以下分享分論壇演講實(shí)錄

　　分論壇實(shí)錄

　　大家都知道自然語(yǔ)言處理是人工智能里的掌上明珠。人工智能主要包含視覺(jué)、語(yǔ)音跟自然語(yǔ)言處理，而其中NLP自然語(yǔ)言處理是其中最難的部分，我相信大家都已經(jīng)認同。那么視覺(jué)跟語(yǔ)音的發(fā)展也已經(jīng)經(jīng)過(guò)了一段時(shí)間，技術(shù)也相對比較成熟，場(chǎng)景也比較固定。

　　那么自然語(yǔ)言理解的場(chǎng)景有多么浩瀚？自然語(yǔ)言理解需要處理的問(wèn)題有多少呢？我們如何把自然語(yǔ)言理解結合人工智能的技術(shù)，在行業(yè)里去落地，通過(guò)行業(yè)應用的場(chǎng)景能夠產(chǎn)生更多的價(jià)值，這個(gè)是我們今天要來(lái)探討的問(wèn)題。

　　竹間智能從2015年成立到現在的5年里，一直以自然語(yǔ)言為核心，以情感計算為基礎，打造流暢的人機交互，追求有溫度的交互機器人，來(lái)解決人跟機器溝通的問(wèn)題。不僅如此，我們也在解決人機協(xié)作的問(wèn)題。竹間將自然語(yǔ)言處理技術(shù)應用到解決非結構化數據，也就是從文本分析的范疇，把人機交互溝通、協(xié)同的問(wèn)題，也同時(shí)運用到業(yè)務(wù)自動(dòng)化，流程自動(dòng)化，解決業(yè)務(wù)上的問(wèn)題，提供更好的端到端的服務(wù)。所以自然語(yǔ)言理解、情感計算是竹間智能的兩大主軸。

　　近5年來(lái)竹間一直在沉淀和積累行業(yè)的場(chǎng)景，今天來(lái)跟大家分享一下自然語(yǔ)言理解如何去落地。以前我的老上司沈向洋博士曾講過(guò)一句話(huà)：“懂語(yǔ)言者得天下”就是說(shuō)未來(lái)的世界里面，不論是生活，工作或是娛樂(lè )，各個(gè)方面會(huì )有語(yǔ)言來(lái)輔助。不管這個(gè)語(yǔ)言是人跟人溝通的語(yǔ)言，還是人跟機器的溝通的語(yǔ)言，或者是未來(lái)幻想中一個(gè)機器跟機器溝通的語(yǔ)言，語(yǔ)言會(huì )成為一個(gè)人類(lèi)生活層面的操作系統，所以懂語(yǔ)言者得天下，如果能夠將語(yǔ)言了解透徹，就能幫助人類(lèi)在言語(yǔ)的溝通上起到協(xié)同和賦能的作用。

　　竹間在過(guò)去5年來(lái)，已經(jīng)把自然語(yǔ)言的這些技術(shù)應用到各行各業(yè)，沉淀下來(lái)非常多的場(chǎng)景，并把場(chǎng)景轉化成了產(chǎn)品和平臺，把產(chǎn)品做成平臺，把平臺當作產(chǎn)品。目的是幫助企業(yè)把NLP應用更快落地，更安全、更順暢、更低成本、更高效率。依靠竹間Bot Factory™這樣的產(chǎn)品平臺沉淀了數百個(gè)標桿客戶(hù)，5年來(lái)不斷的以自主研發(fā)的自然語(yǔ)言理解跟情感計算的技術(shù)和知識工程技術(shù)為基礎，搭建出平臺，讓機器人真的能夠看得懂，聽(tīng)得懂，讀得懂，也能夠去解決所有的人的業(yè)務(wù)的問(wèn)題。竹間智能一直以來(lái)的愿景：

　　Emotional Robot for everyone，

　　every business，and every smart device

　　所以我們是來(lái)連接人、商業(yè)和終端三個(gè)為一體的一個(gè)環(huán)節，來(lái)做情感機器人，能夠賦能于人類(lèi)生態(tài)。

