一颗“中国芯”的AI创新实践

本文涉及的产品
NLP 自学习平台,3个模型定制额度 1个月
NLP自然语言处理_高级版,每接口累计50万次
NLP自然语言处理_基础版,每接口每天50万次
简介: 艾为电子基于钉钉AI PaaS炼丹炉打造了一套智能解决方案,让智能客服更懂艾为与客户

上海艾为电子技术股份有限公司(以下简称“艾为电子”),成立于2008年6月,是一家专注于芯片设计的公司,以高性能数模混合信号、电源管理和信号链等IC设计为主要领域。公司在2022年获得了科创板硬科技领军企业、上海市级设计创新中心等荣誉称号,并在同年8月成功在上海证券交易所科创板上市。艾为电子致力于深入了解客户需求,专注自主研发和创新,并已经推出了超过1000余款产品,涵盖了消费类电子、AIoT、工业和汽车等市场领域。截至目前,公司拥有一千余名员工,其中技术人员超过900人,并且取得了398项国内外专利和51项软件著作权。


智能客服只是我们在AI创新领域探索的一个起点。未来规划中,我相信通过这次经验的沉淀,借助钉钉AI PaaS平台和数字人等不断增强的技术能力,我们可以在更广泛的企业知识资产(非结构化)运营领域以及结构化数据的随需获取上探索和共创。我们将解决更多实际业务痛点,甚至在解决行业共性难题上创造更大的价值。

                                                                                                                          --- 陆轶 艾为电子CIO


“XX产品的XX(指标)是什么要求?”这个问题很常见,在电商体系里,消费者发起这样的咨询时,客服甚至需要15秒内有回应。


但如果产品SKU有几千,涉及的子类别有几十种,包含不同领域的专业知识,同时每款产品参数也有几十个,客服该如何回复得快速、准确又专业?


这就是艾为电子的技术服务团队在日常工作里经常遇到的问题。作为国内知名芯片设计商,艾为电子的产品分声、光、电、射、手五大类别,产品广泛应用于消费电子、物联网、工业企业以及智能设备领域。


如果你见过芯片产品说明书,就会知道要熟悉几千种芯片的细节多么有挑战。通常情况下它由英文撰写,文件长度在几十上百页不等。但最大难度还不是体量大,而在于它涉及的知识门槛,里面包含了大量的技术专有名词、表格、电路图和各种技术参数。有时候一些表格之间还会互相关联,同时一些词汇在芯片产品说明书里的意思与通用的含义还会出现不一致。要准确回答海量的与产品参数相关的问题,非常考验回答者的行业知识,一般的客服人员根本无法应对这类问题。


针对以上痛点,艾为电子基于钉钉AI PaaS炼丹炉打造了一套智能化解决方案,让智能客服更懂艾为,更懂客户。


传统智能客服为何不智能?


在许多行业,企业通常会选择建一个客服系统来解决问题。但传统的客服方案会预先设置关键词,列好各种问题的答案。客户的问题触及关键词,系统会弹出提前准备好的答案。


这个模式也有弊端。首先,传统客服的关键词匹配模式需要大量标记,客服维护成本居高不下。


其次,如果没按预先准备的表述来提问,触发不了关键词,系统就识别不了问题。例如问题里提某项参数“不大于”某个值,而FAQ(常见问题解答)是按照“小于”这一关键词预备问题,就无法弹出准备好的答案。


此外,传统客服的关键词匹配模式,回复往往生硬、死板,难以推断、转换语意或根据上下文进行理解,客户体验很差。


 


因此,虽然配有客服系统,艾为电子还是配置了七八十名技术专家,每天在本职技术工作之外,花大量时间从产品说明书中来确认细节,回答这些复杂的专业问题。


即便是最专业的技术人员,也不可能把一千多款产品所有参数都记在脑子里,每次遇到问题的时候也要去重新查资料,然后思考,再进行回答。


为此,艾为电子通过钉钉的AI PaaS 做了智能化升级,搭建了一套智能客服系统,把技术服务人员彻底解放了出来。


如何搭建一套更懂客户的智能客服?


为了搭建一套更懂客户的智能客服,艾为和钉钉做了大量探索。


首先,艾为电子基于钉钉炼丹炉训练了一套专属模型。


艾为电子的产品手册多为英文,有些专属词汇不仅需要中英文转译,甚至需要“三译”——除了语言之外,某个词汇在不同场景、行业中表达的意思都会不同。而且,芯片行业的产品手册与一般通用性的产品手册也不一样。其中不止有专业名词,还有大量芯片的设计图纸、参数的对比等。


为此艾为电子将所有产品手册、设计指南和FAQ 等资料上传至钉钉炼丹炉进行训练和处理,打造了艾为专属模型。

其次, 基于这一专属模型搭建了“IC 智能客服”。


为了让 IC 智能客服回答更准确,钉钉和艾为电子做了很多努力,如把企业知识转换并存储到向量数据库,通过向量相似度和知识图谱相结合,用RAG方法召回与用户意图相关的知识,通过大模型,结合行业通识和企业专识生成合适的答案


这背后涉及到个性化文档版式解析、知识图谱+向量检索多路召回、多模型适配、客户数据On-Premise 等,能实现工程平台白屏化轻交付。


通过钉钉AI PaaS 搭建的智能客服,可以‘理解’上下文对话,准确识别客户意图,大大提升了客户体验。


比如艾为电子产品中的一个电压属性有最小值、最大值、典型值,在常温状态、高温状态等不同场景下,这些值的要求不同。当客户提问时,大多不会直接提问值是多少,而可能询问“71001这款产品支持2.7V的环境吗?”传统客服大概率会回答出产品所支持的电压环境区间如“0.3V~6V之间”,而IC 智能客服确能给出“支持”这一明确的答案。


