智能客服对话系统解决方案

本文涉及的产品
对象存储 OSS,20GB 3个月
云服务器 ECS,每月免费额度200元 3个月
云数据库 Redis 版,社区版 2GB
推荐场景:
搭建游戏排行榜
简介: 针对问题咨询场景中出现大量相关领域的问题,PAI提供了智能客服对话系统解决方案,以降低客户等待时间和人工客服成本。本文以汽车售前咨询业务领域为例,介绍如何基于人工智能算法,快速构建智能客服对话系统。

针对问题咨询场景中出现大量相关领域的问题,PAI提供了智能客服对话系统解决方案,以降低客户等待时间和人工客服成本。本文以汽车售前咨询业务领域为例,介绍如何基于人工智能算法,快速构建智能客服对话系统。

背景信息

问题背景

在企业服务用户的过程中,每天都会出现大量相关领域内的问题。传统的人工客服作息服务解答效率低,且成本高。智能客服对话系统可以帮助企业实现在线服务的智能化人机协作系统,提高坐席服务的效率、降低人力开销及新人业务学习成本。

解决方案

机器学习平台PAI在智能客服领域,提供了端到端的纯白盒解决方案。客户只需要准备好自己相关领域的FAQ(常见问题)和知识图谱数据,就可以利用PAI自定义的搭建从算法构建到模型部署的人工智能流程,形成完整的端到端解决方案,实现对应领域智能客服的业务系统。本文以“汽车售前咨询”这一业务领域为例,为您展示如何快速搭建智能客服机器人,从而实现机器人自动回答用户关于汽车售前业务的相关问题。这样一方面节省客户的咨询等待和信息检索时间,另一方面节省企业运营人力成本,使精力可以集中在筛选出的高价值客户上。

方案优势

  • 纯白盒:可根据您自己具体的业务场景,自定义构建智能客服业务系统。

  • 端到端:从最初的数据准备到最后的模型部署推理,提供全链路的系统构建流程。

  • 有据可依:对话系统内所有的回答都是有依据的,避免纯深度学习方案的不可解释性。

  • 鲁棒可控:系统任何地方出了问题,都有相应的异常处理与bad case分析应对机制。

工程部署架构

image.png

用户将知识图谱数据,模型和特征文件以及FAQ数据存储在OSS上,然后将智能客服对话系统服务部署在PAI-EAS上,就可以使用FAQ检索和知识图谱查询提供的功能来做智能客服问答。详见第五章:智能客服在线服务配置。

对话系统内部状态

image.png

系统初始化后进入闲聊状态,对用户输入“您好”等话术进行响应。响应完成后系统进入问题接收状态,此刻等待用户提问。接入通过实体归一化/属性归一化来对用户提问中的实体和属性进行明确,接着进入问答状态进行FAQ检索或者知识图谱查询,当出现异常状况时,进入异常处理模式,在异常处理中引导用户进入正确的查询。

前提条件

  • 已开通PAI(Studio、DSW、EAS)后付费,详情请参见开通

  • 已开通AI工作空间,并开通MaxCompute计算资源和DLC计算资源,详情请参见AI工作空间

  • 已创建OSS存储空间(Bucket),用于存储标签文件和训练获得的模型文件。关于如何创建存储空间,请参见创建存储空间

  • 已创建PAI-EAS专属资源组,本文训练好的模型会部署至该资源组。关于如何创建专属资源组,请参见创建资源组

  • 已下载并配置PAI-EAS的客户端工具eascmd,用于本文模型部署的相关操作,详情请参见eascmd客户端工具

  • 已创建ECS安全组,详情请参见创建安全组

  • 已创建专有网络VPC,详情请参见创建和管理专有网络

  • 已创建专有网络交换机,详情请参见使用交换机

  • 已创建数据库Redis实例,详情请参见创建实例

基于FAQ常见问题检索的问答 

基于FAQ(常见问题)的问答系统总体结构如下图所示,系统的关键模块包括:

