评测,才能发布上线,如果这些工作全都让人来完成,整个过程会非常费力,于是我们引入了用户模拟器来提高整体交付效率。
    在这里插入图片描述
    云小蜜对话机器人核心算法主要包括三部分:1. 自然语言理解;2. 对话管理;3. 用户模拟器。

    自然语言理解

    由于云小蜜对话机器人需要满足各行各业各种场景下的对话服务需求,所以我们的自然语言理解是平台视角下的自然语言理解。根据训练样本的多少,我们把它分为3种不同的情况:无样本、小样本、多样本。在没有样本的情况下,我们提供了一套简单易懂的规则表示语法,帮助用户实现快速冷启动。以查天气为例,用户只需写1条规则,就能表示100多个句子。

    在这里插入图片描述
    在小样本的情况下,比如共10个类别的意图,每个意图下有十多个样本,这种情况下还不足以训练一个有监督模型,但我们可以借助平台数据积累的优势,当只有少量样本的情况下,也可以做出比较好的结果。

    实现思路:我们先整理出一个大数量级的数据(十万级别),每一个类目几十条数据,为它建立 meta-learning 任务。对于一个具体任务来说:构建支撑集和预测集,通过 few-shot learning 的方法训练出 model,同时与预测集的 query 进行比较,计算 loss 并更新参数,然后不断迭代让其收敛。这只是一个 meta-learning 任务,我们可以反复抽样获得一系列这样的任务,不断优化同一个模型。在线预测阶段,用户标注的少量样本就是支撑集,将 query 输入模型获得分类结果。实验表明,few-shot learning 的效果优于无监督相似度匹配的方法。
    在这里插入图片描述
    具体是怎么实现的呢?我们借鉴了图像领域的工作,图像领域大多数工作都只考虑了样本的信息,但是在 NLP 领域样本的信息可能会存在噪声或冗余,比如说“开发票”场景,用户在表述开发票这个事情,除了常见的“我要开发票“、”帮忙开一张发票“以外,他还可能会说:“你好,我前两天在你们店里买了一条裙子,请问现在能帮我开下发票吗?”而这样的句子是普遍存在的,我们需要对这些句子进行归纳,得到类别的信息,然后再与要预测的 query 比较语义相似度。它的神经网络结构分为3部分,首先是 Encoder 将句子变成句子向量,然后再通过 Induction Network 变成类向量,最后通过 Relation Network 计算向量距离,输出最终的结果。
    在这里插入图片描述
    Memory-based Induction Network 是我们在 Induction Network 的基础上引入了 memory 机制,目的是模仿人类的记忆和类比能力,在效果上又有进一步提升。

    Induction Network 很关键的一部分就是怎么把样本向量抽象到类向量,我们采用的是 matrix transformation 的方法,下图显示的是1个 5-way 10-shot 的数据,转换前,几个类很难区分,类中心不够内聚,转换后,类边界更清晰,更利于下游 relation 的计算。
    在这里插入图片描述
    当业务方有一定标注数据的情况下,我们就考虑上监督模型了。在云小蜜实际业务场景中,企业相关的标注数据的获取成本是比较高的,因此有监督模型的目标是希望让业务方能够在标注数据量不是很大的情况下达到很好的效果,因此我们构建了一个三层的模型,最底层是具有较强迁移能力的通用模型 BERT,在此基础上构建不同行业的模型,最后用相对较少的企业数据来训练模型。这样构建出来的企业的 NLU 分类模型,F1 基本都在90%+。

    这种模型也有缺点,就是它的结构比较复杂,在线预测的时候延时会比较长,在真实生成环境中应用落地有困难,所以我们通过知识蒸馏的方法来进行模型压缩,在效果相当的同时预测效率更快了。

    在实际业务场景的多数情况下,任务型对话和 FAQ 型问答一般都是同时存在的,我们也引入了多任务学习(multi-task learning),能让任务共享底层的信息并互相增强,使得模型具有更强的泛化能力。在政务场景里,我们通过多任务学习, acc 提升两个点以上。
    在这里插入图片描述
    简单小结一下,这是 NLU 的整体能力输出的能力版图:
    在这里插入图片描述

    平台视角下的对话管理

    对话管理成功的三要素:

    1. 业务建模:能够对不同行业不同场景的业务进行抽象,能够用一套统一的表示体系建模,保证业务逻辑的正常运行;
    2. 具备鲁棒性:能够很好的处理业务未定义的通用对话需求和各种异常情况;
    3. 持续学习的能力:能够在与用户交互的过程中,不断的学习,不断适应新场景,根据用户的反馈调整系统的对话策略。
      在这里插入图片描述

    基于 TaskFlow 的业务建模

    我们以“火车票”场景为例,一个有经验的卖火车票的售票员在指导一个新售票员的时候,他会把常见的对话样例描述出来,让新售票员知道用户怎么问,我该怎么答,同时他还会告诉新售票员需要查询哪些系统才能获得票务信息,以及有票和无票的情况下分别怎么回复用户。

    基于对上述真实场景的观察,我们对整个交互过程进行抽象,我们认为对话的基本单元是一个 turn ( 一轮 ),它可以拆解为3部分:用户说、机器人思考和机器人回复,分别对应三个基础节点:触发节点、函数节点和回复节点。上面说的是单轮的情形,如果把所有的后一轮的触发节点接到前一轮的回复节点后面,就构成了一个多轮交互 ( multi-turn ) 的对话。
    在这里插入图片描述
    为了让 TaskFlow 在平台上执行,我们设计了一种双层状态机的方案,上层是对话逻辑,底层是一套通用的对话引擎,通过这种解耦的设计,不论上层的业务逻辑如何变化,下层都用一套统一的引擎在支撑,如果想赋能上层业务,只需要不断升级底层的能力,上层的所有业务都会受益。
    在这里插入图片描述

    具备鲁棒性

    如果对话管理只能保证用户已定义的业务逻辑正确运行,它的鲁棒性还不够,还需要考虑更多情形,包括:通用对话能力和异常处理能力,如图:
    在这里插入图片描述
    总体的实现思路是,通过系统内置 TaskFlow 实现对话鲁棒性。以“流量包业务”的对话中模糊澄清为例,我们采用插件化的方式实现,在用户定义的 TaskFlow 基础上,增加澄清 TaskFlow,它的功能包括:

    1. 判定是否需要触发澄清;
    2. 选择澄清的策略:是隐式澄清还是显示澄清,是单意图澄清还是多意图澄清;
    3. 澄清话术的生成

    在上线之前,系统会把这两部分的 Taskflow 进行编译和链接,变成一个可执行的 Taskflow,然后放进执行引擎提供在线服务。其他的功能,比如重听,个性化拒识等都是采用同样的方法实现。
    在这里插入图片描述

    可持续学习

    以上的两部分能力都是解决对话中高频、确定的部分问题。如果希望用户在实际对话中越聊越好,仅有以上部分是不够的,需要利用好对话数据,建立对话模型,去 cover 中长尾对话行为,并且基于反馈快速调整对话策略,从而获得更好高价值的智能。
    在这里插入图片描述
    持续学习:
    在这里插入图片描述
    总体分为3步:

    1. 构建 DM 模型,保证它是可学习的;
    2. 让模型可交互学习;
    3. 支持在线学习。

    训练模型得先有数据,我们构建了一个用户模拟器,让它与机器人对话,从而获得大量的带标注的数据,然后分别训练 DST 模型和 Policy 模型,这一步完成了机器人知识的蒸馏,可以获得一个与规则系统效果上等价的 DM 模型。接下来,对 User Goals 进行采样,通过用户模拟器对 DM 模型进行交互,利用 Reward Evaluator 模型进行 Reward 打分,从而获得大量的 Transition 四元组:
    在这里插入图片描述
    利用增强学习 A2C 算法训练,直至收敛。然后发布到线上,进行在线学习。

    Dialog State Tracking(DST)

    在这里插入图片描述
    真实场景下,我们的 DST 与学术界相比,有以下几点主要差异

    1. 多智能体建模:DM 不仅跟用户交互,还跟多个外部服务交互,这些服务都可以看做是一个个智能体;
    2. 追踪变量:外部返回的结果会存储在变量中,我们的 DST 扩展了数据形式;
    3. slot-value 假设:学术界假设 slot value 都是离散可枚举的,哪怕是“时间”类型的值,会通过静态化处理进行简化,这显然和实际情况不符,我们不做这样的假设;
    4. 追踪次数:我们对每轮对话中 tracking 的次数不做约束。