　　今天要跟大家講的是如何在人的生活當中去找到NLP的契機，對于企業(yè)來(lái)講，我們如何去賦能企業(yè)來(lái)幫助個(gè)人生活得更好、更便利、更有效。

　　企業(yè)內普遍存在以下難點(diǎn)，第一，營(yíng)銷(xiāo)獲客，企業(yè)能夠獲客，能夠有新的業(yè)務(wù)才能生存，才能提給客戶(hù)更好的服務(wù)。

　　第二點(diǎn)，提高服務(wù)的質(zhì)量。有了新客戶(hù)，如何去服務(wù)已有客戶(hù)進(jìn)行留存和轉化，則需要提供更好的體驗，讓企業(yè)能夠有持續性的商機，讓客戶(hù)享受到更好，更值得的高質(zhì)量服務(wù)。那么還有最核心的一點(diǎn)是企業(yè)要減少人力成本，加上今年疫情給大家帶來(lái)的一個(gè)思考，就是：未來(lái)如何在各個(gè)環(huán)節減少人力的壓力，進(jìn)而減少用工成本？通過(guò)技術(shù)來(lái)降低用工成本和壓力。未來(lái)世界其實(shí)將會(huì )減少接觸。更少的接觸，不代表沒(méi)有社交，社交當然必不可少，所以需要社交距離，但是能不需要接觸的時(shí)候，就要盡量避免。

　　比如說(shuō)要繳費，一定要去網(wǎng)點(diǎn)繳嗎？要辦信用卡一定要去網(wǎng)點(diǎn)辦嗎？如果辦信用卡通過(guò)電話(huà)，機器人能否幫助客戶(hù)自動(dòng)解決這些繁瑣的事情。以這些契機，未來(lái)可以落地到哪些場(chǎng)景來(lái)幫助人類(lèi)真正提供有價(jià)值的服務(wù)？其中很重要的一點(diǎn)，要解決人與人溝通、交互的問(wèn)題，它靠的是語(yǔ)言，所以我們必須要把人類(lèi)的語(yǔ)言懂透、摸透，通過(guò)計算機語(yǔ)言，把語(yǔ)言變成一個(gè)可計算的東西。這門(mén)學(xué)科非常窄，但卻是最高深的一個(gè)學(xué)科，因為它不但要了解人的心理，還要了解語(yǔ)言學(xué)，還要了解人機交互，三門(mén)非常重要的技術(shù)學(xué)科，了解這三項之后，你才能夠真的稱(chēng)得上能夠懂計算機語(yǔ)言。我們講情感計算模型，就是建立在心理學(xué)交互的模型上，需要把語(yǔ)言學(xué)和情緒情感融入到最先進(jìn)的人工智能，才能稱(chēng)得上是懂交互的。交互不僅是觸屏這么簡(jiǎn)單，語(yǔ)音的交互只是一個(gè)感官的交互，眼睛看到圖像也是感官的交互，圖片并不會(huì )跟你對話(huà)。真正的交互應該是相互的過(guò)程，是動(dòng)態(tài)的。人類(lèi)的大腦里面在想的，當他講一句話(huà)的時(shí)候，他的context是什么？他的情緒是什么？這是非常重要的，所以需要把計算機語(yǔ)言、自然語(yǔ)言處理跟心理學(xué)融合在一起，才有辦法達到真正的交互。這條路需要非常多的努力。

　　單從NLP的角度來(lái)看，那么自然語(yǔ)言處理的技術(shù)難點(diǎn)有哪些？這是竹間做了5年，我個(gè)人做了20多年來(lái)的總結的一些經(jīng)驗，以前還有很多技術(shù)難點(diǎn)，我們在一一克服之后，隨著(zhù)技術(shù)不斷發(fā)展又會(huì )有新增的技術(shù)難點(diǎn)，當然也越來(lái)越有挑戰性，并且越來(lái)越有價(jià)值。第一點(diǎn)，少樣本零樣本的學(xué)習。這是目前這兩三年來(lái)預訓練模型的崛起，讓大家能夠開(kāi)始去思考的問(wèn)題，能不能用更少量的樣本和數據進(jìn)行訓練達到預訓練，未來(lái)能讓語(yǔ)言模型更通用。所以這是一個(gè)挑戰方向，待大家共同努力減少學(xué)習樣本，讓模型交互的模型更豐富，能夠更快的去完成訓練。第二點(diǎn)，預訓練模型的壓縮。當然大家知道預訓練模型它需要的dimension非常廣，需要的數據就非常多，搭建出的模型也非常大，如何盡量壓縮，如何能夠超越Bert，做到比Bert更小，訓練速度更快，所需樣本更少？這樣的一個(gè)模型，是要靠大家融入各個(gè)方面的經(jīng)驗進(jìn)行優(yōu)化迭代。