  • 频繁问答对数据集,即FAQ问答库。

  • 预处理模块:负责对query进行分词等操作。

  • 检索模块:负责从FAQ中检索可能与用户查询相似的若干标准问句。

  • 相似问句选择模块:负责从候选相似问句中,选择与用户查询最相似的标准问句。

image.png

具体而言,检索模块会在对用户提出的query进行预处理的基础上,从FAQ数据集中检索K个与query最相似的问句。然后相似问句选择模块会从K个候选相似问句中,选出与query相似度最高的,并判断是否具有足够的置信度。如果相似度最高的候选相似问句的置信度达标,“相似问句选择模块”就会判定该问句是用户query的同义问句,从而返回提前预置好的答案。

FAQ频繁问答对数据集准备

FAQ,即Frequently Asked Questions、常见问题,是业务场景中用户最常问的问题,又称“标准问题”。对这类问题,我们可以提前编制答案,构成问答对。问答对通常简称“QA对”(Question Answer Pair)。问答系统的知识库中存储的FAQ数据集,实际上是标准问题其答案构成的QA对数据集。如果用户提出的问题和FAQ数据集中的某个标准问题是相似问题,那么用户问题的答案就是该标准问题的答案。

频繁问答对数据集的建设需要根据场景特点,确定问题涉及的范围。然后根据开放数据源及自有数据集,采集问答对内容,或编写问答对内容。同时解决方案支持业务方持续对FAQ数据集进行优化,优化操作包括:增加一个标准问题、增加同一标准问题的同义问句、增加问题的答案配置集等等。

本文以“汽车售前”的智能客服场景为例,展示FAQ所需的数据,文件列表如下所示:

car_faqs
├── query_label_idx_map.txt        # 标注问题ID编号文件   
├── questions                      # 标准问题同义配置文件
│   ├── 保养灯的使用说明
│   ├── 保养一次多少钱         
│   ├── 变速箱故障灯亮  
│   ├── ......
├── answers                        # 标准答案配置文件
│   ├── 特斯拉_model3_2021款_标准续航升级版      
│   ├── 特斯拉_modely_2021款_长续航版 
│   ├── ......

步骤一:给标注问题编号

为提升检索模块的召回率,一般会为每一个标准问句配置若干同义问句。首先对FAQ频繁问答库中的标准问题进行ID化编号,比如针对上面FAQ中的标准问题,ID化后,问题和数字之间用tab分隔。下面为示例文件【query_label_idx_map.txt】的部分数据样例。

有几个排气管  0
是双排气管吗  1
问某款车是什么悬挂 2
有换挡拨片吗 3
问发动机产地 4
变速箱是哪里产的 5
问上市时间 6
问某款车上市了吗 7
可以加装换挡拨片吗 8
一保多少钱 9

步骤二:配置同义问题

准备好上面的标注问题ID编号文件后,现在需要为每个标准问题配置若干个同义问题。以“保养灯的使用说明”为例,文件的每一行内容对应一个和“保养灯的使用说明”同义的问题。下面为示例文件【保养灯的使用说明】的部分数据样例。

新款保养灯怎么设定
保养灯是什么样子的图标
保养灯什么消岀
保养灯归是什么标志?
保养灯长什么样子
保养灯如何设置。因为过保不想去4S店了,有谁知道的说一下
保养灯归零,是怎么,弄得,请问各位兄弟,谢谢!
保养灯和燃油指示灯同时闪烁是怎么回事?
有保养灯的没有?
汽车保养灯归零

然后将所有的标准问题同义配置文件放到文件夹questions中。

步骤三:配置标准答案

准备好上面的标准问题列表后,下面介绍汽车售前FAQ数据问答数据集的准备。以“特斯拉_model3_2021款_标准续航升级版”这款车为例,其中[]中表示问题类型,后面展示问题的答案,其中答案和问题类型之间用tab分隔。下面为示例文件【特斯拉_model3_2021款_标准续航升级版】的部分数据样例。