    在这里插入图片描述
    如上图所示,一共有两轮对话,每一轮有两次对话追踪。

    DST 模型的输入是上一轮对话的状态、上一轮系统行为、当前轮用户 utterance、API 返回,输出是当前轮的对话状态。

    在这里插入图片描述
    这个模型的核心是 operator。在“约会议”场景中,工号的 slot value 一直在变化,开会时间也是不可枚举,如果把 slot value 加入到模型中训练,在预测的时候就会遇到未知的 slot value,此时模型效果就变差。operator 的操作对象是 slot 本身,它只关心信息的流转,而不关心具体 value 是什么,它摆脱了对 value 具体值的依赖,因此具备更强的适应能力。

    Policy: A2C-ER with TaskFlow bootstrapping

    下图表示的是增强学习的数据收集和训练的过程。首先,用户输入 user act(t),进入一个对话状态 state(t),经过 feature generator 模块,得到 b(t),接着把它输入到 policy 网络获得 act(t),这个 act 会和对话状态一起输入到一个 Reward Evaluator 模型进行打分,得到 reward(t),然后进入下一个对话状态 state(t+1),这时候会得到一个 experience,它包括:
    在这里插入图片描述
    四元组,然后通过 off-policy 的方式进行训练,而这里收集到的样本分布和 policy 真正输出的样本分布存在偏差,可以利用重要性采样 ( Importance Sampling ) 的方法进行修正,这样能训出一个比较好的 policy 模型。
    在这里插入图片描述

    用户模拟器

    Simulation System

    在这里插入图片描述
    从上面所说的 DM 模型的训练过程,我们可以看到用户模拟器起到非常重要的作用,这里我们介绍一下用户模拟器的实现原理。

    我们的用户模拟器是以 Taskflow 为根基构建的,触发节点展开后形成的抽样树对应用户策略,函数节点+回复节点的串联对应用户状态管理,这是实现用户模拟器的基础。

    它由3部分组成:User State Tracker、User Policy 和 User Model。其中 User Model 可以针对不同的任务设定不同的参数,比如:生成对话数据,对话评测,它们的 Goal 和 Profile 都可以不一样,这样既保证是一套统一的建模框架,同时又保证了系统的灵活性。
    在这里插入图片描述
    具体的应用场景如下:
    在这里插入图片描述

    User Simulator - 对话诊断

    这是一个公积金查询的对话流,它一共有175条路径,如果要去覆盖需要输入1000次以上,这个过程耗时耗力。
    在这里插入图片描述
    为了解决这个问题,我们提出了利用一个机器人诊断另外一个机器人的想法,具体的实现架构如下图所示:
    在这里插入图片描述
    它的基本逻辑是,首先有一个对话系统,它加载的是 Taskflow,对话系统与用户模拟器交互,产生对话日志,这里面有成功的 session 也有失败的 session,如果是失败的,会把它送到一个诊断分析的模块,进行错误分析和路径统计,得到错误详情及问题产生原因,反馈给业务人员,业务人员根据提示修正 Taskflow,然后重新诊断,以此往复直到所有的问题都解决。

    总结

    在这里插入图片描述

    展开全文
  • 云小蜜定位为包含对话机器人开放平台和机器人+人协同工作台的面向企业或组织的新一代智能服务整体解决方案。 云小蜜开放平台和核心技术体现在语言理解引擎、Task对话引擎和智能问答引擎。   语言理解引擎 ...







    以下内容根据演讲PPT及现场分享整理:

     

    正在发生的变革:人工智能正在重构B-C的关系模式

    a186f84301e4aa70485e6edcf62ab859f7d6a425

    第一代企业与消费者关系模式是销售。其商业模式是生产出产品后直接销售。销售后,企业与消费者之间的连接就截断了。

    1ed5a464e10ff9837c518be5edd0a56db3226de4

    第二代企业与消费者关系模式是单向连接。商品从企业销售到消费者手中,企业会想办法保持与消费者的连接,如企业公众号。问题是企业与消费者之间关系是单向的,没有自然语言的双向交互。

    be9f81f9a3eed889015f2b66cfad8551da15a978

    第三代的企业与消费者关系模式是双向交互。交互平台需要为企业提供自然交互式的准确、全链条服务平台。为消费者打造7*24h、自然交互服务体验。

    第三代B-C模式优势在于:全链条服务平台,智能化客户体验,通过营销创收;并且有多轮交互。智能客服强在售后服务,节约成本,可以简单回答问题。

    f9506a526c37c0f72a5356b33fb08017a83f2888

    小蜜家族已经武装了阿里内外平台。


    云小蜜开放平台及其核心引擎

    云小蜜定位为包含对话机器人开放平台和机器人+人协同工作台的面向企业或组织的新一代智能服务整体解决方案。

    fc338625de9150eaa8d4fc5b2af3c7a1b3228908

    云小蜜开放平台和核心技术体现在语言理解引擎、Task对话引擎和智能问答引擎。

     

