讓我們從定義AI開始。你會發現人工智能有很多不同的定義，但人們的共識是模仿人類的行為。 　 　對于許多人來說，機器學習（ML）對于真正的人工智能來說是必要的。ML是機器識別不清楚的內容、動作、行為或意圖的能力。你可以用統計模型來計算概率；然而，在企業中，人的指導或治理是最好的方法。如果你正在考慮企業中的人工智能，請務必理解你將如何管理ML流程。 　 　學習是人類的特性，但在某些情況下，ML可能是有問題的。想想Tay，微軟在Twitter上推出的通用聊天機器人。在24小時內，微軟不得不取消Tay，因為一些Twitter用戶教它一些非常糟糕的種族主義習慣。正如我前面提到的，確保你知道ML流程如何為你可能選擇的AI工具工作。 　 　客戶參與推論是使用對話錄音培訓網絡聊天機器人或語音助理。如果座席能夠正確地以恰當的方式處理每個客戶的交互，那就太好了，但事實并非如此。當提供一個會話人工智能接口時，使用先前記錄的交互，確保你能夠編輯錯誤的行為和錯誤的答案。 　 　在探索人工智能的過程中，你還需要了解認知處理和規模。 　 　認知處理器是指支持人工智能應用的計算平臺。這個平臺可以包含一個處理器或多個處理器，甚至是數千個處理器的神經網絡。其中任何一種都適用于聯絡中心，并且能夠運行本文中討論的任何應用程序--但是，規模是一個問題。 　 　關于規模，最好的做法是從有限的生產實現開始--在聯絡中心，這意味著限制你的機器人可以支持的并發用戶的數量。你可能從10或50個并發用戶開始，但不是數百個。原因是每個用例都是不同的，在最初的幾個月里，你將不得不測量機器人的性能，以便了解如何最好地增加處理能力以滿足企業的規模。 　 　此外，隨著時間的推移，ML將傾向于減少處理器負載。在幾個月內運行有限的實現將允許每個交互的處理器需求穩定，這樣你就可以計算生產規模。使用基于云計算的租賃處理器，按月或按年計算，將降低購買過多處理器的風險。 　 　在客戶參與環境中有用的人工智能工具分為以下幾類： 自動語音識別和文本到語音（ASR/TTS） 機器人過程自動化（RPA） 基于AI的分析（基于對自然語言和/或元數據的分析） 　 　會話人工智能--自然語言處理（NLP）及其組成部分：自然語言理解和自然語言生成。 　 　自動語音識別和語音合成 　 　ASR/TTS，它提供了機器翻譯語音到文本的能力，相反，將文本轉換為語音，這是幾十年來一直常用的。例如，我在1995年實現了我的第一個ASR/TTS解決方案，為強生公司（Johnson Johnson）提供服務。對于這個用例，我們培訓了一臺機器來識別60000個不同的組件號碼，以便在電話訂單上提供更好的準確性。我們需要幫助的大部分ML用于處理重復的組件編號和組件標簽，它們使用了聲音相似的字母和數字（B、3、G、Z…）。幾周內，我們在識別特定組件方面達到了99%的準確度。 　 　Nuance Communications的Dragon自然語音識別軟件是一個商業ASR/TTS工具的例子，自1982年以來就一直存在。這篇文章的其中某些部分是利用它寫成的，口述--然后轉換成文字。首先，該軟件使用ML的概念稱為培訓。基本上，它為你提供了一些閱讀的文件，它可以學習你的聲音是如何發音的，就像你已經知道的單詞一樣。而且，它會在你每次使用它的時候學習，并且有能力閱讀你的電子郵件和存儲的文檔來學習你的寫作方式。如果你有背部或頸部的毛病，整天都趴在鍵盤上，我強烈建議你試試。但是要注意的是：正確地拼寫每一個單詞，但這并不意味著它永遠是正確的單詞。 　 　機器人過程自動化 　 　RAP（機器人過程自動化）則是計算機腳本的使用，即移動數據或處理事務，需要多個計算機系統或計算機系統內創建函數。