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
|
25天前
|
人工智能 Serverless
AI 大模型助力客户对话分析 ——实践操作
参与《AI大模型助力客户对话分析》项目,基于阿里云社区操作路书,从架构设计到部署测试,逐步学习并应用大模型进行AI质检。过程中虽有控制台跳转等小挑战,但整体体验流畅,展示了AI技术的便捷与魅力,以及阿里云平台的先进性和社区支持。最终实现的AI质检功能,能够有效提升企业客户服务质量与效率。
48 0
|
1月前
|
机器学习/深度学习 数据采集 人工智能
AI与机器学习:从理论到实践
【10月更文挑战第2天】本文将深入探讨AI和机器学习的基本概念,以及它们如何从理论转化为实际的应用。我们将通过Python代码示例,展示如何使用机器学习库scikit-learn进行数据预处理、模型训练和预测。无论你是AI领域的初学者,还是有一定基础的开发者,这篇文章都将为你提供有价值的信息和知识。
|
1月前
|
SQL 人工智能 自然语言处理
【AI 技术分享】大模型与数据检索的探索实践
本文基于2024年9月27日与阿里云合办的线下沙龙分享整理而成,探讨如何通过大语言模型(LLM)让数据访问更简单。随着企业数据量增长,传统数据访问方式已难以满足需求。LLM结合自然语言检索,使非技术用户能直接用自然语言与数据交互,降低数据访问门槛。文章介绍了NL2SQL技术,通过LLM理解自然语言问题并生成SQL查询,实现高效数据获取。同时,探讨了AskTable架构及其在实际应用中的挑战与解决方案。
192 5
【AI 技术分享】大模型与数据检索的探索实践
|
20天前
|
存储 人工智能 弹性计算
基于《文档智能 & RAG让AI大模型更懂业务》解决方案实践体验后的想法
通过实践《文档智能 & RAG让AI大模型更懂业务》实验,掌握了构建强大LLM知识库的方法,处理企业级文档问答需求。部署文档和引导充分,但需增加资源选型指导。文档智能与RAG结合提升了文档利用效率,但在答案质量和内容精确度上有提升空间。解决方案适用于法律文档查阅、技术支持等场景,但需加强数据安全和隐私保护。建议增加基于容量需求的资源配置指导。
80 4
|
18天前
|
人工智能 JavaScript 前端开发
利用 AI 进行代码生成:GitHub Copilot 的实践与反思
【10月更文挑战第23天】本文探讨了GitHub Copilot,一个由微软和OpenAI合作推出的AI代码生成工具,其核心功能包括智能代码补全、多语言支持、上下文感知和持续学习。文章介绍了Copilot在加速开发流程、学习新语言、提高代码质量和减少重复工作等方面的应用,并反思了AI在代码生成中的代码所有权、安全性和技能发展等问题。最后,文章提供了实施Copilot的最佳实践,强调了在使用AI工具时保持对代码的控制和理解的重要性。
|
22天前
|
人工智能
精通歌词结构技巧:写歌词的方法与实践,妙笔生词AI智能写歌词软件
歌词创作是音乐的灵魂,掌握其结构技巧至关重要。开头需迅速吸引听众,主体部分需结构清晰、情感丰富,结尾则要余韵悠长。无论是叙事还是抒情,妙笔生词智能写歌词软件都能助你一臂之力,提供AI智能创作、优化及解析等多功能支持,助你轻松驾驭歌词创作。
|
22天前
|
人工智能 资源调度 数据可视化
【AI应用落地实战】智能文档处理本地部署——可视化文档解析前端TextIn ParseX实践
2024长沙·中国1024程序员节以“智能应用新生态”为主题,吸引了众多技术大咖。合合信息展示了“智能文档处理百宝箱”的三大工具:可视化文档解析前端TextIn ParseX、向量化acge-embedding模型和文档解析测评工具markdown_tester,助力智能文档处理与知识管理。
|
2月前
|
人工智能 Java 测试技术
低成本工程实践-AI帮我写代码做需求
本文主要讲述,以“无需训练模型”的方式实现:AI智能分析功能需求、写代码、review代码解决特定业务问题的实践过程
低成本工程实践-AI帮我写代码做需求
|
28天前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI在软件测试中的创新应用与实践###
本文旨在探讨人工智能(AI)技术如何革新软件测试领域,提升测试效率、质量与覆盖范围。通过深入分析AI驱动的自动化测试工具、智能化缺陷预测模型及持续集成/持续部署(CI/CD)流程优化等关键方面,本研究揭示了AI技术在解决传统软件测试痛点中的潜力与价值。文章首先概述了软件测试的重要性和当前面临的挑战,随后详细介绍了AI技术在测试用例生成、执行、结果分析及维护中的应用实例,并展望了未来AI与软件测试深度融合的趋势,强调了技术伦理与质量控制的重要性。本文为软件开发与测试团队提供了关于如何有效利用AI技术提升测试效能的实践指南。 ###
|
30天前
|
人工智能
阅读了《文档智能 & RAG让AI大模型更懂业务》的解决方案后对解决方案的实践原理的理解
阅读《文档智能 & RAG让AI大模型更懂业务》后,我对文档智能处理与RAG技术结合的实践原理有了清晰理解。部署过程中,文档帮助详尽,但建议增加常见错误处理指南。体验LLM知识库后,模型在处理业务文档时效率和准确性显著提升,但在知识库自动化管理和文档适应能力方面仍有改进空间。解决方案适用于多种业务场景,但在特定场景下的集成和定制化方面仍需提升。