國內一名列世界500強的保險公司（以下簡(jiǎn)稱(chēng)“A保險公司”），擁有龐大的電銷(xiāo)團隊，雇傭了上萬(wàn)名電銷(xiāo)人員，每月電銷(xiāo)電話(huà)撥打量達到千萬(wàn)通。由于客戶(hù)名單基本為白名單，即沒(méi)有客戶(hù)的信息，傳統的格式化維度分析無(wú)法應用，所以A保險公司在沒(méi)有客戶(hù)信息的情況下，實(shí)行全量撥打，這樣的撥打效果成交率在千分之一以下。另一方面，全量撥打的電銷(xiāo)電話(huà)也給客戶(hù)帶來(lái)不良的印象，對客戶(hù)造成不必要的干擾。近年來(lái)，監管力度逐年上升，對電銷(xiāo)電話(huà)管控嚴度加大。為能有效運營(yíng)電銷(xiāo)就需要有特定對象，向有購買(mǎi)保險意愿的客戶(hù)精準的撥打。
隨著(zhù)AI科技的進(jìn)步，普強AI建模產(chǎn)品的核心運用了最新的AI語(yǔ)音轉譯和語(yǔ)義理解技術(shù)，為這樣的場(chǎng)景提供了一個(gè)極佳的解決方案，能夠讓A保險公司和有類(lèi)似業(yè)務(wù)場(chǎng)景公司的電銷(xiāo)人員將資源集中在有潛在購買(mǎi)意愿的客戶(hù)。一方面，避免撥打全量的電話(huà)，減少人力資源和電信話(huà)費，另一方面，能有效減少對沒(méi)有購買(mǎi)意愿客戶(hù)的干擾。當客戶(hù)有意愿和需求購買(mǎi)保險時(shí)，電銷(xiāo)的外呼電話(huà)不被認為是干擾；相反，對沒(méi)有購買(mǎi)意愿或能力的人，這樣的電話(huà)即成為客戶(hù)的干擾。
事實(shí)上，經(jīng)過(guò)AI建模的分析，在數百萬(wàn)的客戶(hù)名單中，有購買(mǎi)意愿的大約在15%左右，因此80%以上的電話(huà)都是不必要撥打的。這樣的應用給A保險公司和有類(lèi)似應用場(chǎng)景的公司省下巨大的成本。接下來(lái)，將會(huì )對此做詳盡的描述。
1、語(yǔ)音語(yǔ)義理解可獲取有價(jià)值的客戶(hù)特征
雖然沒(méi)有客戶(hù)的固定維度信息，但是有許多已撥打過(guò)的錄音，A保險公司擁有海量的客戶(hù)通話(huà)錄音，錄音內含有寶貴的客戶(hù)信息、客戶(hù)特征等。這些數據都可以作為篩選客戶(hù)的依據，例如在電銷(xiāo)的過(guò)程中可以得知：
買(mǎi)過(guò)保險：“謝謝，我已經(jīng)有保險了”。
可能有車(chē)：“對不起，我正在開(kāi)車(chē)，不方便講話(huà)”。
有房人士：“我目前房貸壓力大，沒(méi)有閑錢(qián)買(mǎi)保險”。
還有許多類(lèi)似的特征都可以從電銷(xiāo)人員和客戶(hù)的通話(huà)中獲取，做成客戶(hù)畫(huà)像。普強過(guò)去積累了許多成功案例，其中就包含大量這樣有價(jià)值的客戶(hù)特征。從各樣的案例中，電銷(xiāo)人員重點(diǎn)關(guān)注擁有這些特征的客戶(hù)，撥打給這類(lèi)有較高意愿的客戶(hù)并提高銷(xiāo)售力度，增加撥打次數和跟進(jìn)，從而提升銷(xiāo)售成交率。因此，若能將這些寶貴的客戶(hù)信息特征挖掘出來(lái)，也就能更進(jìn)一步找出潛在客戶(hù)，從而將電銷(xiāo)團隊的大量資源（人力、時(shí)間、電話(huà)費用……）做最有效的運用，達到最大收益。
2、AI語(yǔ)音轉譯和語(yǔ)義理解