　　第三點(diǎn)，是很重要的一點(diǎn)，即自然語(yǔ)言處理是在處理人的語(yǔ)言，缺少了知識，認知，包括常識。以前做詞向量，做句向量，把詞變成一個(gè)向量，用向量來(lái)計算，這里面是缺少知識和常識，更沒(méi)有上下文的分析。現在的技術(shù)中慢慢開(kāi)始加入上下文的解析，但僅憑上下文還是沒(méi)有邏輯性的，缺少了知識和常識的NLP，沒(méi)有認知交互在，就沒(méi)有辦法達到有意義的交互。那么很重要的一點(diǎn)，竹間的核心就是做多模態(tài)，多模態(tài)的計算，要把情緒再加入交互，把語(yǔ)音、語(yǔ)義、圖像，人的眼睛能看的，耳朵能聽(tīng)的，腦袋能思考的，嘴巴可以說(shuō)的都融合起來(lái)做多模態(tài)的交互。有些時(shí)候不需要語(yǔ)言，用眼睛交互，有些時(shí)候不需要語(yǔ)言，用表情交互，喜怒哀樂(lè )用在各個(gè)不一樣的場(chǎng)景，有些時(shí)候通過(guò)聲音的相應的語(yǔ)調識別情緒，當然情緒識別不僅僅是識別語(yǔ)調聲音，所以需要把這些融合成為多模態(tài)，這是最困難的部分，也是我們最終要達到的目的。能夠仿真人能夠達到多模態(tài)的交互，加上有認知的交互，加上有情感的交互，才是我們做人機交互的最終的一個(gè)目標。今天大家在做的詞向量也好，Bert也好，語(yǔ)義的理解都是一個(gè)步驟，要達到一個(gè)多模態(tài)不能做完語(yǔ)義理解再去做，一定要同時(shí)間結合整個(gè)文化發(fā)展、經(jīng)濟發(fā)展、人類(lèi)歷史發(fā)展的腳步去學(xué)習，是一個(gè)累積的過(guò)程。自然語(yǔ)言生成是非常重要的，人的語(yǔ)言是有邏輯性的，不是深度學(xué)習模型不可控的去隨便生成一句話(huà)，也不是靠大量互聯(lián)網(wǎng)的語(yǔ)料撈一個(gè)句子來(lái)進(jìn)行對話(huà)，否則就會(huì )沒(méi)有邏輯可言。所以能不能生成自然語(yǔ)言，需要進(jìn)行有邏輯性的交互。當然你有可能在進(jìn)行閑聊，閑聊就沒(méi)有邏輯性，是情感性，情感也是一種邏輯，人類(lèi)rational、emotion，這兩項都加入到自然語(yǔ)言生成NLG的部分，那么這樣的自然語(yǔ)言的生成才是能夠達到完整的人機對話(huà)。很重要的一點(diǎn)，知識的發(fā)現跟推理在交互里面是非常重要的。交互里如何去Auto discover一個(gè)knowledge，新的實(shí)體，新的知識，在這個(gè)知識上進(jìn)行交互，這個(gè)叫contextual，也就是上下文如何去識別如何去提取。需要理解，實(shí)體的自然發(fā)現，知識的自動(dòng)發(fā)現，累積起來(lái)，才能夠解決上下文的問(wèn)題。上下文不是只有指代消解，更重要的是知識，知識可能有多個(gè)實(shí)體多個(gè)屬性在里面，對話(huà)里的上下文它還要解決自動(dòng)去發(fā)現知識，自動(dòng)去發(fā)現對話(huà)里的信息，達到順暢的上下文的交互，自然就形成了所謂的多輪交互。所以現在的對話(huà)交互是基于認知AI、情感AI，基于雙向的交互性AI，需要達到contextual上下文各個(gè)信息的理解，才能進(jìn)行Compose text，這叫做Goal-oriented dialogue，Goal-oriented conversation。每一個(gè)gonversation還是一個(gè)goal，所有要解決的一個(gè)交互都是要解決一個(gè)goal，可能當中需要完成多個(gè)goal才能達到一個(gè)交互。

