如何让LLM大语言模型在智能客服产品中落地生根?
文章主题:ChatGPT, 智能客服, LLM大语言模型, 地板策略
🌟🚀ChatGPT引领潮流,LLM融合智能客服新路径💡🔥探索ToB SaaS领域的未来,如何让LLM大语言模型无缝对接客户服务?👩💻💼以下策略可助你一臂之力:1️⃣ **深度定制** – 个性化训练模型以满足企业特定需求,定制化服务更贴近业务流程。📚🔍2️⃣ **API集成** – 利用稳定的技术接口,将LLM与现有系统无缝对接,提升效率。🌐🛠️3️⃣ **数据安全** – 强化隐私保护,确保客户信息的安全,赢得信任。🔒🛡️4️⃣ **持续优化** – 根据用户反馈迭代模型,保证服务质量与行业趋势同步。📈🔧5️⃣ **案例示范** – 共享成功案例,展示LLM在客户服务中的实际效果,引导市场认知。🌐🏆6️⃣ **合规指导** – 确保遵循相关法规,合规运营,避免潜在风险。📜💼拥抱技术革新,LLM与智能客服的融合将开启ToB服务新篇章!🚀🌈
就聊聊当下热门话题:ChatGPT在智能客服产品中该如何落地?
🔥🚀ChatGPT引领潮流,AI技术日新月异,智能客服领域的革新已然成为热议话题!💡那么,如何将这股浪潮转化为实际生产力呢?在ToB SaaS的ToC世界里,让LLM大模型赋能客服系统,实现弯道超车的关键在哪?🔍首先,我们需要理解LLM的核心——强大的自然语言处理能力。它能像人类一样理解和生成对话,为精准服务提供可能。📚接下来,将LLM融入CRM(客户关系管理)架构,通过智能问答和自动回复,提升客户服务的智能化水平。💬数据是关键,海量训练数据是LLM模型的灵魂。如何在保护隐私的前提下,高效地利用这些数据进行模型优化?🤔同时,定制化服务也是不可忽视的一环,针对不同行业和客户需求,提供个性化的解决方案。💡最后,用户体验至高无上。流畅的交互体验和快速响应速度是评判成功落地的标准。🚀团队的技术实力与客户服务理念相融合,才能让LLM真正为企业赋能,提升业务效率。👨💻👩💻别再盲目跟风,让我们一起探索如何在智能客服领域巧妙地驾驭这股技术洪流,引领未来!🏆#ChatGPT #LLM大模型 #智能客服 #ToB SaaS #AI应用
01
首先,先来解决一个值不值得做的问题:智能客服领域,值得用LLM大语言模型进行智能化产品改造嘛?
产品的几个典型特征汇总下:
人力密集:
智能客服,是一个高度依赖人工操作的系统,有解放生产力的内在需求。
数据密集:
🌟智能客服不仅是强大的工具,它还能转化为宝贵的资源库!通过收集和分析会话详情、通话内容、音频记录及操作历史,这些数据就像是人工智能成长的丰饶土壤,孕育着无限创新可能。有了这些数据,就能解锁更精准的服务,提升业务效能,为未来的智能化转型奠定坚实基础。🌍
流程可定义:
这类产品,往往都可以有典型的业务流程抽象:如IVR语音交互、外呼任务、工单流转等。
有智能化应用基础:
🌟🚀 智能客服:AI领域的领航者,从文本到语音,无微不至的服务创新!💡🤖 早在AI浪潮中崭露头角,文本机器人与语音机器人的高效应用,已成为行业典范。客户的信任和习惯已被智能技术深度塑造。🌍✨
🌟💡在AI时代,寻找适合LLM发展的土壤至关重要!一个领域若具备老旧但仍适用的生产设备、规范的业务流程及海量待挖掘数据,同时拥抱技术变革,无疑为LLM的深度应用提供了肥沃的土壤。🌱🔍这些要素共同构成了一片潜力无限的行业绿洲,等待着AI智慧的灌溉和滋养。🌍
只不过。这片田地在现阶段LLM们眼中看来,还是小了一点而已。
02 如果值得做,那么如何做?
这就是一个见仁见智的问题了,大家的产品架构不同,目标客群不同、业务规模不同、主打产品各异。
假设我们已拥有经过充分测试且运营稳定的成熟产品,避免LLM对现有架构产生显著冲击,以免给用户带来困扰。那么,如何巧妙地融合这一先进的技术呢?