自從2010年蘋(píng)果電腦、手機發(fā)布Siri應用后，語(yǔ)音識別技術(shù)不斷的更新、突破。其主要是源于一種計算機算法架構的技術(shù)突破：深度神經(jīng)網(wǎng)絡(luò )。使用神經(jīng)網(wǎng)絡(luò )的技術(shù)，研究人員不斷推進(jìn)許多人工智能以前不能突破的障礙，例如語(yǔ)音識別、圖像識別、語(yǔ)義理解等三大領(lǐng)域。借助神經(jīng)網(wǎng)絡(luò )架構，這些領(lǐng)域里的問(wèn)題都大大提升了應用上的效果。這樣的突破主要由以下幾個(gè)因素造成：
- 數據量的徒增：借著(zhù)互聯(lián)網(wǎng)的發(fā)展，大量的用戶(hù)將語(yǔ)音、圖像、照片、文字上傳到大型的數據中心。
- 大型云計算中心超級的運算能力：能儲存、處理、分析這些海量的數據。
- 算法的突破：借助前兩項，算法得以不斷的被驗證、優(yōu)化、迭代更新，創(chuàng )新的神經(jīng)網(wǎng)絡(luò )架構不斷的被提出并被驗證。
在語(yǔ)音識別方面，2017年微軟研究院的技術(shù)達到了與人翻譯的結果相同的里程碑。在電話(huà)對話(huà)的數據集（Switchboard），微軟的研究員們使用了多個(gè)神經(jīng)網(wǎng)絡(luò )模型來(lái)翻譯使結果達到最優(yōu)，翻譯的字錯誤率與4位專(zhuān)業(yè)翻譯人士共同翻譯的錯誤率基本相同。2018年谷歌的DeepMind使用了大型的CNN-RNN-CTC神經(jīng)網(wǎng)絡(luò )架構，翻譯結果比翻譯專(zhuān)家好六倍。同時(shí)在圖像識別方面，也同樣有重大突破，使得自動(dòng)駕駛這樣復雜的工作，變得可實(shí)現。
語(yǔ)音、圖像識別持續突破，在語(yǔ)義理解方面，使用神經(jīng)網(wǎng)絡(luò )架構的算法也突破了人的水平。著(zhù)名的史丹佛大學(xué)語(yǔ)義理解競賽的文本問(wèn)答數據集，內有10萬(wàn)條問(wèn)答，都是從維基百科摘選的文章片段，然后對每一片段由真人提出問(wèn)題，并在文章片段內找出答案的位置。準確率由2017年前的60%迅速攀升到最新的90%以上，遠遠超過(guò)人的水平，人的水平為86.8%，而準確率最高的神經(jīng)網(wǎng)絡(luò )是94.6%。它所使用的神經(jīng)網(wǎng)絡(luò )架構為一種稱(chēng)為T(mén)ransformer的網(wǎng)絡(luò )，疊加24次，形成一個(gè)深度大型的網(wǎng)絡(luò )（BERT），并使用了兆級數量的詞匯做訓練。在其它常用的語(yǔ)義任務(wù)上，神經(jīng)網(wǎng)絡(luò )也都極大的提升了準確率，例如命名實(shí)體識別（NER）、關(guān)系識別、文本蘊含（textentailment）等。
這些人工智能的科技突破，讓許多以往計算機不能應用到的場(chǎng)景成為新的應用。在語(yǔ)音方面，企業(yè)存儲的海量錄音，以往是黑盒子，無(wú)法進(jìn)行分析整理。不像結構化的數據，使用大型的數據庫，可以做查詢(xún)、統計、分析、圖表化等工作。如今，可以經(jīng)由語(yǔ)音識別成為文字，然后再經(jīng)由語(yǔ)義理解做分析，產(chǎn)生實(shí)際的應用效益。接下來(lái)將對最新的語(yǔ)音、語(yǔ)義技術(shù)在人工智能科技的應用作案例分析。