　　所以除此之外很重要的一點(diǎn)，在深度學(xué)習里會(huì )碰到的一個(gè)問(wèn)題就是模型越復雜，越不可控，也可以說(shuō)超出了可控范圍。通過(guò)什么方式能保證人工智能技術(shù)交互技術(shù)是可控的呢？需要做到一點(diǎn)，在交互的時(shí)候得到的信息，識別到的知識等所有的實(shí)體都是可解釋的。機器從哪里學(xué)來(lái)的？怎么學(xué)的，學(xué)到了什么？可解釋?zhuān)�才可控。Humanity for AI最終要保護人類(lèi)，不是傷害人類(lèi)。It is to help human to live better，所以很重要的一點(diǎn)，機器學(xué)習的數據、語(yǔ)料、文本、圖像是不是都是可解釋的。

　　那么接下來(lái)我探討語(yǔ)義解析的難點(diǎn)怎么樣去解決。很重要的一點(diǎn)就是場(chǎng)景，有了場(chǎng)景我們才能夠把自然語(yǔ)言處理進(jìn)行應用去發(fā)揮價(jià)值，在運用到場(chǎng)景里也產(chǎn)生更多的數據反哺。那么如何去實(shí)踐復雜的場(chǎng)景？比如：逾期的提醒、快遞的寄送、問(wèn)卷的回訪(fǎng)，我們自己做過(guò)幾百個(gè)不同的場(chǎng)景，每一個(gè)場(chǎng)景，要分析各個(gè)不同層面的技術(shù)來(lái)解決。那么類(lèi)腦的語(yǔ)言的解析層，人的大腦有超過(guò)十幾億的神經(jīng)元agent，每一個(gè)agent都代表一個(gè)工作，如何去拆分成最小的單位去解析，然后理解。包括上下文的理解、知識的推理、指代消解等非常多，數十個(gè)不同的小的components去解決。那么還有底層的算法，包括internet、分詞、詞性、NER、關(guān)鍵詞、依存句法分析、語(yǔ)義句法分析、語(yǔ)義角色標注的部分等等，數十個(gè)語(yǔ)言學(xué)的模塊，能不能通過(guò)AI去完完全全，一個(gè)一個(gè)的用最新的機器學(xué)習跟深度學(xué)習的方法構建出來(lái)，綜合語(yǔ)言學(xué)的部分，這是語(yǔ)義解析的一個(gè)難點(diǎn)。舉個(gè)簡(jiǎn)單的例子，“購票成功，但是不出票怎么辦？”這句話(huà)的意圖很簡(jiǎn)單：我想要知道我的票已經(jīng)買(mǎi)了，但是不出票，這需要怎么解決？但是如果中間有一點(diǎn)不同，比如說(shuō)：“我購票成功，但是取不出票怎么辦？”不出票跟取不出票差一個(gè)字差別卻很大，取不出整體是一個(gè)動(dòng)詞，不是取/不出，中文的部分沒(méi)有空格，所以需要解決很重要的一個(gè)分詞的問(wèn)題。一般市面上的分詞工具基本都解決不了這個(gè)問(wèn)題，無(wú)法分辨“不出票”和“取不出票”。那這樣的問(wèn)題需要如何解決？累積非常多的行業(yè)數據，還要跨行業(yè)地去解決，所以要有眾多的數據跟眾多的模型搭建，才能在一個(gè)語(yǔ)音引擎里讓解析變得更通用，碰到這樣的問(wèn)題才能理解說(shuō)話(huà)者真正的語(yǔ)意是什么。其實(shí)這個(gè)是非常難攻克的一個(gè)問(wèn)題，竹間現在已經(jīng)攻克了。

