今天陸續看見各個媒體開始發世界人工智能大會的通稿之【2019年中國人工智能商業落地初創企業100強榜單】，同時也看到各個AI企業公號援引此通稿紛紛發出"榮登/入選"100強的賀電，可喜可賀。
不過，我又翻了一翻2018年的100強，再對比著看，咂摸出一點味道，跟大家分享：
人臉識別，AI芯片，AI教育，AI醫療什么的，咱就不必說了，重點來看看觸角在聯絡中心那些AI企業們。有老兵，有新貴，有的異軍突起，有的競爭中暫時落敗，總體來說行業的發展是蓬勃的。
但是，聯絡中心為什么會成為AI企業的樂(Jiao)土呢？
- 聯絡中心天生匯聚大量的數據，而且是優質的數據，對于AI來說，算法可能是通用的，而基于數據集訓練出來的模型優劣完全在于數據本身的質量，所謂Garbage in Garbage out，而聯絡中心產生的數據天然的結構化，連續化，普遍化；
- 聯絡中心每天存儲的大量交互歷史以錄音數據為代表，是AI公司孜孜以求的強場景，坐席的標準化SOP回復天生適合提煉模型；
- 聯絡中心最早就開始應用了AI技術，如果我們把第一代的TTS和ASE引擎算上，聯絡中心算是滋養了一代AI公司（e.g. Nuance， iflytek， Sinovoice...）；
- 聯絡中心的坐席和運營管理者每天都會重復大量的機械化人力勞動，可替代性高，運用語音/文本機器人可極大地節約成本，尤其在人工成本居高不下的今天(當然，AI也不便宜）；
- 聯絡中心作為企業與客戶強弱關系結合的重要紐帶，通過AI技術可以增加獲客、提高營收、促進回款。我們都知道跟錢相近的技術總會快速發展；
- 聯絡中心同時還可以作為試驗田，引進下一代AI技術，如RPA，AR/VR，我甚至覺得RPA的轟炸即將來襲！
- 最重要一點，一個企業都有聯絡中心了（還是說明很有錢的），就更加愿意往新技術上砸錢了，AI投身聯絡中心，好歹能賺錢...
據我不完全統計下，涉及到企業服務的AI企業數量大約占據了3成，在算法模型普世化的今天，怎么看出區別呢？我想，關注點大約是在場景的豐富度，而聯絡中心，天生就是不缺場景的。
我稍微做了一個小小的總結....
我們把聯絡中心進行了根據使用對象不同分成了四個方面：
- 客戶聯絡層：客戶所觸及的AI
- 員工輔助層：坐席所觸及的AI
- 業務優化層：業務人員所觸及的AI
- 運維管理層：IT運維人員所觸及的AI
總體來看，目前應用或準備應用AI技術的聯絡中心企業會優先從客戶聯絡層與員工輔助層來入手，業務優化層會選取若干方向來評估進行，而智能運維層則進度和態度不一。
從客戶聯絡層的AI技術來看，智能推薦技術源自于互聯網上的千人千面理念，往往是無感知或弱感知的。客戶在不同的渠道產生的交互軌跡和信息都被企業捕捉到并使用規則或者AI模型來進行評估判斷，從而產生針對性的客戶服務。最顯性的例子可能就是動態IVR了，一個客戶剛剛APP下單后再打聯絡中心電話就會被略去引導式IVR直接提供訂單服務。
語音機器人的使用則分為了兩個流派，Inbound與Outbound，呼入型的機器人比外呼型的機器人要難做得多。因為外呼的場景是鎖定的，比如電銷或者催收機器人，用戶回復往往是收斂的，流程規則與人工介入相對簡單。而呼入型有多難做就因企業而異了，還要照顧來自天南海北各地的口音方言，雖然呼入機器人旨在消除IVR，卻不得不與IVR共存中使用。
外呼機器人的難點在于業務本身，AI企業們也往往提供了很多的好點子。作為聯絡中心從業人員的筆者居然有次也會中招：前段時間我接到一個在線教育企業的外呼電話，里面分明是人聲！還結合著些許嘈雜的呼叫中心背景噪聲，我居然跟她對話了2分鐘都沒有意識到....直到我問了一個長達15個字的問題，緊接著被另外一個坐席聲音給嚇著才意識到剛才跟AI聊天了。
呼入型機器人的難點除了方言和用戶慣性等因素外，業務流程的復雜度也直接決定了呼入型機器人的建設周期。一個覆蓋了多個產品線多項業務服務類類別的IVR流程想要拆散化成Inbound Voice Bot需要極大的耐心和智慧，多一層菜單選擇所帶來的熱詞判斷/模糊查找/業務流向規則往往是線性的工作量增長。
文本機器人要比語音機器人要容易些，文本機器人不會有外呼，可是依然會帶來新的問題，那就是知識的更新和交互的連續性。往往企業會在網頁，APP，小程序，公眾號等多個渠道一起上，同時作為客戶服務的載體又需要貼合業務。建設一個文本機器人不難，用好則很花費功夫。聯絡中心的管理者們往往會把文本機器人與語音機器人歸一類，以至于希望一套流程花開兩朵，而現實總是那么地跟期望不符......
