想必不少人都接聽過客服人員打來的電話。作為企業(yè)營銷及品牌價值宣傳的第一渠道，“呼叫中心”、“在線客服”、“客服機器人”等客服系統(tǒng)在新技術(shù)的催化下得到蓬勃應(yīng)用。在金融、教育等對客服需求頗大的行業(yè)里，企業(yè)通過建立自己的客服團隊，向用戶推銷產(chǎn)品。

而另一個事實是，諸如“對不起，我很忙”、“謝謝，我們不需要”絕大多數(shù)用戶的婉拒和反感聲中，反映出客服行業(yè)面臨的諸多挑戰(zhàn)。AI技術(shù)的日趨成熟，如何更好地通過技術(shù)手段改善用戶與企業(yè)之間的溝通效率？如何提升銷售轉(zhuǎn)化？優(yōu)化營銷業(yè)務(wù)流程？

今年6月，一種新的NLP模型預(yù)訓練方法XLNet的推出，讓不少人看到了它的研究意義及落地價值。作為論文一作的楊植麟很快將該方法應(yīng)用在了共同創(chuàng)立的公司循環(huán)智能（Recurrent AI）的業(yè)務(wù)線中。

循環(huán)智能要解決的是，通過機器學習的方法分析原始的語音文字銷售過程和銷售轉(zhuǎn)化過程，幫助企業(yè)提高銷售轉(zhuǎn)化率。

截至2019年8月，循環(huán)智能已服務(wù)二十余家中大型企業(yè)客戶。在創(chuàng)業(yè)初期，經(jīng)過長達一年多的產(chǎn)品打磨周期，與其想要構(gòu)建的競爭壁壘分不開。團隊在發(fā)展初期花了很長時間積累技術(shù)，2017年底有了一個比較成熟的模型。

近日，雷鋒網(wǎng)采訪了循環(huán)智能CEO陳麒聰、CTO張宇韜以及AI和產(chǎn)品負責人楊植麟，他們分別從業(yè)務(wù)、技術(shù)、AI產(chǎn)品的角度進行了闡釋。

切換到場景思維

據(jù)官方資料介紹，循環(huán)智能主要提供的是一套智能化銷售系統(tǒng)，在客戶交互渠道如電話、IM中挖掘線索，主要有三大核心模塊： 

• 線索重定向，從企業(yè)客戶的CRM系統(tǒng)里尋找挖掘更多高意向用戶，提升銷售轉(zhuǎn)化率

• 客戶心聲分析，將大量非結(jié)構(gòu)化文本抽取出來，做批量高效的生產(chǎn)，分析和監(jiān)測銷售溝通過程中的轉(zhuǎn)化漏斗和客戶畫像

• 智能質(zhì)檢，幫助企業(yè)客戶發(fā)現(xiàn)與用戶交互中的問題與風險

循環(huán)智能在融合呼叫中心、CRM、BI等不同系統(tǒng)的同時，也在中間層搭建了語音、語義識別技術(shù)環(huán)節(jié)，以更好地支撐用戶數(shù)據(jù)。

如上圖所示為循環(huán)智能的整體服務(wù)架構(gòu)，當語音數(shù)據(jù)、文本數(shù)據(jù)流進入循環(huán)智能系統(tǒng)后，將在聲紋識別、語音識別、語義理解、標簽分類器等多個技術(shù)引擎中并行處理。例如，通過ASR轉(zhuǎn)寫，可以將一段語音轉(zhuǎn)化成文本；通過標簽分類器，可以得到由人工標注的分類訓練語料；通過語義的文本聚類，又能以無監(jiān)督的學習方式組織文本信息。最終，不同技術(shù)引擎處理生成的數(shù)據(jù)，將依據(jù)不同訴求進行匹配和組合，進而形成可視化、高價值的數(shù)據(jù)，并以質(zhì)檢、客戶畫像等產(chǎn)品形態(tài)為客戶業(yè)務(wù)做支撐。

這個過程中，循環(huán)智能會分別跟呼叫中心、CRM、BI等上下游企業(yè)建立合作，將得到的非結(jié)構(gòu)化數(shù)據(jù)“收集起來，同時進行分析”，從而轉(zhuǎn)化成一個結(jié)構(gòu)化可消費的數(shù)據(jù)。