　　舉個(gè)例子：上海話(huà)中“我不要太喜歡你這雙鞋子”一般的分詞或者是翻譯器都會(huì )翻譯成I don't like this shoe too much。但這句話(huà)的正確含義其實(shí)是：我太喜歡這雙鞋子了，這就是為什么無(wú)法理解語(yǔ)言的真正含義進(jìn)行翻譯，這樣的語(yǔ)料沒(méi)有辦法產(chǎn)生一個(gè)非常精確的可解釋的路徑。

　　還有一點(diǎn)是，如何加入認知的部分，加入人類(lèi)知識、計算的部分？我們的人腦是可以進(jìn)行邏輯計算的，我一個(gè)月用1萬(wàn)塊，那么一年就會(huì )用12萬(wàn)。但是目前一般的語(yǔ)義對話(huà)聊天機器是完成不了計算的，如何把實(shí)體數字與常識知識融合在一起，讓整個(gè)引擎可以進(jìn)行計算？舉一個(gè)例子，申請信用卡、申請貸款，或者是申請保險時(shí)，那么保險公司或者貸款公司，會(huì )需要進(jìn)行風(fēng)險評估，對收入進(jìn)行詢(xún)問(wèn)，如果你回答了：我月薪2萬(wàn)，我老婆是個(gè)課程顧問(wèn)，一年收入也在20萬(wàn)左右。那么到底你們家收入是多少？一般的分詞分不出來(lái)的，因為這里面有什么呢？首先涉及多類(lèi)型的NER的抽取，一個(gè)月2萬(wàn)，還有一年20多萬(wàn)，能不能去解析這20多萬(wàn)是年薪，2萬(wàn)是月薪？再進(jìn)行總和，這就是機器模型要去完成的。那句話(huà)中還包含這樣一個(gè)信息“我老婆是課程顧問(wèn)”。所以那句話(huà)中包含兩個(gè)實(shí)體，“我”跟“我老婆”中間還有relation，當然relationship是配偶關(guān)系，能不能把這個(gè)信息頁(yè)也抽取出來(lái)，就可以構建有知識的influence，再加上computation可以計算出家庭年收入是2萬(wàn)×12+20萬(wàn)=44萬(wàn)。得出的結果再傳到風(fēng)控系統中進(jìn)行評估，評估結果再通過(guò)機器人傳達給客戶(hù)。這個(gè)叫做人機對話(huà)，接入企業(yè)的內部的計算系統，達到一個(gè)complish一個(gè)test一個(gè)goal，這是最經(jīng)典的一個(gè)例子，看似簡(jiǎn)單其實(shí)非常難實(shí)現。這不僅僅是一個(gè)閑聊機器人或者一個(gè)語(yǔ)音助手，需要具有認知、常識、計算、語(yǔ)言學(xué)，通過(guò)整個(gè)contextual理解，才能獲取即使只有3個(gè)字亦或30個(gè)字里的真實(shí)信息和意圖。如何把對話(huà)信息都準確抽取，就是現在需要完成的最重要的工作，而竹間現在已經(jīng)能達成不錯的效果，未來(lái)還會(huì )繼續努力去突破更多更難的語(yǔ)義問(wèn)題。