[有几个排气管]  0个
[是双排气管吗]  不是
[问某款车是什么悬挂] 前麦弗逊式独立悬架,后多连杆独立悬架
[有换挡拨片吗]  没有
[问发动机产地]  美国
[变速箱是哪里产的]  上海
[问上市时间] 2021年1月
[问某款车上市了吗]  2021年1月已上市
[可以加装换挡拨片吗] 可以加装,但需要加装模块
[一保多少钱] 5000公里做首保,首保免费

然后将所有的标准答案配置文件放到文件夹answers中。

问答特征向量化

利用PAI提供的可视化建模Studio平台,基于海量大数据语料预训练获得的NLP迁移学习模型,进行用户query向量表征模型的构建。其中示例实验用到的训练集、评估集、测试集。

  1. 进入Designer控制台

    1. 登录PAI控制台

    2. 在左侧导航栏中,选择模型开发和训练->可视化建模(Designer)。

  2. 构建实验

    1. 在可视化建模(Designer)控制台中,选择实验模板,在实验模板列表中找到智能客服问答特征向量化,点击并创建实验。

    2. 在实验列表中找到刚才创建好的模板实验,并进入实验。

    3. 系统根据预置的模板,自动构建实验,如下图所示。运行过程中,点击组件右键,可查看运行日志。

image.png

区域

描述

选择实验中模型构建需要的训练集输入,例如选择OSS目录oss://pai-online-shanghai.oss-cn-shanghai-internal.aliyuncs.com/chatbot_demo/FAQ/train.csv,该数据集是PAI在华东2(上海)提供的准备好的数据集,您可以直接使用。

选择实验中模型构建需要的评估集输入,例如选择OSS目录oss://pai-online-shanghai.oss-cn-shanghai-internal.aliyuncs.com/chatbot_demo/FAQ/dev.csv

配置智能客服特征向量训练的参数。智能客服特征向量训练组件的配置详情请参见下文的表 1。

选择实验中模型构建需要的测试集输入,例如选择OSS目录oss://pai-online-shanghai.oss-cn-shanghai-internal.aliyuncs.com/chatbot_demo/FAQ/test.csv

配置智能客服特征向量预测的参数。智能客服特征向量预测组件的配置详情请参见下文的表 2。

表 1. 智能客服特征向量训练组件配置

页签

参数

描述

本案例的示例值

字段设置

输入Schema数据

训练向量召回的内容的schema。

sent:str:1,label:str:1

文本列选择

训练向量召回的内容在输入表中对应的列名。

sent

标签列选择

标签在输入格式中对应的列名。

label

模型存储路径

模型存储的OSS路径。

oss://pai-online-shanghai.oss-cn-shanghai-internal.aliyuncs.com/chatbot_demo/FAQ/saved_model_dir/

参数设置

每个GPU上的每步训练的样本数Batch Size

每个GPU上的每步训练的样本数Batch Size

32

序列长度

模型的sequence length

128

训练轮数

训练模型过整遍数据集的次数

3

模型保存间隔步数

训练模型时,每隔多少step保存一次模型参数

100

学习率

模型构建过程中的学习率。

1e-5

双塔模型用户自定义参数

用户自定义参数。

pretrain_model_name_or_path=hfl/chinese-roberta-wwm-ext

two_tower=True

siamese=True

loss_type=hinge_loss

margin=0.45

gamma=32

embedding_size=128

执行调优

指定Worker数

分布式服务器的数量,默认值表示1个Worker。

1

指定Worker的CPU卡数

每个Worker下的GPU卡数量。

1

指定Worker的GPU卡数

每个Worker下的CPU卡数量。

1

GPU机器类型

选择实验运行的计算资源

GPU计算型8核60G

表 2. 智能客服特征向量预测组件设置

页签

参数

描述

本案例的示例值

字段设置

输入Schema数据

训练向量召回的内容的schema。

sent:str:1,label:str:1

文本列选择

训练向量召回的内容在输入表中对应的列名。

sent

预测输出文件

预测输出文件

oss://pai-algo-tongrun-test.oss-cn-shanghai-internal.aliyuncs.com/etm_text_match_two_tower/features.out