3、語(yǔ)音語(yǔ)義分析現行科技狀況
語(yǔ)音識別相對比較容易理解和定義，其任務(wù)就是將聲音轉成文字，而轉化的效果可以簡(jiǎn)易的用字錯誤率來(lái)界定。但是識別的準確率與諸多因素相關(guān)，可以用人的體驗來(lái)做比喻，因為人工智能基本就是模仿人的智能：
- 專(zhuān)業(yè)領(lǐng)域：如果在一個(gè)不同的專(zhuān)業(yè)領(lǐng)域，例如醫學(xué)，許多的用語(yǔ)不是一般常用的，一個(gè)非醫學(xué)專(zhuān)業(yè)的人士不容易理解這些醫學(xué)的用語(yǔ)，做文字轉化的也會(huì )出錯。
- 口音/方言：嚴重的方言口音或是方言。
- 傳播媒介：如電話(huà)信道。
- 背景聲音：如吵雜的環(huán)境。
這些都會(huì )影響識別的結果，就像人需要時(shí)間適應后才能聽(tīng)懂一個(gè)新環(huán)境里的對話(huà)交流。所以要降低語(yǔ)音轉譯的錯誤率，必須要能對專(zhuān)業(yè)或應用領(lǐng)域有足夠的認識，熟悉地域的口音、方言等。
普強的語(yǔ)音轉譯專(zhuān)注于固定領(lǐng)域來(lái)積累領(lǐng)域的專(zhuān)業(yè)話(huà)語(yǔ)，也同時(shí)積累了大量的語(yǔ)音覆蓋了口音、方言、傳播媒介特性、背景聲音等因素，來(lái)優(yōu)化語(yǔ)音轉譯的正確率。
另一方面，語(yǔ)義理解任務(wù)相對的就比較不容易定義和理解，有一組學(xué)術(shù)界定義的語(yǔ)義理解相關(guān)的問(wèn)題（GLUE）：
- CoLA：?jiǎn)尉涞亩诸?lèi)問(wèn)題，判斷一個(gè)英文句子在語(yǔ)法上是不是可接受的。
- SST-2：?jiǎn)尉涞亩诸?lèi)問(wèn)題，句子的來(lái)源于人們對一部電影的評價(jià)，判斷這個(gè)句子的情感。
- MRPC：句子對來(lái)源于對同一條新聞的評論，判斷這一對句子在語(yǔ)義上是否相同。
- STS-B：這是一個(gè)類(lèi)似回歸的問(wèn)題，給出一對句子，使用1~5的評分評價(jià)兩者在語(yǔ)義上的相似程度。
- QQP：這是一個(gè)二分類(lèi)數據集，目的是判斷兩個(gè)來(lái)自于Quora的問(wèn)題句子在語(yǔ)義上是否是等價(jià)的。
- MNLI-m：語(yǔ)型內匹配。推斷兩個(gè)句子是意思相近，矛盾，還是無(wú)關(guān)的。
- MNLI-mm：跨語(yǔ)型匹配。推斷兩個(gè)句子是意思相近，矛盾，還是無(wú)關(guān)的。
- QNLI：也是一個(gè)二分類(lèi)問(wèn)題，兩個(gè)句子是一個(gè)(question，answer)對，正樣本為answer是對應question的答案，負樣本則相反。
- RTE：是一個(gè)二分類(lèi)問(wèn)題，類(lèi)似于MNLI，但是數據量少很多。
- WNLI：推斷兩個(gè)句子是意思相近，矛盾，還是無(wú)關(guān)的。
- AX：QA型圖像數據庫。
這些任務(wù)都有許多應用場(chǎng)景，但是語(yǔ)義理解的應用范疇也有很多不能直接應用這些任務(wù)，例如從一段對話(huà)文本中來(lái)判斷一個(gè)人是否結婚，如下面的對話(huà)：
A：您好，我想跟您談下我們公司最近的一個(gè)產(chǎn)品的活動(dòng)，這個(gè)產(chǎn)品能夠......