　　語(yǔ)義解析中還有一個(gè)難點(diǎn)，舉個(gè)簡(jiǎn)單易懂的例子：“開(kāi)通手機銀行就能繳燃氣費嗎？怎么開(kāi)通？怎么繳？”這樣一個(gè)問(wèn)句中“開(kāi)通手機銀行能交燃氣費嗎”這是一個(gè)常用問(wèn)答——Frequently Asked Questions即FAQ，但是句子中緊接著(zhù)“怎么開(kāi)通？怎么繳？”包含兩個(gè)意圖：第一，怎么去開(kāi)通手機銀行；第二，怎么去繳燃氣費？所以在這個(gè)句子中包含一個(gè)常用問(wèn)答和兩個(gè)意圖。所以機器人需要解決三件事情，首先要去提取關(guān)鍵信息，手機銀行是一個(gè)關(guān)鍵信息，燃氣費是一個(gè)關(guān)鍵信息，開(kāi)通繳費是一個(gè)關(guān)鍵信息，通過(guò)組合后，進(jìn)行多意圖解析，再根據事件邏輯跟后臺系統對接，并進(jìn)行回答，還可以通過(guò)推薦問(wèn)進(jìn)行引導，與用戶(hù)連續對話(huà)進(jìn)而解決用戶(hù)的問(wèn)題，這樣就可以形成一個(gè)完美豐富的服務(wù)閉環(huán)。所以多意圖多實(shí)體，信息抽取這一門(mén)學(xué)科已經(jīng)發(fā)展了幾十年，直到現在我們還在繼續優(yōu)化它。Information mining、Information retrieval這些傳統的文本分析、文本處理的技術(shù)，竹間今天用人工智能來(lái)實(shí)現。

　　最后向大家介紹一下竹間的三大支柱——“646戰略”。包含竹間的6大的核心技術(shù)，這是我們一直在聚焦的方向；4大核心產(chǎn)品平臺，是5年來(lái)打磨的成果，它既是一個(gè)平臺，也是一個(gè)產(chǎn)品；在6大行業(yè)里，竹間已經(jīng)建立跨行業(yè)領(lǐng)域的合作。

　　6大技術(shù)方向包含自然語(yǔ)言處理、知識工程、深度學(xué)習&AutoML、文本數據中臺、視覺(jué)計算、語(yǔ)音識別，集成在竹間的Bot Factory™平臺。竹間所有內部開(kāi)發(fā)和客戶(hù)定制開(kāi)發(fā)都是基于自動(dòng)化的機器學(xué)習平臺上進(jìn)行的，包含Finetuning，Pre-train等各式各樣不同的模塊，才能夠做到零代碼開(kāi)發(fā)。二次開(kāi)發(fā)，客戶(hù)也可以使用自己開(kāi)發(fā)好的模型代替我們自建的模型，所以整個(gè)Bot Factory™它是一個(gè)非常強大的模塊、引擎，當然也包含了龐大的NLP的技術(shù)模塊在里面。而文本數據中臺是解決企業(yè)里長(cháng)文本分析應用，視覺(jué)計算也是竹間累積近5年的人臉的表情，情緒情感識別技術(shù)，像口罩識別、活體識別等應用。語(yǔ)音辨識是竹間除了語(yǔ)義之外非常擅長(cháng)的部分，現在竹間的ASR和TTS技術(shù)已經(jīng)向科大訊飛、阿里看齊。竹間把語(yǔ)音和語(yǔ)義技術(shù)結合，形成全雙工全場(chǎng)景AICC解決方案。

　　那么由這6個(gè)技術(shù)，我們在這幾年來(lái)的沉淀出來(lái)4個(gè)平臺，Bot Factory™的平臺，能夠零代碼一鍵部署，能夠讓用戶(hù)不用寫(xiě)代碼，就可以創(chuàng )建機器人。在某些跨行業(yè)領(lǐng)域里，竹間的機器人已經(jīng)可以達到零啟動(dòng)的水平，也就是不需要訓練，準確率可以達到80%以上，那么再加上后期的語(yǔ)料訓練和實(shí)際的運行準確率可以提升至95%甚至于97%。

　　AICC是竹間的AI Contact Center TotalSolution，賦能于企業(yè)的Callcenter，比如說(shuō)跟竹間合作的Avaya，我們把AI技術(shù)放到Callcenter里去，現在竹間在Callcenter里有八大不同的產(chǎn)品，AICC的產(chǎn)品包括智能客服，AI質(zhì)檢，輔助坐席，陪練機器人，培訓，用戶(hù)畫(huà)像分析，還有營(yíng)銷(xiāo)的分析，整個(gè)形成AICC的全方位解決方案，那么把語(yǔ)音跟語(yǔ)義再融合，我們是一個(gè)全場(chǎng)景的AICC解決方案，再加上我們的語(yǔ)音、語(yǔ)義、圖像的Total Solution，那么企業(yè)就不需要再找另外不同的AI廠(chǎng)商再去做非常復雜的集成了，這就是竹間能夠提供一個(gè)什么？一站式的企業(yè)級的人工智能平臺，這個(gè)平臺里面是由4個(gè)平臺組成的。