對于業務優化層面的AI技術，大部分管理者會直接一步想到智能質檢，誠然這是目前最好用也相對成熟的場景之一。不止一次從金融客戶那里得到一致性的評價：
對于合規的全量質檢，簡直太好用了！
筆者才曾經深度參與了一個完全定制化的智能質檢項目，源自于客戶的一個執念：既然XX云和XX云上都有完備的離線/在線語音識別業務，我相信他們肯定比智能質檢廠商的語音引擎要準！呃～這個執念也是沒誰了，確實哇！識別準不準是很重要的因素，但同時還有其他的要素哇！比如情感分析，趨勢分析，熱詞聚類，信息捕捉等.....客戶大手一揮，這些都沒有合規重要！先滿足一期再說！于是乎筆者和小伙伴們利用Genesys穩如老狗般的interaction recording提供的雙聲道錄音（ps，在云上，很多規矩都變了喲！比如沒有端口鏡像了...) 和interaction concentrator提供的話務數據與隨路數據，一起post(扔！)給XX云的存儲，利用其離線語音識別（為啥不在線？貴啊）翻譯成了文本，在post(扔！)給RDS，利用類似select xxx from xxxx where keywords = "有病啊" （原諒我的渣SQL）
這樣的技術做了一個輕量版的合規全量質檢，效果還挺好！客戶的控制感和獲得感極強，感覺是自己注入心血深入研發的產品一般來定制關鍵詞和開發前端UI，客戶開心，Genesys開心，XX云開心，大家都開心：)
以至于我會認為：智能質檢細分行業最大的競爭對手是客戶的執念...
智能路由和智能排班這兩種技術，往往落地很難，而且推廣的企業特別少，可能G廠是少數幾個(很謙虛)能同時提供智能路由和排班的廠家了。智能路由的理念是基于業務結果最優而非規則最優的話務匹配，區別于話務分配是基于Best Available的設計原則，智能路由的設計原則是Better Outcome。而至于具體需要什么樣的Outcome是由用戶定的，有人在乎NPS，有人在乎FCR，有的在乎Revenue，往往牽一發而動全身。如果你想全乎...不好意思，二桃殺三士啊！同時智能路由需要一定的坐席規模和話務規模下才有落地的可能，而有此規模下的聯絡中心往往經過長年累月的經驗累積和迭代優化在規則設計方面往往非常細致，這也是我關注到的G廠在國外的智能路由商業落地的場景大多是 運營商/大型銀行的呼入場景。智能排班技術，又稱WFM.AI，一改過去以往的模型預測和偏離度導向，基于時間序列預測的更高精度和更敏捷的智能排班由此而生，不過從G廠的經驗來看，往往這樣的模型調優是需要大量數據累計，因為云化更加符合，而國內大量所采用的本地化部署AI的現狀并不太匹配。當然，這也是一個很好的討論話題。
以至于我會認為：初創企業不會做WFM.AI和Routing.AI的，而智能質檢會是巨頭們的游戲。
呃～今天先說這么多，明天咱們接著就聯絡中心員工輔助層與運維管理層的AI發展再繼續聊，那可有意思多了。