B：嗯，謝謝，不過(guò)我需要和我老婆商量商量...。
明顯的從這段對話(huà)里，可以判定B是已經(jīng)結過(guò)婚的人。再例如，服務(wù)業(yè)里常有禁忌的用語(yǔ)如：
A-先聽(tīng)我說(shuō)or A-是誰(shuí)說(shuō)or A-怎么知道or A-誰(shuí)告訴你or A-有沒(méi)有搞錯or A-你弄錯了or A-說(shuō)重點(diǎn)or A-你必須or A-本來(lái)應該or A-這個(gè)部門(mén)很差勁or A-這個(gè)部門(mén)差勁or A-到底需要不需要or A-你不要跟我喊or A-你明白了嗎or A-那您覺(jué)得呢or A-我說(shuō)的很清楚了or A-剛才不是對你說(shuō)了
這樣的語(yǔ)義理解應用均不是GLUE里面的任務(wù)能夠直接應用的，并且在GLUE里表現良好的神經(jīng)網(wǎng)絡(luò )架構也不能保證在真實(shí)應用的場(chǎng)景里達到產(chǎn)生業(yè)務(wù)價(jià)值的效果。
2018年底，谷歌發(fā)布了一種神經(jīng)網(wǎng)絡(luò )架構BERT，一種基于Transformer架構的多層疊加的神經(jīng)網(wǎng)絡(luò )，BERT提出兩種版本，基本版（BASE）和大型版（LARGE），參數如下：
BERTBASE:L=12，H=768，A=12，TotalParameters=110M
BERTLARGE:L=24，H=1024，A=16，TotalParameters=34
使用了3.3Giga的詞匯作預訓練，然后再按任務(wù)作微調訓練，硬件使用了谷歌TPUV2.0的處理器，BERT的基礎版（BASE）需要16個(gè)TPU芯片，BERT的LARGE版使用了64個(gè)TPU芯片，預訓練需要4天。
在GLUE的許多任務(wù)上均優(yōu)于此前的神經(jīng)網(wǎng)絡(luò )架構（如上表所列）。BERT在語(yǔ)音識別和圖像識別突破后帶來(lái)了語(yǔ)義理解的突破。此后在BERT的基礎上，在語(yǔ)義理解的許多應用上都帶來(lái)了突破。然而由于BERT和后續的神經(jīng)網(wǎng)絡(luò )都需要龐大的計算資源和時(shí)間，給私有化部署的應用帶來(lái)高昂的成本，除非能夠使用云端共享的BERT計算資源。由于數據保密的要求，許多應用的數據無(wú)法上傳到云端，例如金融業(yè)的客戶(hù)數據等。
如前所述，這樣的科技還需要經(jīng)過(guò)再創(chuàng )新才能應用在實(shí)際的商業(yè)場(chǎng)景里。普強在這個(gè)方面做了十年的科研投入，不斷的將最新的科技應用在實(shí)際的商業(yè)場(chǎng)景上。
4、普強語(yǔ)音語(yǔ)義框架
當前人工智能算法均屬在高維度的空間中尋找線(xiàn)性/非線(xiàn)性復合函數的最優(yōu)值點(diǎn)，其最核心的架構設計實(shí)為設計此高維度空間里的數學(xué)復合函數，許多的復合函數/神經(jīng)網(wǎng)絡(luò )框架都在不同的任務(wù)中被驗證有應用的效益，下面列舉了幾個(gè)重要的類(lèi)別：
全聯(lián)多層的神經(jīng)網(wǎng)絡(luò )：每層的神經(jīng)元均與下一層的所有神經(jīng)元相連，邏輯回歸等算法均使用此種網(wǎng)絡(luò )。
