随着呼叫中心技术及市场的发展，服务渠道请求接入渠道从单一电话媒体扩展到文字、音频、视频等多媒体，服务处理从纯人工座席服务扩展到机器人、人工座席的混合服务，ACD始终在发挥着巨大的作用，而ACD处理机制也在不断演变升级，本文从ACD技术角度将ACD分为四代。

　　第一代ACD：轮询机制

　　轮询机制，专业词汇Hunt Group（寻找组），即轮流对服务队列进行扫描询问是否空闲，如有空闲服务队列或座席，即将请求分配给空闲队列或座席。

　　轮询机制是最早、最原始的ACD策略，是所有呼叫中心都具备的基础ACD功能。轮询时ACD需要对各个服务队列进行依次逐一询问，服务队列统计状态并回应ACD，ACD再分配，适用于少量座席的简单业务场景。

　　第二代ACD：基于技能

　　轮询机制比较原始，随着服务请求、座席的数量增多，轮询的效率明显不高，最典型的改进的方法就是第二代ACD：基于技能路由（Skill-Based）的ACD策略，即对服务队列、服务座席进行技能属性赋值（Master Skill），服务队列可以按照业务类型分类（如咨询、查询、售后、投诉…）、也可按照业务种类分类（如产品A、产品B、产品C…），座席可按照技能属性（如咨询座席、售后投诉综合座席）来分类，ACD可根据业务的类型、种类等前置条件，将业务请求分解成各个小的技能请求队列，只对相对应的技能服务队列进行轮询，大大减少状态统计和计算量，基于技能的ACD可快速准确的完成中大型呼叫中心的路由分配。

　　第二代基于技能的ACD，核心是专业化分工，对运营管理的颗粒度要求很细，适用分工很明确、较少变动的呼叫中心。

　　第三代ACD：图形化ACD

　　当呼叫中心业务复杂到一定程度，应用基于技能的ACD虽仍可使用，但经常调整变更对运营管理是一种考验。

　　这时候图形化ACD面世，以可视化工具，对服务请求、服务处理进行更高颗粒的细化，服务请求的优先级条件更为丰富（支持语种、区域、业务贡献等）、座席服务处理的技能也进一步细化（支持1-10级分级），形成两个矩阵。图形化ACD对双矩阵进行完全可视化路由分配策略配置。

　　可以说，有了图形化ACD工具，传统ACD路由策略已经近乎完美，可以快速创建各种ACD策略流程并进行灵活调整，可谓运营管理之利器。

　　第四代ACD：深度学习Deep Learning

　　图形化ACD近乎完美，但仍然需要运营管理者去手工配置和管理。

　　近年来，AI人工智能的浪潮席卷全球，随着技术的不断进步，人工智能时代来临，ACD也进入人工智能时代——第四代ACD深度学习（Deep Learning）。

　　人工智能的概念早在1956年就被提出，顾名思义用计算机来构造复杂的，拥有与人类智慧同样本质特性的机器。人工智能、机器学习、深度学习等技术应用取得重大突破，得益于数据量的上涨，运算力的提升和机器学习算法(深度学习)的出现，人工智能开始大爆发。

　　机器学习最基本的做法是，使用算法来解析数据从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来训练，通过各种算法从数据中学习如何完成任务。机器学习源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。

　　深度学习在传统的输入层和输出层之间加入了几个逻辑层——也就是所谓的卷积层。每一个卷积层只识别一种特定规模的图形模式，然后后面一层只需要在前面一层的基础上进行识别；这样做的好处是每一个神经元只需要处理一个很小区域的数据，且参数可以重复使用，这就大大减少了运算量。

　　在这个新模型中，那些只有一层卷积的结构被称为简单神经网络（左图）；而那些有多层卷积的，就叫做深度学习神经网络（右图）。

　　将深度学习神经网络应用到ACD技术上，直接定义了第四代ACD：即深度学习ACD，基于多层卷积结构，通过有监督、无监督、半监督学习、集成学习、深度学习和强化学习等学习方式，对客户请求侧、座席受理侧的碎片化数据进行综合分析和管理，数据条件更加丰富，各种数据标签都可以作为判断条件，如性别、年龄、爱好、行业、风格、习惯、关注、购买记录等，同样在座席受理侧，数据标签包括：性别、年龄、教育背景、从业经验、技能种类、技能熟练度、处理时长等等，深度学习ACD运用知识图谱技术，将客户请求分配到综合条件关联度最高的座席。

　　深度学习ACD具备自学习能力，在充足数据及算法的保证下，完全模拟人脑进行工作，ACD路由分配更加智能精准，可将运营管理完全解放出来，专注于运营数据和指标，而非运营过程，将大大提高生产力效率。