本文速览：
1.熵增定律
2.客服中心管理过程中的问题分解
3.价值系统和辅助工具
4.AI应用实践

1、熵增定律

了解熵增定律首先要了解熵的定义:事物的混乱和无序程度，在孤立系统下，熵是不断增加的，当熵达到最大值时，系统会出现严重混乱，最后走向衰败。任何情况和事情如果不通过外力的干预将会变成静止。我们讲到熵增定律的时候，我们在生活当中如果一个房间长时间的不去打扫就不堪入目，我们的身体不去锻炼会变得肥胖，我们要通过外力这个外力就是我们的运动，人类从现在到衰老的一个过程当中也是一个熵增的过程，我们要通过锻炼，外力的抗增叫熵减），我们通过AI的应用把呼叫中心的一些遇到运营管理的问题，怎么通过商检来给呼叫中心企业的用户提供助力。

呼叫中心是典型熵增的过程，从最早的纸质的宣传页到后来电话媒体，整个呼叫中心的演变越来越复杂，整个渠道有语音、文字、图像、视频的，整个系统服务也越来越复杂。所以我们在每个系统相对孤立，数据多样化的情况下，怎么把数据和系统整合起来，让他变得有序，让客户得到最好的体验呢，这是值得思考和需要解决的问题。

2、客服中心管理过程中的问题分解

这是我们非常常见的在呼叫中心系统的架构，在整个架构中我们可以看到每一层都有AI的身影。接入端，有接入渠道的协调，还有动态的智能IVR，到后来实时辅助、智能外呼整个过程在服务过程系统层面上都少不了AI的身影，所以AI是呼叫中心熵减的外力，AI中台目的是为了让员工和管理层费力度降低，这是熵减的过程。

在每个层级应用过程当中我们会帮助呼叫中心应用一些智能化工具。比如：语音识别，语音合成，自然语音处理，纯粹的AI智能插入到客户端应用是起不到任何价值的。除了产品之外还有技术服务支持，一定要场景化落地，这种场景化就是经验和服务的积累。

在十几年的服务过程中，我们积累了超十万个模型，上千个应用的场景，在语音分析、智能质检、实时辅助、机器人还有知识库等等的应用，我们把这些场景的积累会一一的传递到每一个潜在的客户当中去。

3、价值系统和辅助工具


这是我们在呼叫中心这一块解决方案的模块化实现。其实传统的现在大家听到一个概念，某某公司某某客户建立了一个智能AI的中台，这个中台是非常庞大的，要把各种各样的系统有机整理起来，企业要付出很大的成本和代价也要付出很多的人力，乙方要投入很大的团队。但是我们看到，我们能不能把AI的应用模块化，我今天想要用到的这些东西能有机快速的融入到现在已有的系统里。我们做了一套基于普强大脑的AI模块化产品，把这些AI模块化分三层，一层是AI模块解决了基础的技术问题，比如说我们建立呼叫中心分析模型的时候，叫建模联想、原因挖掘、情绪分析还有语境的自然搜索，解决了语音变文字之后应用场景技术的底层能力，这是我们的AI模块。

在AI模块这上面其实研发了有十几类产品，大部分是基于语音语义还有机器人TTS语音合成，还有语音搜索引擎做成标准化的产品，其中也有智 能质检系统。基于这个场景上，我们在历史服务过的300-500家的客户服务过程当中，把客户的应用场景都积累成业务场景，形成场景化的服务还有模块化场景化纯链条的专业服务给到我们客户。其实在AI建设过程当中，不需要一下子建成行业内有标杆性人工智能的方案系统，我们可以做到三年到五年的规划，从一个呼叫中心没有任何AI元素到逐渐的变成纯AI辅助的，能够解决我们呼叫中心部分业务70-80%解决力这样的应用系统。

在做质检的时候我们常常遇到一个问题。解决方案客户提出，怎么保证我的数据安全，录音要给到你，你要帮他优化，在训练录音的时候，其实是含有客户信息的，在这个质检这一层，其实有一个叫自适应自训练平台。在未来使用智能质检工具的时候，完全不需要把录音拿出来，自己在办公室自主就可以完成了，自主的录音标注，他可以解决；历史开展的业务有不正确的，可以标注纠正。但是明天可能要去外呼新的业务，这些新的业务有新的名词没有在录音中产生，可以做预标注，这样就会给我们在整个的业务拓展快速性和适应性上提供很大的便利，这就是我们的质检工具。

智能外呼机器人有两块一个是呼入呼出，还有我们的智能IVR，呼入呼出机器人是一体的，不要分开的，他是随意切换的场景，这个解决在购买机器人的时候常常是有我们的客户会告诉我们，你买的是呼入还是呼出，呼入是多少呼出是多少，我们是一体的。

还有一个就是叫精准的用户画像，我这里分享一个银行客户的案例：最大的痛点他有很多很多的用户，很多的客户群这类客户其实标签也都有，但是就是没有产出。我们跟他交流我们推出叫一个有温度的标签，其实传统的标签是在讲我们客户年龄身高家庭住址收入自己的财产情况等等。这些情况是你去跟客户沟通和服务和销售的一个依据，这个也没有错。