不過，由于需要同時對接客戶不同渠道的溝通，復(fù)雜的CRM數(shù)據(jù)，以及一些客戶行為數(shù)據(jù)，這些數(shù)據(jù)往往分散在不同的系統(tǒng)里，如跟客戶的溝通在客服系統(tǒng)，跟銷售的溝通在呼叫系統(tǒng)，微信的溝通則發(fā)生在CRM上，這種做“重”的方式也直接導致了循環(huán)智能如何將這些數(shù)據(jù)高效打通的挑戰(zhàn)。

循環(huán)智能會提供通用化API，用戶可以輕PaaS的方式完成整個工作流。“用戶只需要將原始的語音、文本等非結(jié)構(gòu)數(shù)據(jù)聚合并通過API提交，就可以從產(chǎn)品界面直接對分析結(jié)果進行消費，無需關(guān)注其中的技術(shù)細節(jié)?！睆堄铐w解釋。

在輸出產(chǎn)品的同時，循環(huán)智能構(gòu)建的輕PaaS平臺，將整體技術(shù)封裝成業(yè)務(wù)中臺，能夠輸出整體的技術(shù)解決方案。相比之下，這個輕PaaS平臺更加聚焦于某個非常具體的行業(yè)或產(chǎn)品中，并非單純輸出ASR、NLP等技術(shù)。

本質(zhì)上講，針對不同行業(yè)提供的解決方案，用到的算法和技術(shù)是共通的，循環(huán)智能更需要做的是能力上的固化、產(chǎn)品上的下沉，并能夠?qū)⒓夹g(shù)以打包的形式銷售給客戶。

NLP領(lǐng)域仍未出現(xiàn)獨角獸？

“傳統(tǒng)NLP是一個非常高度定制化、手動的技術(shù)，這也是我覺得直到目前NLP領(lǐng)域仍未出現(xiàn)獨角獸公司的原因之一，”楊植麟告訴雷鋒網(wǎng)。在此之前，循環(huán)智能也曾先后采用了多層的Transformer、以及BERT預(yù)訓練等技術(shù)方法。 

循環(huán)智能希望能更多地專注在某個場景，并且這個場景能夠在不同的行業(yè)快速復(fù)制和規(guī)模化。實現(xiàn)這一目標的前提將在于如何更好地解決自動化和通用的問題。

XLNet的出現(xiàn)，恰恰改善了在通用性上的問題。從原理上講，XLNet有效結(jié)合了自回歸方法（Auto-Regressive，無法對雙向的上下文進行建模）、自編碼（Auto-Encoding，預(yù)訓練和調(diào)優(yōu)之間會有所區(qū)別的缺陷）兩種方法的優(yōu)勢特征，將自回歸思想泛化，泛化之后的語言模型可以處理雙向上下文。可以說XLNet在NLP語言建模中很大程度上優(yōu)于此前的BERT。

而在自動化問題上，循環(huán)智能還形成了一套AutoAI技術(shù)架構(gòu)，其中包括兩個關(guān)鍵步驟：一是引入AutoML，無需手動調(diào)參；二是human-in the-loop，將人的數(shù)據(jù)作為整個生產(chǎn)流程里面的閉環(huán)。例如，標注團隊實時標注數(shù)據(jù)，標多少數(shù)據(jù)，是一套流水線，跟模型是統(tǒng)一的過程。

在2019年6月XLNet正式推出之后，循環(huán)智能很快將這套預(yù)訓練方法應(yīng)用于智能營銷系統(tǒng)上。據(jù)不完全統(tǒng)計，該系統(tǒng)可為企業(yè)線索池帶來 5%-10%的增量成單，分析并監(jiān)測影響銷售漏斗轉(zhuǎn)化的關(guān)鍵步驟，提高15倍的質(zhì)檢效率，進一步提升企業(yè)售前、售后、續(xù)費/復(fù)購整個流程的轉(zhuǎn)化效率。