幾年前，企業開始在RPA上花錢。它在幾個方面與腳本不同，最明顯的是它使用了ML；具有業務規則的集中式存儲庫；而且，在大多數情況下，有能力使用NLP來改善它的效用。 　 　RPA在處理與CRM相關的工作或在聯絡中心的額外工作時特別有用。一個完美的例子是使用RPA消除客戶關系管理和訂購系統之間的手動復制和粘貼案例說明。RPA不太容易出錯，并且允許聯絡中心座席專注于更有意義的工作。 　 　有了ML，機器人就有機會通過識別新的產品和流程來提高自身，從而引入客戶參與環境。例如，當一個新產品出現在電子采購訂單上時，機器人可能不知道它是什么；但是，它將知道字段的內容是分類法的一部分，它將其標識為產品，而不是名稱或地址。這使得ML管理過程更容易。此外，在合適的條件下，使用ML的機器人可以處理新產品的購買訂單，而無需將其重寫為腳本。 　 　當多個RPA進程處理相似的數據并將這些數據移動到類似或相同的信息系統平臺時，業務規則庫非常有用。例如，知道一個已知的實體，比如地址總是在同一個地方，可以方便地部署新的RPA解決方案。 　 　NLP與RPA定期合作。舉一個簡單的例子，再考慮一下電子采購訂單。只有一個typo意味著一個簡單的腳本將會失敗，并且訂單需要手工處理。NLP有能力使用庫存或編程語言元素來減輕輸入錯誤的影響。此外，你可以使用NLP來總結在采購訂單上用簡單英語描述的注釋或異常。機器人可以適應航運術語、交付要求和特殊請求，但是腳本工具只能標記手動處理的異常。 　 　您可以從數百個供應商中找到你所想要的RPA工具，包括BluePrism、IBM、Microsoft、Pegasystems和UiPath。 　 　基于人工智能的分析 　 　聯絡中心有幾種方法來使用基于AI的分析。在聯絡中心中，基于AI的分析通常使用元數據來描述交互，而不是交互本身。另一方面，基于NLP的分析應用于交互本身的內容。為了設置語境，NLP由兩部分組成：自然語言理解（NLU）和自然語言生成（NLG）。NLU可以做以下操作，但不限于：辨別意圖、消除歧義、術語提取、翻譯、解析、詞干、命名實體提取、主題分割、識別情緒（感情）、總結內容、標記內容和分類。NLG只生成基于語言的響應。（NLP將是另一篇文章的主題） 　 　使用的操作決策標準是：你是否關心客戶已經做了什么，還是關心客戶現在正在做什么？ 　 　在我看來，知道客戶現在做什么比知道客戶上周做了什么，甚至僅僅是剛才的事情更重要。例如，銀行客戶使用IVR來轉賬，然后按0到達座席。在大多數情況下，IVR會把客戶轉移到處理轉賬的呼叫隊列。然而，現實情況是，轉賬很可能已經完成，客戶可能想做些別的事情，比如申請抵押貸款。在這種情況下，元數據有其局限性。基于NLU的路由解決方案將詢問客戶他或她希望下一步做什么，然后路由到適當的呼叫隊列--或者甚至可能調用NLP來處理貸款應用程序。 　 　令我的客戶感到驚訝的是，他們可以用最少的滯后時間來執行分析（有些人可能會稱之為實時分析，但我認為這更像是一種接近實時的分析）。 　 　元數據分析，如可能使用像Altocloud這樣的平臺（現在是Genesys），可以使用子秒延遲執行。分析文本可能需要更長的時間，因為機器可能無法理解真正的意圖，直到背誦完成。AmazonLex、GridspaceSift和IBMWatson都是可以執行NLP分析的解決方案的例子。 　 　情緒分析也是我的大多數客戶感興趣的方面，通常，這些分析是在會話接口建立之后實現的。在會話接口之前，我看到客戶實現NLP分析的唯一地方是對遵從性的研究。這樣做的一個例子就是分析經紀人在金融業務中與法定要求的相關表現。