- 卷積神經(jīng)網(wǎng)絡(luò )（Convolutional Neural Networks，CNN）：是一類(lèi)包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡(luò )（Feedforward Neural Networks），是深度學(xué)習（deeplearning）的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò )具有表征學(xué)習（representation learning）能力，能夠按其階層結構對輸入信息進(jìn)行平移不變分類(lèi)（shift-invariant classification），因此也被稱(chēng)為“平移不變人工神經(jīng)網(wǎng)絡(luò )（Shift-Invariant Artificial Neural Networks，SIANN）。卷積神經(jīng)網(wǎng)絡(luò )架構在視覺(jué)辨識里達到了極優(yōu)的效果。
- 循環(huán)神經(jīng)網(wǎng)絡(luò )（Recurrent Neural Network，RNN）：是一類(lèi)以序列（sequence）數據為輸入，在序列的演進(jìn)方向進(jìn)行遞歸（recursion）且所有節點(diǎn)（循環(huán)單元）按鏈式連接的遞歸神經(jīng)網(wǎng)絡(luò )（recursiveneuralnetwork）。循環(huán)神經(jīng)網(wǎng)絡(luò )的研究始于二十世紀80-90年代，并在二十一世紀初發(fā)展為深度學(xué)習（deeplearning）算法之一，其中雙向循環(huán)神經(jīng)網(wǎng)絡(luò )（BidirectionalRNN，Bi-RNN）和長(cháng)短期記憶網(wǎng)絡(luò )（Long Short-Term Memorynetworks，LSTM）是常見(jiàn)的的循環(huán)神經(jīng)網(wǎng)絡(luò )。循環(huán)神經(jīng)網(wǎng)絡(luò )具有記憶性、參數共享并且圖靈完備（Turingcompleteness），因此在對序列的非線(xiàn)性特征進(jìn)行學(xué)習時(shí)具有一定優(yōu)勢。循環(huán)神經(jīng)網(wǎng)絡(luò )在自然語(yǔ)言處理（Natural Language Processing，NLP），例如語(yǔ)音識別、語(yǔ)言建模、機器翻譯等領(lǐng)域有應用，也被用于各類(lèi)時(shí)間序列預報。引入了卷積神經(jīng)網(wǎng)絡(luò )（Convoutional Neural Network，CNN）構筑的循環(huán)神經(jīng)網(wǎng)絡(luò )可以處理包含序列輸入的計算機視覺(jué)問(wèn)題。
- Transformer神經(jīng)網(wǎng)絡(luò )：拋棄了傳統的CNN和RNN，整個(gè)網(wǎng)絡(luò )結構完全是由Attention機制組成。更準確地講，Transformer由且僅由Self-Attenion和FeedForward Neural Network組成。一個(gè)基于Transformer的可訓練的神經(jīng)網(wǎng)絡(luò )可以通過(guò)堆疊Transformer的形式進(jìn)行搭建，作者的實(shí)驗是通過(guò)搭建編碼器和解碼器各6層，總共12層的Encoder-Decoder，并在機器翻譯中取得了BLEU值得新高。