例如在催收行業(yè)，因其合規(guī)風險大，質(zhì)檢成本高，工作量大，急需提高話術(shù)能力和客戶跟進策略等痛點，循環(huán)智能以極低人力復(fù)檢成本，完成了行業(yè)首例數(shù)千座席的全量質(zhì)檢，還發(fā)掘了影響催回率的核心特征，在全量高度合規(guī)的情況下提高了企業(yè)用戶的催回率。

6個月的窗口期

對于這樣一支初出茅廬的團隊來講，取得這樣的成果實屬不易。盡管技術(shù)能保證創(chuàng)業(yè)公司在切入市場之初形成一定的先發(fā)優(yōu)勢，但技術(shù)窗口期也是有限的。楊植麟認為只有6個月的時間。而在這短短6個月里，循環(huán)智能采取了更為“扎實”的打法：

一是ToB領(lǐng)域軟件的替代成本很高，在一些成熟的行業(yè)里，不一定有機會。

二是設(shè)立長短期目標。短期目標是將智能化做到極致，而長期目標則是為相對傳統(tǒng)的公司提供數(shù)字化的服務(wù)。

不過就這個層面來講，AI技術(shù)本身在行業(yè)內(nèi)是相對透明的，真正的核心價值是什么？三位創(chuàng)始人一致的回答都是：行業(yè)垂直數(shù)據(jù)，積累的know-how以及深度產(chǎn)品化的能力。截止目前，循環(huán)智能已累計標注了幾萬個小時的垂直行業(yè)語音數(shù)據(jù)，以及不同行業(yè)上百個語義點數(shù)據(jù)。

為此，循環(huán)智能也將更多的精力投入在了產(chǎn)品和交付上?！翱蛻粜枨筇嗔?！現(xiàn)在最主要的不是如何打動企業(yè)客戶，而是如何將企業(yè)客戶的需求進行交付。”陳麒聰強調(diào)。

那么，如果對當前從事人工智能技術(shù)的創(chuàng)業(yè)公司進行劃分，有做平臺的，有做模塊的，還有做應(yīng)用的，循環(huán)智能的定位究竟是什么？

“我們是一個專注場景和產(chǎn)品的垂直性的公司。我們用一個小很多的模型就可以達到很好的效果，我們不希望也沒有必要去支持所有的領(lǐng)域，”這也更加表明，循環(huán)智能可能專注的能夠描述成：一些高客單價、獲客成本比較高、需要改善留存率、且天然存在非結(jié)構(gòu)化數(shù)據(jù)的行業(yè)。

此外，在某些線下場景如零售、4S店等，盡管沒有存量的非結(jié)構(gòu)化數(shù)據(jù)，用戶仍有意愿采集這些數(shù)據(jù)。

客服“對話”的底層邏輯

實際上，在客服場景，你所面對的客戶無非就兩種，一種是想要了解你的客戶，一種是已經(jīng)付費的客戶。對于后者，客服的溝通可能主要是滿足客戶的咨詢和問題解決，但對于前者，銷售溝通的頻率高，客服在這個階段的價值體現(xiàn)也最為明顯。

一種趨勢是，在企業(yè)客服的運營模式正從成本中心向利潤中心轉(zhuǎn)變的同時，“客服”這個概念也早已從原本純粹的客服轉(zhuǎn)變成為提高銷售轉(zhuǎn)化率的“助手”。

或許，語音將是文本、圖像之后，企業(yè)數(shù)據(jù)挖掘的下一個價值洼地，而聚集了大量語音數(shù)據(jù)的客服系統(tǒng)只是一個切口。在NLP技術(shù)應(yīng)用尚未成熟的背景下，如何打動用戶付費，挖掘市場更多的想象力，需要更多有勇氣的廠商前來實踐。

對于循環(huán)智能而言，產(chǎn)品仍處于打磨階段，所以也必然會將產(chǎn)品市場匹配度（PMF, Product Market Fit）放在最優(yōu)先級，將這款產(chǎn)品做成一個生態(tài)系統(tǒng)，并能夠在銷售的每個“溝通”環(huán)節(jié)里都有所滲透。這種邏輯或許也有效避免了與潛在對手的正面交鋒。（雷鋒網(wǎng)）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。