　　還有NLP的平臺，它不僅僅是NLP的API，它更是一個(gè)NLP的Operatingsystem，企業(yè)客戶(hù)及端客戶(hù)需要做NLP二次開(kāi)發(fā)的，可以部署這套系統，這套系統能夠讓企業(yè)去進(jìn)行數據處理、訓練、運維、測試跟上線(xiàn)，NLP平臺的27個(gè)模塊能夠幫助企業(yè)去做比對，完成校稿、審稿等很多業(yè)務(wù)。

　　竹間的Gemini平臺，它是一個(gè)更強的認知型的平臺，Cognitive engineering的平臺，通過(guò)自動(dòng)化來(lái)構建知識圖譜，擁有龐大的語(yǔ)義解析能力，有OCR能力，有image的能力，能夠去解析非結構化數據，它有一個(gè)自動(dòng)處理的pipeline，能夠做屬性的自動(dòng)挖掘，實(shí)體的自動(dòng)挖掘，模型的Finetuning，能夠自動(dòng)發(fā)現實(shí)體跟屬性，構建知識圖譜。那么它不僅僅是構建知識圖譜，它是一套整套的技術(shù)平臺，也就是說(shuō)整套的技術(shù)平臺可以license給到企業(yè)，讓他們用這個(gè)技術(shù)平臺去自動(dòng)構建知識圖譜，而不需要用人工去構建知識圖譜。現在傳統的知識圖譜的一些廠(chǎng)商，他們是以人工通過(guò)一個(gè)個(gè)的實(shí)體連接創(chuàng )建知識圖譜，這不屬于自動(dòng)化。而竹間的Gemini是可以通過(guò)自動(dòng)化創(chuàng )建知識圖譜，它可以通過(guò)解析100萬(wàn)個(gè)的文檔，200萬(wàn)個(gè)文檔構建一個(gè)知識圖譜，也可以給它預先定義的詞庫，預先定義的knowledge，它也會(huì )自動(dòng)Auto discovery，發(fā)現屬性發(fā)現實(shí)體，那么可以形成一個(gè)人機交互，它做不出來(lái)東西再進(jìn)行人工干預，所以它是一個(gè)自動(dòng)化，構建知識圖譜的工程，也有inference的引擎在里面，還有一個(gè)很強大的process引擎在里面，可以處理所有流程自動(dòng)化的問(wèn)題。

　　這4大產(chǎn)品平臺是我們累積6個(gè)技術(shù)在6個(gè)行業(yè)里過(guò)去5年內沉淀下來(lái)，包括金融行業(yè)，智能終端行業(yè)，像智能手機，包括傳統行業(yè)、互聯(lián)網(wǎng)行業(yè)、醫藥醫療，還有教育行業(yè)6大行業(yè)，比如說(shuō)銀行類(lèi)的，有北京銀行、建設銀行等等，還有AIoT華為、OPPO，還有優(yōu)必選、科沃斯，央企的客戶(hù)有華潤、招商局輪船、中廣核等等，竹間幫他們落地了很多不用場(chǎng)景，有幾十個(gè)不同的應用。那么這些年來(lái)我們也非常感謝能夠跟數百個(gè)標桿企業(yè)，包括很多這些行業(yè)里面數一數二的大型企業(yè)。今年在整個(gè)疫情爆發(fā)之后，更多的企業(yè)用戶(hù)已經(jīng)開(kāi)始要采用NLP的這些場(chǎng)景了，所以NLP的產(chǎn)業(yè)是在復蘇。我相信NLP會(huì )是比視覺(jué)產(chǎn)業(yè)跟語(yǔ)音產(chǎn)業(yè)大上上百倍甚至于上千倍的一個(gè)產(chǎn)業(yè)，在未來(lái)的十年二十年里，它會(huì )是人類(lèi)交互的一個(gè)operatingsystem的主要核心技術(shù)。