- CTC（Connectionis ttemporal classification）：傳統的語(yǔ)音識別的聲學(xué)模型訓練，對于每一幀的數據，需要知道對應的label才能進(jìn)行有效的訓練，在訓練數據之前需要做語(yǔ)音對齊的預處理。而語(yǔ)音對齊的過(guò)程本身就需要進(jìn)行反復多次的迭代，來(lái)確保對齊更準確，這本身就是一個(gè)比較耗時(shí)的工作。與傳統的聲學(xué)模型訓練相比，采用CTC作為損失函數的聲學(xué)模型訓練，是一種完全端到端的聲學(xué)模型訓練，不需要預先對數據做對齊，只需要一個(gè)輸入序列和一個(gè)輸出序列即可以訓練。這樣就不需要對數據對齊和一一標注，并且CTC直接輸出序列預測的概率，不需要外部的后處理。
以上僅就目前人工智能應用領(lǐng)域里經(jīng)常使用并產(chǎn)生實(shí)際應用效益的網(wǎng)絡(luò )做了簡(jiǎn)介，當應用到各個(gè)實(shí)際場(chǎng)景里時(shí)，還有基于上述網(wǎng)絡(luò )衍生的眾多版本和彼此之間的結合版，不能一一詳述。
深度學(xué)習里的神經(jīng)網(wǎng)絡(luò )架構及其參數和超參數均需按實(shí)際場(chǎng)景和數據的情況作調試優(yōu)化，方能達到理想的效果以產(chǎn)生實(shí)際應用價(jià)值。然而實(shí)際的場(chǎng)景雖然都有相似之處，但也有諸多不同的細節，為能滿(mǎn)足每一應用場(chǎng)景的應用效益要求，以過(guò)往往需要由資深的算法工程師做深度的調試，此種模式耗時(shí)且效率低，常常不能滿(mǎn)足客戶(hù)快速的迭代需求。
大型人工智能科技公司提倡將大量的數據存儲在它們的云計算平臺上，并同時(shí)按采集到的海量數據調試一個(gè)能廣泛應用的平臺。此種商業(yè)模式，雖有可行性，但同時(shí)也面臨著(zhù)一些根本的挑戰。例如如何能保證數據的安全，特別是金融行業(yè)和其它對數據保密要求高的行業(yè)，同時(shí)這些大型的人工智能公司現今也不斷的擴張他們的業(yè)務(wù)領(lǐng)域，將數據提供給此類(lèi)的云平臺，也加速了他們的競爭力來(lái)切入不同的商業(yè)領(lǐng)域，這樣的擔憂(yōu)也是使得這樣的方法無(wú)法獲得更多商業(yè)應用的數據，從而不能提供一個(gè)通用的應用人工智能系統。
據此普強提出發(fā)展一種可重復復用的機制，將這個(gè)機制靈活的應用到每一個(gè)客戶(hù)業(yè)務(wù)場(chǎng)景上，當這個(gè)機制應用到特定場(chǎng)景上時(shí)，會(huì )按已成功的案例，做梳理業(yè)務(wù)邏輯并同時(shí)在客戶(hù)內的私有云上采集數據，再用成功案例的深度學(xué)習神經(jīng)網(wǎng)絡(luò )，機器學(xué)習算法架構來(lái)訓練、測試、驗證模型，最終上線(xiàn)運行業(yè)務(wù)邏輯，提升業(yè)務(wù)價(jià)值及效益。這樣的機制主要包含兩項重要元素，方法論和計算技術(shù)框架：
- 方法論：對行業(yè)及業(yè)務(wù)場(chǎng)景整理出流程和規則，并按此流程和規則采集積累海量的數據。
- 計算技術(shù)框架：按實(shí)際應用場(chǎng)景，建立算法框架，框架是由各類(lèi)已驗證后的神經(jīng)網(wǎng)絡(luò )和機器學(xué)習算法構成的體系，對每一應用場(chǎng)景作全框架計算測試評估，研判出最優(yōu)的神經(jīng)網(wǎng)絡(luò )架構和機器學(xué)習算法，并同時(shí)調試參數和配置。
普強在金融及相關(guān)領(lǐng)域，積累十年以上的人工智能行業(yè)落地經(jīng)驗，專(zhuān)注于垂直領(lǐng)域，歸納成功的案例、相關(guān)的業(yè)務(wù)流程規則和算法算力需求，建立起一套完整的機制。隨著(zhù)客戶(hù)的業(yè)務(wù)需求變化和成功案例積累，不斷的擴充加強優(yōu)化此機制，作快速的迭代。