参数设置

每个GPU上的每步预测的样本数Batch Size

每个GPU上的每步预测的样本数Batch Size

32

序列长度

模型的sequence length

128

双塔模型用户自定义参数

用户自定义参数。

two_tower=True

siamese=True

执行调优

指定Worker数

分布式服务器的数量,默认值表示1个Worker。

1

指定Worker的CPU卡数

每个Worker下的GPU卡数量。

1

指定Worker的GPU卡数

每个Worker下的CPU卡数量。

1

GPU机器类型

选择实验运行的计算资源

GPU计算型8核60G

基于KBQA的知识图谱问答

KBQA的全称是基于知识库问答(Knowledge Base Question Answering),即给定自然语言问题,通过对问题进行语义理解和解析,进而基于知识图谱构建的知识库进行查询、推理得出答案。基于知识图谱的精准问答子系统的关键模块包括:

  • 实体链接:将用户问句中提到的实体关联到唯一的实体表达。

  • 语义角色标注:对属性的类型进行自动打标。

  • 意图分类:判断用户问的是什么类型的问题。

  • 查询链路生成:生成查询知识库的查询语句

  • 答案生成:负责按照问句意图的类型,在答案模板里生成答案。

基于KBQA的知识图谱问答的架构图如下所示:

image.png

具体而言,实体链接会根据规则对问句进行模式匹配,将问句中的实体映射到系统中的实体规范表达。系统自动标注出属性归属的类别树,并且根据是否为叶子属性进行属性引导,直至定位到叶子属性上,然后对问句进行意图分类。最后系统生成查询路径对树形知识图谱进行查询,返回叶子结点的属性值,将生成的答案返回给用户。

知识图谱数据准备

针对实体、属性名称和属性值,智能客户系统采用可读性强的JSON来构建数据文件。属性名可以包括子属性,以“特斯拉model3_2021款_标准续航升级版”为例,车轮制动属性包括:前制动器类型,后制动器类型,驻车制动类型这三种子属性。用户需要将业务中的数据转换成JSON格式。下面为示例文件【特斯拉model3_2021款_标准续航升级版.json】的部分数据样例。

{
        "实体": {
    
    "名称": "特斯拉model3_2021款_标准续航升级版",
    
    "关键词": "特斯拉|model3|2021款|标准续航升级版"
  },

        "属性":{

                "厂商":"特斯拉中国",

                "品牌":"特斯拉",

                "经销商报价":"27.6万",

                "级别":"中型车",
    
    "上市时间":"2021.07",
    
    "纯电续航里程":"525km",
    
    "充电时间":"快充一小时,慢充10小时",
    
    "百公里加速时间":"5.6s",
    
    "整车保修期限":"4年或8万公里"
   
  },
  
  "变速箱":{
    
                "变速箱档位个数":"6个",

                "变速箱类型":"电动车单速变速箱"
        },
  
  "配置": {
    
          "内部配置": {
        
            "空调": {
          
              "空调控制方式": "自动",
          
        "温度分区控制": "有",
          
        "后座出风口": "无"
          
      },
        
      "行车电脑显示屏": "有",
        
      "倒车视频影像": "有"
    }
    
  }
}

智能客服在线服务配置

步骤一:创建安全组

  1. 进入阿里云ECS安全组控制台

    1. 登录ECS控制台

    2. 在左侧导航栏中,选择网络与安全->安全组。

  2. 创建安全组

    1. 点击创建安全组

    2. 填写自定义的安全组名称网络选择专有网络的VPC。若无专有网络VPC,点击创建专有网络进行VPC的创建。并同时完成专有网络中交换机的创建。

  3. 配置访问规则的入方向

    1. 协议类型选择自定义TCP

    2. 端口范围选择6379/6379,

    3. 授权对象填写:自己创建的PAI-EAS专属资源组对应的机器IP。注意此处不能填写0.0.0.0/0,该策略会导致使用到该安全组的ECS/RDS等资源被外部入侵。