但是客户真正的心里动态是怎么想的，他想不想知道有钱的人不一定会买有钱的东西，会买高价值的东西，我们推出了一个叫心理画像，我们把人分成27类，每一分类这种人的购买意向，购买意愿，平时怎么去表达，在沟通过程当中怎么快速捕捉他属于哪一类的，这一类人用什么样的形象方式或者什么样的服务方式能触达心灵深处，把传统的标签加上客户心理购买意愿和服务意愿这些标签结合起来，整个的服务才会变得更加有温度。

常常发现两个问题：有很多应用系统很强大，但底层的自身能力不强，底层能力不强并不是讲技术不行，而是整个业务场景是发生不同的变化的。特别是在我们呼叫中心过程当中其实常常我们ASR（音）识别准确率非常高，在保险业有的做到95%有的做到98%，但不代表会一直这样，因为明天的方式发生变化了，它的准确率会降低，我们会借助系统平台及时的去帮助业务强化。

4、AI应用实践

一个新的企业，一个新的用户要做去质检分析面临几个问题。一我要想我对什么场景进行质检，第二个在这个场景下面要建多少模型。银行信用卡消卡的过程要有七八个数据模型支撑场景甚至更多。

首先有场景，在过去十年积累超十万个模型以及场景全部导入到质检产品里面，根据行业告诉你可以只要去做选择题不需要在想告诉我你的业务是什么，你可以看到过去系统里面在银行业在保险业在物流教育健康等各个行业的模型，大家就快速的理解，然后整个的建立需求的过程就非常快捷、简单。

第二个可视化的专业质检报表，传统的质检报表是我们做了一下更新，因为我们刚才讲了一下，我们有数据中台的概念，我们其实把数据中台的一些板块和应用界面已经推到质检，我们呼叫中心负责质检跟质检应用相关的领导，其实根据自身的角色和关心的数据点快速看这些方法，我们还增加了叫风险舆情可视化，传统的事情发生之后再去补救，现在推出底层的运算，推出我预测你可能未来根据过去通话的结果和过去分析的结果，我预测你未来可能会有投诉，有多少人投诉什么样的问题。

对坐席能力的定量分析，在坐席服务客户过程中，每个人的能力偏向其实不一样。这一点正好坐席能力的分析和刚刚讲的智能培训是结合的。我们在质检的过程当中去看同样的问题，这个坐席看产品的熟悉程度，每次打电话客户问产品总是有静音时间或者回答不准确，这些分析会及时的同步到培训系统，培训系统自动的会生成跟产品相关的问卷，我们通过培训产品的系统化跟他互动，看他改善的能力。这是分析产品推出来的应用叫语音分析。
我们把培训系统和我们的分析质检系统相有机的整合在一起，整个培训过程可以通过拖拉生成的，不需要我们自己定义，我们还有数字人的一个概念放在整个的培训产品里面，我们在培训过程当中一有机器人和你互动，可以通过机器人给你打电话，达成千人千面的培训效果，第二个还有通过视频的培训观察你在表达这个概念和回答了时候，你的眼神、表情整个状态是什么样的，来给你评分。

还有一个外呼机器人，大家想一想，如果做机器人你的TTS和机器人的应用场景全部是一个厂商提供的会有什么效果，那不一样了。在做机器人外呼的时候，因为你在外呼之前你不知道这个机器人的准确率是多少，我们可以去做预标注可以把你可能发生的一些关键的词提前去关注。

第二，在整个机器人的技术包括ASR是我们自己的，ASR的调整就很快捷，当我们在部署机器人的时候，有一个叫远程ASR调用的概念，当我们的机器人服务器发生意外的时候，我们有跟云端互动，会随时监控，我们就通过云端的机器人帮你接管你的业务了，这个是根据我们在合作的过程当中双方共同达成的。

TTS我们目前有几十种记录的声音，还有几大地方的方言只需要带普通话的方言都没有问题。这一块就是刚刚讲的数据中台，这一块传统的在呼叫中心的数据是要通过人工的导入到处各个系统的整理人工整理分析通过供应商去把你开发这样的数据化报表再到处生成，但现在我们提供AI能力的数据统一整理的平台，他可以通过NLP的能力提供底层对接的能力，把所有的数据报表快速的对接和展示，整个配置过程当中只要你懂业务不需要懂技术，只要懂业务就能快速的生成你想要的报表的形式。

报表的形式有各式各样的，而且每个报表形式展现形式后面是可以通过我们不同的去深挖挖掘每一个图片后面整个交叉的分析，不是传统只是看到报表样式。刚才介绍其实就是普强一些产品，这些产品其实是一个给呼叫中心提供价值的，也是片头讲我们熵增给呼叫中心提供外力让呼叫中心各个系统运作，数据更有条例不变混乱。