提倡拥抱变化,嘴上鼓吹AGI通用人工智能带来行业巨变,这些都没问题,真要不破不立,付出真金白银的代价来决策,去执行,还是一个很难抉择的命题。
1. 架构设计问题
审视本身产品架构,是否具备LLM大语言模型落地基础。
可以理解、由于历史原因,当前主打产品架构陈旧,模块化解耦不完善,性能瓶颈无法解决,但因为跑着很多生产客户,轻易无法改动。这种情况下,再塞入ChatGPT到整个架构中,将带来更多沉重压力。
那么第一步先想清楚,是打算好好优化下,还是另辟蹊径,单独做一个外围LLM应用。
好比老房子改造,是不是要打算做做基础施工,还是简单刷刷墙、做下软装得了。
历史包袱较重的话,也不妨另起炉灶,聚拢有心气的一支精锐之师冲一下。也算是给原有池塘中投入一只鲶鱼。
2. 工具设计问题
做顶层应用设计之前,我们需要先梳理工具。如AI引擎管理、数据建模工具、意图管理管理、标签标注和管理,流程生成工具,业务构建工具等等……
ChatGPT能力的引入,相较于以前智能客服产品所沉淀的基于自然语言处理、语义理解、意图识别,关键字和正则处理等方式,带来颠覆性的改变。借助其能力涌现,上下文关联,逻辑链提示处理等方式,原有的手把手定义流程,字词句填槽的旧模式,势必得到极大改变。
如果以前构建复杂AI应用,需要是半编程化的方式,用ChatGPT们来实现,打个比方更像是RPG游戏编程工具,以场景搭建、角色扮演,提示格式化、逻辑化,辅以人工反馈监督的模式去进行。
为什么不能是呢。如果我们做的足够好用,是不是也可以直接邀请用户参与到“游戏”开发中来?
另外,很多工具本身,更可借助ChatGPT进行智能化的改造。以更高效和智能的方式来处理数据、生成数据。
如进行自动训练和标注、知识库的自动化扩充、来代替语料手工标注,代替传统问答对的低效人力处理,给出标准问,自动扩展相似问等等。
3. 应用设计问题
最后说说智能客服应用层面的设计,这里是用户可感知的界面和内容。
我们来根据智能客服的一些典型场景,看看ChatGPT们的优势能力,可带来哪些富有想象力的改变。
1)增强型对话能力
不可否认,ChatGPT带来了极其强大的对话能力,我们万分期待,甚至开始脑补其进入智能客服对话中的效果。
但是很遗憾,智能客服产品领域内的对话,是一个非常典型的限定业务领域、任务驱动的对话需求,我们客户肯定不希望访客进来,是寻找一个超高智能、善解人意、能写会画的陪聊机器人。
会话内容必须收敛于企业业务范畴内,服务于客服和营销场景下,解决和处理问题,不要浪费宝贵的资源。
不加控制的直接引入ChatGPT到客服领域,那感觉就好比你回家撞见扫地机器人不干活,和隔壁的智能吸尘器聊的你侬我侬,是不是恨不得一棒子打死了事!
所以,构建增强型对话能力,一方面我们借助ChatGPT简化了对话流程设计:以前需要设定N多个意图,关联无数个上下文才能实现的方式,现在开箱即用,自然语言对话获取、格式化提示完成限定任务、收集访客数据和意向。另外,通过私有化训练和公共文本数据的结合,对访客提供不僵化、更优质的回答体验。
ChatGPT和传统文本,语音机器人能力的结合,会给智能客服的机器人服务能力带来质的飞跃。
2)智能质检
传统智能质检已经是非常成熟的解决方案,但如果通过ChatGPT,投入预训练和一定的业务规则定义,可以实现无需复杂设定,更智能的质检结果输出。
我们向模型内投入一定数量的优质录音、文本,然后告知ChatGPT都有哪些加分因子、让他自动判别生产数据的质检情况,然后不断通过手工质检的对齐调优,让ChatGPT持续不断学习和改进。
3)智能化辅助
同理,对于座席侧智能辅助功能,也是可以通过对优质样本的投喂,正确流程和加分因子的定义,不断的让ChatGPT在数据滋养下,实时对座席给出更好的辅助能力。原有的辅助功能框架可以保留,但是内里是一个不断进化,自动学习的“业务助理”
4)内训机器人
基于智能质检和智能辅助的基本能力,针对使用场景是企业内训的机器人,也完全可以基于现有数据样本,更自动化的生成内训“教官”,我们业务管理人员,可以针对岗前培训、业务流程、服务过程设定不同内训主题,一定量标准语料训练后,让内训机器人指导座席进行自我训练,这种对于强调学习能力和管理能力的运营型客户,很有吸引力。
5)智能填单类