5、成功案例分享
A保險公司為名列世界500強的保險公司（在本文開(kāi)頭已有提及），普強將語(yǔ)義分析機制應用在A(yíng)保險公司的電銷(xiāo)業(yè)務(wù)里，項目一期應用在A(yíng)保險公司兩個(gè)主要的業(yè)務(wù)區：BJ市和TJ市。對大約250萬(wàn)的客戶(hù)電銷(xiāo)通話(huà)錄音（約400萬(wàn)通錄音）作落地實(shí)施，其中包括了下列的步驟：
- 業(yè)務(wù)梳理：與客戶(hù)業(yè)務(wù)人員交流，以對客戶(hù)的業(yè)務(wù)做深度的了解，與普強機制框架對接。
- 分析流程建立：分析客戶(hù)業(yè)務(wù)，建立流程，優(yōu)化流程。
- 客戶(hù)特征篩選：基于普強的業(yè)務(wù)成功案例，使用大數據分析，抽取潛在具有購買(mǎi)意愿客戶(hù)特征。
- 成交相關(guān)度計算：經(jīng)由普強大數據分析框架計算客戶(hù)特征與成交的相關(guān)度，排序客戶(hù)特征的優(yōu)先順序。
- 模型建模/訓練：普強計算技術(shù)框架對最優(yōu)最先進(jìn)的神經(jīng)網(wǎng)絡(luò )架構和機器學(xué)習算法，作架構和算法評估，測試不同架構和算法的效益優(yōu)劣，及計算資源需求以及是否能達到客戶(hù)的時(shí)效要求等工作，最終推薦最優(yōu)的架構/算法。
- 測試：使用海量的數據不斷的測試，并調優(yōu)參數，達到準確率、召回率等測試標準的要求，并依照業(yè)務(wù)模式計算相對的業(yè)務(wù)效益。
- 驗證：實(shí)際推送普強業(yè)務(wù)流程算法推薦的潛在客戶(hù)，驗證成交率。
- 上線(xiàn)：將最終驗證通過(guò)的整體機制上線(xiàn)，進(jìn)入實(shí)際業(yè)務(wù)運行。
與使用普強機制前業(yè)務(wù)情況對比的成效如下：
- 精準的推薦占總量約15%的潛在有購買(mǎi)意愿的優(yōu)質(zhì)客戶(hù)。
- 推薦的15%的客戶(hù)覆蓋了90%的業(yè)績(jì)。
- 節省了80%+的電銷(xiāo)電話(huà)，人員時(shí)間。
- 并減少了對沒(méi)有意向購買(mǎi)客戶(hù)的干擾。
- 確定了潛在購買(mǎi)客戶(hù)的特征，作話(huà)術(shù)優(yōu)化的依據，有定向的與客戶(hù)對話(huà)以確認是否是有所確定的特征。
- 發(fā)掘了電銷(xiāo)流程的缺失：發(fā)現高購買(mǎi)意向客戶(hù)的跟蹤力度不及時(shí)或遺漏的情況，建立追蹤系統及時(shí)找回遺漏的潛在客戶(hù)并跟進(jìn)。
6、結語(yǔ)
隨著(zhù)計算力和云存儲容量的大幅提升，海量數據的收集，使得以往不能突破的人工智能問(wèn)題均得到突破：如語(yǔ)音識別、圖像識別、語(yǔ)義理解等領(lǐng)域。借著(zhù)這些突破，許多商業(yè)場(chǎng)景都能應用這些最新的人工智能突破，而產(chǎn)生實(shí)際的商業(yè)效應。
本文中敘述了語(yǔ)音識別和語(yǔ)義理解在特定的垂直領(lǐng)域中的應用，并詳述案例和其應用的效益。此種效應隨著(zhù)科技的進(jìn)步和突破，必能擴及更多的場(chǎng)景和商業(yè)應用。本文中所述的方法論和技術(shù)計算框架也必定會(huì )不斷的迭代更新和擴充，帶給實(shí)際的業(yè)務(wù)更多的效益。