步骤二:创建Redis实例

  1. 进入阿里云Redis控制台

    1. 登录Redis控制台

    2. 在左侧导航栏中,选择示例列表

  2. 创建实例

    1. 点击创建实例

    2. 网络类型选择专有网络

    3. 选择创建专有网络虚拟交换机

    4. 密码设置中选择立即设置,并深入自定义的密码。

    5. 其余的设置保持默认设置。

  3. 获取Redis的链接地址和端口号

    1. 点击创建好的Redis实例,进入实例详情。

    2. 在实例信息的连接信息中保存专有网络的连接地址端口号,在后续的部署中会使用。

步骤三:数据准备

登录阿里云OSS控制台,将上述第三章FAQ和第四章知识图谱准备好的数据存入自己的OSS Bucket中,如下所示:

image.png

其中文件列表清单如下所示:

user_datasets
├── car_faqs
│   ├── query_label_idx_map.txt          # 第三章中标注问题ID编号文件   
│   ├── questions                        # 第三章中标准问题同义配置文件夹
│   ├── answers                          # 第三章中标准答案配置文件夹
│   ├── ext_match_two_tower_model_dir    # 第三章中模型训练得到的模型文件
│   ├── query_features.out               # 第三章中模型预测得到的特征文
├── car_knowledge_graph                  # 第四章中准备的知识图谱数据
│   ├── 特斯拉model3_2021款_标准续航升级版.json
│   ├── 特斯拉modely_2021款_长续航版.json
├── chatbot_service_desc.json            # 检索引擎配置文件,配置介绍见下文。

创建检索引擎配置文件chatbot_service_desc.json,在配置文件中填写如下配置项:

参数

描述

示例

faq_modules

选择计算文本相似度的算法,比如基于余弦相似度的特征向量匹配,基于模糊匹配的字符串匹配

"faq_modules": ["feature_vector_faq_match","fuzzy_closest_faq_match"]

pretrained_feature_vectors_path

离线批处理预测好的特征向量库

/data/eas/EasyTexMiner/examples/solutions/chatbot/user_datasets/car_faqs/query_features.out

feature_generator_model_dir

特征向量生成器的路径

/data/eas/EasyTexMiner/examples/solutions/chatbot/user_datasets/car_faqs/text_match_two_tower_model_dir

faq_data_dir

faq数据路径

/data/eas/EasyTexMiner/examples/solutions/chatbot/user_datasets/car_faqs/answers

faq_query_label_idx_map

query label的映射表

/data/eas/EasyTexMiner/examples/solutions/chatbot/user_datasets/car_faqs/query_label_idx_map.txt

faq_confidence_threshold

faq的置信度

0.4

knowledge_graph_data_dir

存储基于实体&属性描述的知识图谱数据的文件夹

/data/eas/EasyTexMiner/examples/solutions/chatbot/user_datasets/car_knowledge_graph