    语言理解引擎

    其中语言理解引擎的设计痛点考虑为启动简单、理解准确和越用越智能。通过内置丰富意图和实体、挂链推荐实体和例句实现多内置多推荐;通过基于规则算法、传统机器学习、深度学习算法实现强大学习算法;通过数据闭环流动和Active learning来实现持续学习闭环。

    36d32156860381e68d074440aa6f72f0c4d2b974

    上图为各种常用内置意图。

    f34d42265e9f73f5a97365b336a69314de7cb250

    通过内置100+实体和与之相连的对应规则贯穿知识基础。

    ab85c087deda2328c3a550b04968cfa9b74a5e78

    通过内置符主义与神经网络融合的意图识别算法去实现深度学习的意图识别。

    f80cd4b6bef748ed430defaf9e22b0a3dfd32efa

    通过Bi-LSTM+CRF的slot filing算法实现深度学习的Slot属性抽取。

    客户自定义意图的识别主要通过冷启动similarity matching技术和grammar技术来实现。

    通过提炼数据中关键词,经过数据预处理达到语义匹配,去重后设置回流样本并标注,达到模型训练后进行模型验证,得出新模型。通过这种方式实现持续学习和进化能力。


    Task对话引擎

    客户期待业务领域扩展快一些;用户对话自由一点;能支持稍微复杂一些的业务流程。但是设置系统的时候面对各行业各业务都有自己的业务逻辑,扩展难度大;当用户不严格按照流程对话时,容易异常跳出,导致业务无法顺利完成;一个Task通常存在多种分支和跳转逻辑,简单的slot filling难以应对。

    目前通过核心引擎和业务逻辑分离,方便在不同企业、不同行业、不同Task扩展实现可扩展性;通过支持Task之间的跳转与恢复,支持各种异常处理和验证来实现鲁棒性;通过以Graph为出发点构建对话流程,支持复杂业务对话逻辑的自由流转,同时支持客自定义功能来实现可定制性。

    fc1d03fb9dde5b7651ee0f5ea49a30e9c8489106

    在对话的可扩展性方面,核心引擎设计思路为解析和执行Task Flow,以状态机的形式,控制每一轮对话交互。业务逻辑设计思路为Task Flow描述具体任务的执行步骤以及流转关系。

    ef2cb78b8fcff4e077a1d463da2792170cd4a3a8

    在对话的鲁棒性方面,业务方设计思路为自定义Task内部逻辑。平台设计思路为支持Task之间的跳转与恢复。

    fdebaef6f18680d7ebd95107272ada11ea68a768

    947fedf883a0674167d69db1a91af5a33e084283

    对话的可定制性的业务流程图和细化图如上图。

    be108d7a8ae080c2b11ed452c8f669d7c9cc7f37

    Bot Framework框架的流转示意图如上。

     

    智能问答引擎

    70894011f01d7d69b4b488b3fd00cf38ded5b67b

    KB-QA是知识库问答(knowledge base question answering)即给定自然语言问题,通过对问题进行语义理解和解析,进而利用知识库进行查询、推理得出答案。划分为精准回答、多轮回答和支持推理。

    5d270c3c4729f3021af20c9a1537e71969697cad

    行业知识图谱实例如上。

    92deee92d45dc97cb3d925284d8048e4cdce8d9a

    问题经过3种约束条件识别问题,确定问题是否在模型以内,在模型内的问题,进过问题曲线标记,推荐出最符合的问题曲线,执行查询并回答;不在曲线内的问题,进行反问。以上是KBQA框架的基本原理。

    72b483b8c7e817a07a026540de85f1636c18c620

    传统方案,对话和问答是割裂的;云小蜜中对话和问答有机而统一地紧密连接。

    云小蜜的平台的核心价值在于通过整合行业结构化知识启动成本更低;通过自主制定能力使业务更灵活;通过持续学习进化使体验更智能。

     

