实时修正—腾讯客服人机协同之实践
近年来，随着人工智能、大数据、5G技术的不断进步和成熟，客服中心也从传统的运营模式改变为通过对产品、技术、服务模式的持续改革创新，实现智能化改造。但同时受限于NLP技术的发展等问题，智能客服在服务过程中会出现交互生硬、答非所问、不识别下文追问等情况，影响用户体验。最初，腾讯客服通过使用人工托底的方式实现业务闭环，但随着运营的深入，发现这种单一的形式人力成本损耗高、反哺智能效果差，已经不能满足日益增加的咨询量需要。
于是，腾讯客服通过会话意图干预、增量学习等人工智能技术为核心技术设计了专门供训练师协同对话的人机协同工作台，在该平台上制定了人机系统干预目标准则，并设计了辅助快速干预的人工台界面，搭建了以高效分派、容错机制为关键点的后台框架，实现用较少的人力来协同机器提升服务效率。
系统将智能在线客服交互过程中出现交互不通畅的对话进行实时人工介入，根据用户描述自动识别相关意图推荐给人工判断选择，人工定位具体意图后回复用户该意图的答案，并将该意图进行锁定，使得用户与智能在线客服的后续交互在该意图范围以内进行下文对答，提升用户在智能在线客服的服务体验。同时，根据人工客服的修正行为数据，准确定位智能客服能力薄弱环节，有利于针对性提升智能客服能力。
但并不是所有的会话都需要进行人机协同干预，而且不同会话干预的优先级也不同，通过大量的数据分析和现网多次实验，系统会在以下三种情况下进行人工干预：
1、无法进入场景时：会话前段未确定用户咨询的产品时需要进行干预，使智能客服在具体场景下用户进行交互
2、无法确定意图时：在具体场景下，越早锁定用户意图越好，围绕该意图提供解决方案。
3、确定意图无法满足用户时：在已知用户问题后，出现听不懂或用户纠缠不清的情况，需干预提升会话流畅性。
人机协同实时修正交互模型
图1整体流程图
当用户与智能在线客服的对话命中预先设置的策略后，将标识进入的策略类型，并将用户本次会话的历史聊天记录呈现给人工，人工客服以此来判断用户诉求。为方便人工客服更高效、便捷的干预，系统每次会选取最近的一个时间窗口，对窗口中的用户按意图聚类，存入不同的队列，批量分派给人工座席，人工座席按照时间先后顺序逐个处理。同时为了保障用户智能对答体验不受影响，从系统层面设计了超时处理机制。当排队人数过多，人工座席无法及时处理时，一方面，系统会按照优先级高低自动关闭入口，在检测到有能力处理时自动放开入口；另一方面，将队列中未及时响应的用户退回现网按原流程处理。
运营实践
这个功能体现在用户侧，就是用户在智能在线客服交互过程中，出现识别意图失败、用户表示不满情绪、不确定意图多次推送模糊推荐、交互次数过多、答复相同答案多次等交互不通畅的情况，则立即接入人机结合平台，并请用户等待人工回复结果（见图2）
图2
2）在一分钟以内，用户会收到经过人工判断选择的答复；（见图3）
图 3
3）根据人工判断的答复锁定用户意图，当用户进行追问将在该意图下进行交互，增强智能在线客服交互体验；（见图4）
图 4
运营效果
人机协同方案实施与应用后，通过将干预后的数据反哺机器进行反馈学习，会话意图干预准确率已提升超过80%，同时进一步帮助提升训练师干预的速度。目前，人均干预量约1500次/小时，达到了以少量人工辅助，实现实时、高效干预，同时使得智能对话品质显著提升，具体表现在以下几个方面：
1、“听不懂”的会话量大幅下降。经人工系统干预后，确定了会话意图，无法确定意图的会话环比明显下降。
2、badcase会话量大幅下降。人工协同干预后，现网出现答非所问、长时间交互、用户不满意等不良体验的会话量显著降低。
3、一次性解决率明显提升。经人工干预后，智能客服回复明显更契合用户需求，降低了用户的再次咨询的频率。
结束语：
未来，客服领域的人机协作一定会越来越深入。腾讯客服将持续探索优化“智能协同”模式，发挥二者的最大效能，并推进新技术在更多服务场景中的应用与快速有效处理，给用户带来越来越好的服务体验。
作者：王品、杨杰、胡嘉璇
转载请注明来源：实时修正—腾讯客服人机协同之实践
客户世界
这家伙很懒，什么都没写！
噢！评论已关闭。