redis_host

redis实例host

r-uf62y0k7ho7pku54z5.redis.rds.aliyuncs.com

redis_port

redis端口

6379

redis_password

redis密码

用户自定义

步骤四:部署在线服务

  • 如果您没有使用过EAS进行部署,相关方法详见EAS命令使用说明

  • 通过CPU部署,创建chatbot_service_desc.json文件如下

字段

描述

是否需要修改

image

智能客服专属镜像的路径

无需修改

env

传递给镜像的环境变量

无需修改

command

启动脚本

无需修改

name

部署在线服务的名称

可自定义修改

resource

部署在PAI-EAS的专属资源组的资源组id

根据用户信息修改

oss_endpoint

OSS地址的endpoint

根据用户信息修改

oss_mount_path

挂载到镜像中的本地路径

无需修改

oss_path

用户OSS上的存放数据的路径

根据用户信息修改

security_group_id

创建的安全组id

无需修改

vswitch_id

创建的交换机id

无需修改

{
    "containers":[
        {
            "image":"registry-vpc.cn-shanghai.aliyuncs.com/eas/smart_chatbot:v20211129_pre",
            "env":
            [
                {
                    "name":"chatbot_config",
                    "value":"/data/eas/EasyTexMiner/examples/solutions/chatbot/user_datasets/chatbot_deploy_eas.json"
                },
                {
                    "name":"LC_ALL",
                    "value":"zh_CN.utf8"
                }
            ],
            "command":"/data/eas/ENV/bin/python /data/eas/EasyTexMiner/examples/solutions/chatbot/easybot/chatbot_app.py",
            "port":8079
        }
    ],
    "metadata":{
        "cpu":1,
        "instance":1,
        "memory":10000,
        "resource": "eas-r-ia5cabi7v7fd86hua0"
    },
    "name":"chatbot_test",
    "oss_endpoint": "oss-cn-shanghai-internal.aliyuncs.com",
    "oss_mount_path": "/data/eas/EasyTexMiner/examples/solutions/chatbot/user_datasets",
    "oss_path": "oss://chatbot-test/user_datasets",
    "cloud": {
        "networking": {
            "security_group_id": "sg-uf6ec8tbwnldltrsa1iq",
            "vswitch_id": "vsw-uf624jjhqb7bgcqeg221r"
        }
    }
}

之后调用eascmd以下命令进行部署:

eascmd create chatbot_service_desc.json
  1. 进入PAI EAS模型在线服务页面

    1. 登录PAI控制台

    2. 在左侧导航栏,选择模型部署 > 模型在线服务(EAS)

  2. 打开资源组的VPC直连

    1. PAI EAS模型在线服务页面,点击进入创建好的专属资源组中。

    2. 打开VPC直连

image.png

步骤五:调试在线服务

经过上述步骤,模型部署在PAI-EAS。然后可以进入【PAI-EAS】控制台 → 找到【模型部署】 →点击【在线调试】 ,输入request进行请求调用,样式如下:

image.png

其中EAS界面在线调试的Request Body的样式为:

'{"sent":"您好"}'