    云小蜜未来的思考

    6650324b3409efd693270ef52839854f5662662c

    云小蜜将以开放、共赢和生态的角度进行发展,未来将扩散到各行各业。

     

     

    本文由云栖社区志愿者小组王晓慧整理,丁匀泰审校。编辑:郭雪梅。

    展开全文
  • 云小蜜是一款面向开发者的会话机器人,支持在不同的消息端上实现基于自然语言处理(NLP)的智能会话,如网站、APP及实体机器人等。用户可以在云小蜜中配置自己特有的知识库实现智能问答,也可以通过多轮对话与第三方...

    阿里云大学课程:云小蜜人工智能训练师

    课程介绍:

    云小蜜是一款面向开发者的会话机器人,支持在不同的消息端上实现基于自然语言处理(NLP)的智能会话,如网站、APP及实体机器人等。用户可以在云小蜜中配置自己特有的知识库实现智能问答,也可以通过多轮对话与第三方API集成实现自助服务,如:订单查询,物流跟踪,自助退货机器人等。

    云小蜜详情:https://www.aliyun.com/product/beebot

    云小蜜人工智能训练师可结合行业知识,通过特征分析和场景问题收集,对云小蜜进行配置和测试优化,让会话更智能、更贴近业务场景。

    阿里官方打造服务生态人才成长计划,权威专业的认证提升个人就业竞争力。持有本认证证书,可证明您有对云小蜜具体场景下应用的配置和优化的能力。

    课程目标

     培养云小蜜人工智能训练师

    开始学习:云小蜜人工智能训练师

    阿里云大学首页:阿里云大学

    展开全文
  • 开发者可以使用云小蜜创建会话机器人,为机器人配置知识库以实现智能问答,使用对话工厂配置意图实现多轮对话与自助服务(如订单查询、物流跟踪、自助退货等),并将机器人部署在不同终端上(如网站、移动APP、智能...

    云小蜜(Intelligent Service Robot)是一款基于自然语言处理(NLP)和人工智能(AI)技术,面向开发者提供智能会话能力的云服务。开发者可以使用云小蜜创建会话机器人,为机器人配置知识库以实现智能问答,使用对话工厂配置意图实现多轮对话与自助服务(如订单查询、物流跟踪、自助退货等),并将机器人部署在不同终端上(如网站、移动APP、智能硬件等)。

    课程详情:云小蜜人工智能训练师

    云小蜜提供以下功能:

    • 免费的机器人实例和多机器人实例的支持

      您使用云小蜜时需要基于机器人实例管理知识库、对话工厂和会话API。当您的业务涉及多个场景、需要为每个场景部署各自的会话机器人时,您可以为每个场景创建一个机器人实例,

      公测期间,云小蜜的机器人实例和会话API完全免费,您可以创建任意个机器人实例进行使用。

      注:有关云小蜜公测期间和公测结束开始商业化后的定价策略,您可以参考本文档的产品定价部分。

    • 知识库

      知识库是一个基于问答和同义词的知识体系。您可以创建一条问答并为其设置同义词,当访问者与机器人的对话可以匹配到问题或任意同义词时,机器人即会将该问题的答案展示给访问者。

    • 预置领域知识包

      云小蜜预置了多个领域的知识包,每个机器人实例创建成功后,您可以在预置的领域知识包中选择与您相关的领域,云小蜜会使用该领域的知识包进行机器人知识库的快速初始化。

    • 知识库批量导入

      知识库提供了批量导入的功能,您可以基于此功能快速地配置知识库。

    • 知识库测试窗

      云小蜜控制台提供了知识库测试窗功能,您可以在部署会话机器人之前使用测试窗验证知识库的智能问答效果。

    • 对话工厂和多轮对话

      对话工厂提供意图和外部服务的集成功能。如要在对话工厂中配置意图,您需要为一个意图配置如下参数:

      • 意图名称,如:查询天气
      • 意图所需参数,如:位置、日期
      • 缺失参数时的提示,如:“您要查询哪个城市/日期的天气?”
      • 意图的处理逻辑,如:第三方天气查询服务或您自有的业务系统提供的天气查询服务