智能客服应用中,有大量需要手工输入的表单:客户资料、跟进记录、服务工单,目前市面上CRM领域已经出现借助ChatGPT进行智能填单的实验性应用。按以往的实现方式,必须有复杂的工程化设计,将会话文本实时匹配,借助词性分析,语义分析和关键字查找等方式,使用表现往往不尽如人意。我们可以期待LLM大语言模型的超强能力可以有效提升这类型产品的实用度。
6)从帮助中心到座席助理
全功能的智能客服产品已经是一个非常庞大的产品体系,功能多如牛毛,上手难度很高。
很多产品的设计,需要操作者进行到处跳转去查找、配置、调整。以往的帮助形式,除了简单的页面的功能提示,就是如wiki一般厚重的在线帮助页面,对使用者说不上友好,对开发者也有持续更新维护的沉重负担。
而使用智能助理模式的在线帮助,不同角色的人员可以通过对话式的简单体验,来获取使用上的实时协助,甚至一些功能型的配置和要求,聪明的助理也可以准确理解使用者的对话,直接进行配置和改变。
比如:系统管理员唤起智能配置助理:
“小C小C,帮我查找一个近半个月名字叫做***的客户所有访问和对话记录”
这个对小C的能力来说,就是小case了。
“小C小C,我需要设置一个清明节的IVR语音导航,所有清明节时间呼入的电话,都提示这样一句话:***”
这个要求嘛,还是有一定风险,出于谨慎目的,小C还需要和你反复确认一些关键配置要素,确认无误才去执行。
7)AIGC知识库
智能客服产品中,最需要内容生产能力的地方,莫过于知识库。
产品必备的知识库通常分几类:内部知识库、机器人知识库和外部知识库。
① 内部知识库
是提供给座席使用者,会话中实时定位查询使用。企业的业务变化多端,知识库的调整要及时到位。对于内部知识库的整理。一般需要专人进行上传、编辑、整理,用过的都知道这是一个非常耗费工作量的事情。
ChatGPT的引入,能协助高效智能的归类,自动生成知识库类目、明细。如果增加对外部数据源的引用,知识库还可以自动关联,减少知识库同步的操作。使用者在应用中,可给与知识点反馈,能帮助知识库进行权重自动调节。
② 机器人知识库
文本和语音机器人能够回答访客问题,依赖机器人知识库的有效内容。一旦无法命中,机器人只能回避或者推荐其他知识点。对于未知问题的整理,是需要智能客服使用者大量投入工作量的一个地方。
同样,对于调用量远大于内部知识库的机器人知识库来说,借助用户反馈来对未知问题进行自动整理和关联,能节省很多知识库维护者的工作。我们也可以通过多机器人组合的方式,在一通会话中接力棒一般服务于客户的不同场景,那么被训练好的ChatGPT专属机器人,也可以在特定的场合发挥能力,并可以逐步替代一些以往模式僵化的问答型机器人。
③ 外部知识库
如果企业有知识门户的需求,需要整合在智能客服产品中,如果不把这类产品算作一个独立品类的话,基于ChatGPT的多模态的AIGC能力,可以更方便的将已整理的知识内容转化为输出产物,更方便的生成知识文章、图片、甚至音视频,快速生成一个个性化的知识空间。
充分发挥ChatGPT创造性的工作,这里还有很多的想象空间。
④ 数据预测类应用
最后我想到的一个品类,是基于对智能客服数据的预测分析。作为以往智能客服类产品的一个“短板”,建设数据预测类产品可能需要很重的CDP数据平台建设,CEM客户体验管理等方式,如果ChatGPT可以更高效精准的进行销售意向,行为,成交概率的预测,对利润中心导向的智能客服产品,将具有很大价值。
4. 商业化前景
以上,完全只是构想,甚至算是空想,想要做出真正落地的应用,我们更应该同步关注这些问题:
投入产出比?可衡量的客户认可和价值体现?通用性与行业性?数据风险和监管安全?
这样的问题继续深入下去,将有很多的扩展,也不是我这一篇短文就能聊清楚。后续我会随着思考和实践,再单独分类整理。
ChatGPT们的到来,首先让我们震惊,然后是思考,更重要是发现全新的机会。
所知有限,期待与大家的深入交流。
最后的最后,来看看ChatGPT和文心一言对这个问题的解答吧
公众号:通信产品的那些事
本文由 @通信产品的那些事 原创发布于人人都是产品经理,未经作者许可,禁止转载。
题图来自Unsplash,基于CC0协议。
该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
AI时代,掌握AI大模型第一手资讯!AI时代不落人后!
免费ChatGPT问答,办公、写作、生活好得力助手!
扫码右边公众号,驾驭AI生产力!