从返回的调试结果可以看出,创建好的智能客服系统针对用户的query进行了引导式的知识回复。

AI体验馆智能客服DEMO演示

登录阿里云AI体验馆中自然语言处理的智能客服,体验“汽车售前咨询”的服务示例。

相关文章
|
4天前
|
机器学习/深度学习 人工智能 自然语言处理
【AI 现况分析】AIGC 应用领域分析
【1月更文挑战第27天】【AI 现况分析】AIGC 应用领域分析
|
12月前
|
人工智能 自然语言处理 达摩院
达摩院智能对话技术升级-更人类,更温暖-通义对话大模型SPACE加持下的新一代对话智能-SPACE:打造分布式对话智能
达摩院智能对话技术升级-更人类,更温暖-通义对话大模型SPACE加持下的新一代对话智能-SPACE:打造分布式对话智能
538 0
达摩院智能对话技术升级-更人类,更温暖-通义对话大模型SPACE加持下的新一代对话智能-SPACE:打造分布式对话智能
|
机器学习/深度学习 人工智能 自然语言处理
浅析人机对话系统的主要模块及核心技术
之前,在我的另一篇博客:简述智能对话系统 里面概述了对话系统的分类、应用场景及产生的社会价值。今天,来简单讲述一下对话系统的主要模块与核心技术。
|
4天前
|
机器学习/深度学习 自然语言处理 NoSQL
智能制造领域智能问答系统
中国积极推动智能制造发展,推出政策支持数字化、网络化和智能化转型。智能问答系统在这一领域扮演关键角色,协助解决复杂问题,提升生产效率。然而,系统需应对跨领域知识融合、精准问题理解和用户隐私保护等挑战。悦数图数据库为智能问答系统提供数据支撑,助力企业优化生产与管理。未来,随着技术进步,两者将在智能制造中发挥更大作用。
|
4天前
|
机器学习/深度学习 人工智能 自然语言处理
构建高效智能对话系统:AI在语言理解中的创新应用
【2月更文挑战第16天】 随着人工智能技术的不断进步,智能对话系统已成为日常生活和商业活动中的一个不可或缺的组成部分。本文深入探讨了如何通过自然语言处理(NLP)技术,特别是深度学习模型,来构建一个能够准确理解用户意图并提供有效响应的智能对话系统。文中将重点介绍最新的技术进展,包括注意力机制、Transformer架构以及预训练语言模型等关键技术,并讨论这些技术是如何推动智能对话系统的边界,使其更加贴近人类的交流方式。
|
4天前
|
机器学习/深度学习 人工智能 自然语言处理
第9章:深度探讨知识问答系统评测:智能背后的挑战与技术方案
第9章:深度探讨知识问答系统评测:智能背后的挑战与技术方案
|
4天前
|
传感器 人工智能 安全
AI识别技术在智慧工地的应用场景
智慧工地是指以物联网、移动互联网技术为基础,充分应用人工智能等信息技术,通过AI赋能建筑行业,对住建项目内人员、车辆、安全、设备、材料等进行智能化管理,实现工地现场生产作业协调、智能处理和科学管理。AI智能分析系统,对工地未佩戴安全帽、未穿反光背心、明烟明火等违规现象实时识别报警,可灵活对接智慧工地管理平台系统,为政府部门、施工单位和监管企业提供高效、经济、安全的安监方案,推动施工作业风险管理从事后管理向事前、事中管理转变,使作业风险得到有效管控。
|
7月前
|
人工智能 搜索推荐 机器人
ai智能电销机器人综合评测
咱们先来说说电销机器人到底是什么? 相信很多人都对电销机器人没有过多的了解。甚至还有人会问;“什么?机器人?啥样的?很贵吧!”其实电销机器人是一款人工智能语音系统,又称为智能语音外呼系统。他是人工智能应用在生活、工作中的一种尝试。而且能极大的解决公司的痛点,给公司提供一条拓客渠道。让企业用最小的成本创造出最大的利润。 众所周知,人工智能已经成为现在以及未来的发展趋势,势必会应用在各行各业。而电销机器人为什么叫机器人呢?就来源于他可以自动拨号,自动与客户进行沟通介绍,自动分析数据生成意向客户信息。这些强大的自动化功能,使他逐步在取代人工,所以能被称为机器人。 什么样的电销机器人才是最好的?
|
10月前
|
机器学习/深度学习 存储 人工智能
如何5分钟快速搭建智能问答系统
最近小马在搞AI,目标是实现一个智能问答系统来支撑业务。经过了之前一段时间的基础AI技术学习后,小马开始NLP并调研智能问答系统。本文介绍如何5分钟快速搭建一个智能问答系统。亲测效果良好。
998 0
如何5分钟快速搭建智能问答系统
|
10月前
|
人工智能 监控 算法
【视觉智能AI场景解决方案——智慧物流车牌识别】
随着AI技术的问世,物流行业迎来了速度、准确率、系统化的全方位提升 。通过使用AI识别车牌与车辆功能,物流企业可以实现对车辆的快速、准确的识别,提高物流车辆的管理效率。此外,AI还可以帮助物流企业实现对车辆功能的识别,如车辆类型、载重等,为物流调度提供更加科学的指导。AI识别车牌与车辆功能的应用正日益普及,为智慧物流行业带来了新的发展机遇。
386 0