      当访问者与机器人的会话可以匹配到该意图时,机器人会基于“缺失参数时的提示”编排多轮会话来收集意图所需参数;当意图的全部参数收集完毕,会话机器人会调用意图处理逻辑中配置的服务来进行意图的处理。

      对话工厂还支持前置意图、后置意图编排功能,用来实现复杂的多轮会话和意图处理。

    • 会话API

      通过会话API将您的机器人部署到您的终端(网站、APP、移动硬件等等)后,您的终端的访问者即可开始与您的机器人进行会话。云小蜜提供了遵循阿里云OpenAPI标准的会话API,同时为会话API提供了支持多种编程语言的SDK。

    云小蜜服务的优势:

    易于使用:无需成为NLP、AI专家,即可构建智能会话机器人,为客户提供服务。

    云端服务:云小蜜服务完全部署在云端,依托阿里云获得稳定的自动伸缩服务,无需关心基础设施的扩缩容问题。

    本体知识库:通过知识库功能以问答形式录入业务知识,机器人即可运用NLP和AI能力,智能理解访问者问题,寻找匹配度较高的答案,并将答案推送给他们。

    业务集成:通过对话工厂功能,将会话机器人与现有业务系统集成起来。会话机器人识别访问者意图后,可以通过现有业务系统对访问者的意图进行处理。

    标准API:提供遵循阿里云OpenAPI标准的会话API,并且提供支持多种开发语言的SDK。

    双十一考验:云小蜜是阿里小蜜系列产品首次向阿里集团之外的开放和赋能,集成了阿里小蜜在自然语言处理、人工智能、智能客服领域多年来的积累,稳定性、可靠性及准确性历经了多次双十一的考验。

    机器人的使用价值:

    客户体验佳:会话机器人可以秒级响应客户需求,提供24小时无间断服务,在高峰期间正常服务客户,并且可以基于实时需求和障碍预测客户需求,提供主动服务。

    运营成本低:会话机器人可以取代人工,帮助解决大量简单重复的客户咨询或者问题;还可以为员工提供智能辅助,提升员工工作效率。

    提升员工幸福感:智能辅助员工工作,帮助快速定位客户问题,让员工实现更大价值,提升工作幸福感。

    双语支持:会话机器人服务语言支持英文与简体中文两种,让您的服务可以触达更多人群。

    云小蜜对接业务

    云小蜜可以应用在下列业务场景中:

    • 无缝对接人工客服

    云小蜜机器人可以无缝对接人工客服系统。机器人配合人工客服一起,为客户提供服务。具体接待客户模式有以下三种:

    1. 人工优先:人工都挂起或离线时进入云小蜜机器人接待
    2. 机器人优先:所有咨询量优先进入云小蜜机器人接待
    3. 人机分流:咨询量按比例进入云小蜜机器人接待
    • 集成语音识别技术

    云小蜜机器人+语音识别可以实现基于语音的人机交互应用,为客户提供自然语音对话服务。用户的呼入语音通过ASR语音转写服务转换为文本,云小蜜会话接口进行会话理解并返回处理结果,返回的文本通过TTS服务合成为自然语音答复给客户。整个过程无缝衔接,为用户提供流畅的语音服务。

    机器人使用场景
    您可以在云小蜜平台上创建多个机器人,这些机器人可以用在以下场景中:

    • FAQ式知识问答

    机器人通过APP、Web等渠道呈现在用户面前。帮助解答用户问题。用户进入云小蜜机器人后,可设置机器人主动发送欢迎语、banner、简报等内容。

    • 商品导购

    用户有购买意图,但是没有清晰的目标商品时,机器人可以通过多轮对话,了解用户诉求,结合算法模型给用户推荐商品。

    • 业务办理

    机器人通过对话了解到用户意图后,可以直接协助用户办理业务。例如:订机票。

    • 生活助理

    机器人通过对话了解用户诉求后,可以帮助用户搜索获得信息。例如:查询天气。

    • 智能语音导航

    结合ASR(语音转文本)与TTS技术(文本转语音)技术,自动识别用户问题,并给用户提供答案。如:智能呼叫中心系统给用户打电话帮助用户办理业务。

    • 金牌话术

    根据用户问题快速给出答复或者推荐话术,引导客服人员给出更优质的答复。降低客服人员的学习成本和服务差异性。

    更多精品课程:

    阿里云大学官网(阿里云大学 - 官方网站,云生态下的创新人才工场


    转载于:https://juejin.im/post/5ccea14af265da0382612a7e

    展开全文
  • 云小蜜是一款面向开发者的会话机器人,支持在不同的消息端上实现基于自然语言处理(NLP)的智能会话,如网站、APP及实体机器人等。用户可以在云小蜜中配置自己特有的知识库实现智能问答,也可以通过多轮对话与第三方...
  • 在使用云小蜜的过程中,我发现如果不小心的话...进入阿里云-云小蜜-管理控制台-机器人(需要提前设计机器人)-机器人设置-知识业务知识编辑(知识挖掘我们先不管): 2.操作界面 2.1进入业务知识编辑后,页面展示如...
  • 在使用云小蜜的过程中,我发现如果不小心的话...进入阿里云-云小蜜-管理控制台-机器人(需要提前设计机器人)-机器人设置-知识业务知识编辑(知识挖掘我们先不管): 2.操作界面 2.1进入业务知识编辑后,页面展示如...
  • 10月12日,2017杭州•云栖大会上,阿里云正式发布云小蜜——一款智能会话客服机器人。智能客服机器人云小蜜具备36个预置的细分领域知识包,支持中文英文会话,可以7*24小时在线工作。目前,已覆盖阿里巴巴生态圈二十...
  • 今天(10月12日),雷锋网在2017杭州•云栖大会前线带回报道,阿里云下午发布了一款智能会话客服机器人——「云小蜜」。 据雷锋网了解,这款客服机器人是之前「阿里小蜜」的「对外开放版」,2015年年底,阿里正式...
  • 阿里云小蜜对话机器人背后的核心算法 大中台、小前台,阿里小蜜这样突破对话机器人发展瓶颈 机器如何猜你所想?阿里小蜜预测平台揭秘 阿里小蜜:智能服务技术实践及场景探索 云小蜜:在中国移动的落地实践 ...
  • 举个例子:还记得云栖大会智能服务专场上展示的云小蜜吗?现在已经向阿里集团以外开放赋能,在不同的消息端上面向个人和企业提供服务的会话式机器人。 除了云小蜜,还有阿里小蜜、店小蜜,未来还有更多的智能机器人...
  • 凌云时刻 · 极鲜速递导读:11 月 1 日至 11 日,云小蜜全年最低价限时优惠!来源 |凌云时刻(微信号:linuxpk)2020 年 11 月 1 日~ 11 日,凡进行云小蜜...
  • 目录聊天机器人汇总对话管理知识图谱智能客服知识库阿里巴巴小蜜非技术推广其他天猫蚂蚁闲鱼问(拼多多、当当)携程去哪儿京东Uber58 同城饿了么美团滴滴瓜子苏宁贝壳腾讯 聊天机器人 对话智能:国际视角,国内...
  • 场景介绍 现在很多行业中的客服在已经逐渐被机器人所替代,大大减少了...好在我们处在云计算,API时代,可以通过阿里云已经提供的云小蜜、云呼叫中心、智能对话分析、自然语言处理等服务的API来让中小企业快速具备将...
  • 孙健,阿里巴巴智能服务事业部北京团队负责人。他主导的自然语言处理基础平台有力...目前他正带领团队打造面向全行业的企业智能服务对话机器人(云小蜜),从而让每一家企业/组织能够及时响应用户的需求,与用户进行7*2
  • Dialog Studio 是达摩院NLP-小蜜Conversational AI团队研发的面向开发者的智能对话开发平台,目前已经在(多省市政务12345热线、中移动10086、金融、医疗等)、钉钉(通过钉钉官方智能工作助理服务几百万企业)、...
  • 张佶-多语言阿里小蜜-七步构建跨语言鸿沟的对话机器人.pdf 张佶-多语言阿里小蜜.pdf 张安站-百度垂直搜索产品技术中台的战略与战术.pdf 张晓龙_当DDD遇上DCI.pdf 张维-...
  • 2018CIKM AnalytiCup – 阿里小蜜机器人跨语言短文本匹配算法竞赛 Rank2: https://github.com/zake7749/Closer Rank12: https://github.com/Leputa/CIKM-AnalytiCup-2018 Rank18: ...

空空如也

空空如也

1 2
收藏数 25
精华内容 10
热门标签
关键字:

云小蜜机器人