更多智能化解决方案等你来探索


在钉钉,已经探索出了一整套 Chat AI智能解决方案。其中,艾为电子基于钉钉 AI PaaS 落地的智能客服,只是AI创新的一个切面,用到的是面向知识资产的Chat Memo 解决方案,基于这套方案,相当于让员工拥有了一个工作“外脑”,通过自然语言就可以使用公司的产品知识,全员生产力和公司产能水位登上了新台阶;


除此之外,钉钉还提供了其他三个解决方案:


一是面向企业数字资产的Chat BI去掉报表开发环节,把随意、灵活的自然语言通过大模型转换和生成为结构化、可执行的SQL代码,用自然语言即可随时、随地查看数据,让闪现的问题和决断有即时数据支撑;


二是面向软件资产的Chat Form,支持一句话生成和提交表单,解放现场作业人员的双手,释放最后一公里生产力;


三是面向制度资产的Chat Audit,让大模型学习企业制度和规则,然后通过自然语言下达指令,让大模型基于规则对各种过程和结果的内容进行自动化审计,并生成初步审计报告供审计员参考。


基于以上智能化解决方案,钉钉 AI  PaaS 真正进入企业业务层面,实现了从玩具到生产力工具的跃迁,帮助客户降本增效。

相关文章
|
24天前
|
消息中间件 人工智能 运维
12月更文特别场——寻找用云高手,分享云&AI实践
我们寻找你,用云高手,欢迎分享你的真知灼见!
1666 86
|
4天前
|
存储 传感器 人工智能
「AI实践派」产品生态伙伴Zilliz联合活动
阿里云与向量搜索领域明星企业Zilliz将在杭州阿里巴巴西溪园区共同举办“中外AI产品应用实践和出海实战”分享沙龙。
|
1天前
|
数据采集 人工智能 分布式计算
MaxFrame:链接大数据与AI的高效分布式计算框架深度评测与实践!
阿里云推出的MaxFrame是链接大数据与AI的分布式Python计算框架,提供类似Pandas的操作接口和分布式处理能力。本文从部署、功能验证到实际场景全面评测MaxFrame,涵盖分布式Pandas操作、大语言模型数据预处理及企业级应用。结果显示,MaxFrame在处理大规模数据时性能显著提升,代码兼容性强,适合从数据清洗到训练数据生成的全链路场景...
12 5
MaxFrame:链接大数据与AI的高效分布式计算框架深度评测与实践!
|
8天前
|
人工智能 安全 DataX
【瓴羊数据荟】 Data x AI :大模型时代的数据治理创新实践 | 瓴羊数据Meet Up城市行第三期
第三期瓴羊数据Meetup 将于2025年1月3日在线上与大家见面,共同探讨AI时代的数据治理实践。
57 10
【瓴羊数据荟】 Data x  AI :大模型时代的数据治理创新实践 | 瓴羊数据Meet Up城市行第三期
|
3天前
|
数据采集 人工智能 运维
从企业级 RAG 到 AI Assistant,阿里云Elasticsearch AI 搜索技术实践
本文介绍了阿里云 Elasticsearch 推出的创新型 AI 搜索方案
从企业级 RAG 到 AI Assistant,阿里云Elasticsearch AI 搜索技术实践
|
1天前
|
人工智能 监控 安全
云端问道18期实践教学-AI 浪潮下的数据安全管理实践
本文主要介绍AI浪潮下的数据安全管理实践,主要分为背景介绍、Access Point、Bucket三个部分
28 16
|
1天前
|
人工智能 弹性计算 自然语言处理
云端问道 6 期实践教学-创意加速器:AI 绘画创作
本文介绍了在阿里云平台上一键部署Demo应用的步骤。部署完成后,通过公网地址体验Demo应用,包括文本生成图像等功能。
19 10
|
1天前
|
存储 人工智能 运维
面向AI的服务器计算软硬件架构实践和创新
阿里云在新一代通用计算服务器设计中,针对处理器核心数迅速增长(2024年超100核)、超多核心带来的业务和硬件挑战、网络IO与CPU性能增速不匹配、服务器物理机型复杂等问题,推出了磐久F系列通用计算服务器。该系列服务器采用单路设计减少爆炸半径,优化散热支持600瓦TDP,并实现CIPU节点比例灵活配比及部件模块化可插拔设计,提升运维效率和客户响应速度。此外,还介绍了面向AI的服务器架构挑战与软硬件结合创新,包括内存墙问题、板级工程能力挑战以及AI Infra 2.0服务器的开放架构特点。最后,探讨了大模型高效推理中的显存优化和量化压缩技术,旨在降低部署成本并提高系统效率。
|
4天前
|
人工智能 自然语言处理 前端开发
三大行业案例:AI大模型+Agent实践全景
本文将从AI Agent和大模型的发展背景切入,结合51Talk、哈啰出行以及B站三个各具特色的行业案例,带你一窥事件驱动架构、RAG技术、人机协作流程,以及一整套行之有效的实操方法。具体包含内容有:51Talk如何让智能客服“主动进攻”,带来约课率、出席率双提升;哈啰出行如何由Copilot模式升级为Agent模式,并应用到客服、营销策略生成等多个业务场景;B站又是如何借力大模型与RAG方法,引爆了平台的高效内容检索和强互动用户体验。
70 5
|
13天前
|
人工智能 自然语言处理 算法
主动式智能导购 AI 助手解决方案实践与测评
主动式智能导购 AI 助手解决方案实践与测评