客服作为企业直接接触用户和消费者的重要环节，在很大程度上影响着企业的销售业绩、服务质量以及品牌建设。因此对一些重服务和销售的行业来说，招聘大量客服人员必不可少。但是由于客服人员工资低、工作强度大，导致流动性高，招人困难，企业投入的大量培训成本往往并不能得到相应的回报，客服部门逐渐成为企业的成本中心，存在着一堆“老大难”的问题。

随着云计算和人工智能技术的发展，原来只能通过传统呼叫中心完成的客服工作通过在线客服、移动客服以及客服机器人实现了分流和效率提升，尤其是客服机器人的应用，为客服人员分担了大量重复性客服问题，使得他们能够专注与提供更有价值的服务。

然而，早期的客服机器人由于采用基于规则的方法，在构建和维护过程中，都需要人工对文本内容做非常精细的结构化分析，比如需要标出一个句子是不是疑问句，是问什么的疑问句，主语是什么，谓语是什么等等，因此需要专职人员每天做打标签工作，而且这类人员培训成本和替代成本都很高，给企业造成了新的成本负担。

过去两年来，深度学习算法的突破为客服机器人的应用带来了革新。作为在客服领域深耕多年的企业服务公司，环信在原有客服系统和产品的基础上，积极布局AI，在2016年初便开始搭建AI团队，研发基于深度学习和机器学习的智能客服系统。

基础算法能力：深度学习降低工作量

目前，环信客服机器人不仅能够通过语义相似度算法和意图模型，对海量高质量的互联网和行业数据进行训练，大大降低知识库的构建和维护成本，而且上线后机器还能自主学习，持续完善知识库，不断提高回复率和准确率。

那么，语义相似度算法和意图模型是如何降低标注工作量的呢？对此，环信AI负责人李理做了一个通俗的解释。

首先，语义相似度算法是一个通用模型，它输入的是两个句子，输出的是两个句子的相似程度。这个相似程度是基于一个回归模型得到的一个0到1之间的数值，分为0、0.25、0.5、0.75、1不同档。机器通过这个模型可以学习到虚词、句法之类的相似关系。由于这是一个通用模型而非行业知识，所以不需要专业人士，就可以来做这个训练，学习成本几乎为0。

其次，意图模型是对行业知识点的训练。比如“心脏病算不算重疾”这一知识点，只要给相似的问题标上“心脏病算不算重疾”的标签即可，然后把类似的很多句子送到模型里训练，之后再出现类似的句子，机器就知道是问“心脏病是不是重疾”的问题。

由于算法差异，基于深度学习的算法相比传统打标签的工作量会有指数级的减少，不仅降低了知识库早期的构建成本，也减少了企业后期的知识库维护和更新成本。同时，企业实际客服中产生的会话效果反馈，也会作为训练素材进入知识库，帮助客服机器人更加完善和智能。

业务解决能力：客服经验提升满意度

有了基于AI的客服机器人并不一定能真正解决实际业务中的客服问题，还需要客服系统提供商对客服有深刻的理解、对行业有足够的经验，并将这些理解和经验落实到机器人系统中，才有可能达到让客户满意的效果。

环信在过去几年时间里，通过服务20多个行业累计70000多家公司，积累了丰富的客户服务经验，具备很强的服务场景拆解能力和业务理解能力，能够从根本上帮助客户解决客服问题。

例如，快递行业的投诉和催单问题一直是一个痛点。环信的一个快递行业客户在采用了环信的客服机器人后，发现系统效果很好，但是并没有达到预期目的。原来客服机器人虽然能够准确地抓住问题和意图，并按照客户给定的标准答案进行回答：“您好，我是XXX，您的问题我们已经收到，请您耐心等待，如果您比较着急，请您查询XXX” ，但是这样并不能真正解决问题。

为此，环信建议客户按照人工客服的解决思路来解决这个问题。具体方法是，先对该业务进行拆解，比如三天以内怎么办、三天以外怎么办，然后给客户做一个催单接口API，不同的人对应不同的话术，最后返回给用户一个催单号，告诉用户一天之内会打电话回访。通过把原来的单轮对话拆解成多轮对话，转人工的数量就大大减少了。

业务解决能力在客服行业至关重要，这不仅要求乙方真正懂客服，有服务意识，还要拥有行业服务经验，懂不同行业的场景痛点和解决办法。环信通过服务保险、证券、物流、教育等多个行业众多客户，积累了丰富的客服和行业服务经验，能够真正帮助客户解决客服问题，实现客服效果的明显提升。