報(bào)告編委黃勇 愛分析合伙人&首席分析師 李進(jìn)寶 愛分析高級(jí)分析師 陳元新 愛分析分析師 外部專家(按姓氏拼音排序) 何敏 明略科技集團(tuán)副總裁 尤輝 竹間智能 售前經(jīng)理 周寧捷 拓爾思 金融和產(chǎn)業(yè)大腦產(chǎn)品中心總經(jīng)理
特別鳴謝(按拼音排序)
目錄
1. 報(bào)告綜述
2. 知識(shí)圖譜平臺(tái)實(shí)踐
3. NLP平臺(tái)實(shí)踐
4. 會(huì)話智能實(shí)踐
5. 結(jié)語
1.報(bào)告綜述
認(rèn)知智能以新技術(shù)和新產(chǎn)品為抓手，可以為企業(yè)帶來從技術(shù)底座到業(yè)務(wù)流程的重大變革。對(duì)于技術(shù)底座的影響主要來自知識(shí)圖譜平臺(tái)和NLP平臺(tái)。知識(shí)圖譜平臺(tái)是面向企業(yè)打造業(yè)務(wù)場(chǎng)景應(yīng)用、挖掘數(shù)據(jù)價(jià)值的需求，構(gòu)建基于自然語言處理和知識(shí)圖譜技術(shù)，集知識(shí)建模、抽取、融合、存儲(chǔ)、計(jì)算、推理以及應(yīng)用為一體的知識(shí)全生命周期的管理平臺(tái)。NLP平臺(tái)是指使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、知識(shí)圖譜等技術(shù)，通過計(jì)算機(jī)編程，將文本、聲音等自然語言數(shù)據(jù)編碼成結(jié)構(gòu)化信息的賦能平臺(tái)。知識(shí)圖譜平臺(tái)和NLP平臺(tái)是企業(yè)邁向認(rèn)知智能的“必修內(nèi)功”，企業(yè)將其融入自身技術(shù)底座后可以對(duì)上層的應(yīng)用和業(yè)務(wù)進(jìn)行賦能。
認(rèn)知智能已有較多成熟應(yīng)用，可以分為通用認(rèn)知智能應(yīng)用和行業(yè)認(rèn)知智能應(yīng)用兩大類。前者包括對(duì)話機(jī)器人、智能文檔處理和會(huì)話智能等，后者包括智能風(fēng)控、智能診療和智能融媒體等。認(rèn)知智能應(yīng)用具備對(duì)企業(yè)業(yè)務(wù)流程變革施加影響的能力。以通用認(rèn)知智能應(yīng)用中的會(huì)話智能為例，會(huì)話智能是基于ASR、NLP、機(jī)器學(xué)習(xí)等技術(shù)，從非結(jié)構(gòu)化的會(huì)話數(shù)據(jù)中為用戶提供話術(shù)質(zhì)檢分析、意圖捕捉、流程管理等能力的解決方案。會(huì)話智能讓銷售管理人員與一線銷售人員的溝通協(xié)同、監(jiān)督管理工作邁向自動(dòng)化和智能化，具備改變銷售管理工作流程的能力。再以行業(yè)認(rèn)知智能應(yīng)用中的智能診療為例，智能診療是指將知識(shí)圖譜、機(jī)器學(xué)習(xí)、自然語言處理等人工智能技術(shù)用于輔助診療當(dāng)中，使計(jì)算機(jī)能夠模擬醫(yī)生診療時(shí)的思維邏輯，在實(shí)際應(yīng)用時(shí)給出診療方案，為醫(yī)生提供決策支撐，提升醫(yī)療效率和質(zhì)量，應(yīng)用領(lǐng)域包括智能診斷、治療方案推薦、醫(yī)學(xué)知識(shí)庫(kù)、檢查輔助等。智能診療具備改變基層醫(yī)療機(jī)構(gòu)、醫(yī)院門診、醫(yī)院影像科醫(yī)生工作流程的能力，“醫(yī)生+AI”協(xié)同向患者提供醫(yī)療服務(wù)。
如今，ChatGPT爆火，短短數(shù)月影響力便輻射全球。ChatGPT強(qiáng)大的自然語言生成能力讓人們看到了獲得通用人工智能的可能性，這將對(duì)人們的生產(chǎn)生活帶來顛覆性變革。以ChatGPT為代表的大語言模型屬于認(rèn)知智能范疇，這位重量級(jí)新成員的加入，將導(dǎo)致企業(yè)技術(shù)底座到業(yè)務(wù)流程的變革的持續(xù)深化。
本報(bào)告選取已取得較多落地成果的知識(shí)圖譜平臺(tái)、NLP平臺(tái)、會(huì)話智能和智能診療作為研究對(duì)象，圍繞相關(guān)產(chǎn)品及解決方案在大中型企業(yè)和銀行的落地應(yīng)用展開研究，重點(diǎn)分析認(rèn)知智能各特定市場(chǎng)甲方的需求和落地情況。
圖 1 認(rèn)知智能市場(chǎng)全景地圖
2.知識(shí)圖譜平臺(tái)實(shí)踐
知識(shí)圖譜平臺(tái)的甲方以集團(tuán)型企業(yè)為主，這類企業(yè)數(shù)據(jù)規(guī)模龐大，有整合、利用數(shù)據(jù)的需求，需要打造部門級(jí)乃至集團(tuán)級(jí)知識(shí)圖譜，將數(shù)據(jù)負(fù)擔(dān)轉(zhuǎn)變?yōu)閿?shù)據(jù)資產(chǎn)。也有一部分行業(yè)龍頭企業(yè)希望構(gòu)建產(chǎn)業(yè)級(jí)知識(shí)圖譜，將企業(yè)影響力輻射到全產(chǎn)業(yè)。知識(shí)圖譜平臺(tái)終端使用者為IT部門，以及研發(fā)、質(zhì)量、營(yíng)銷、售后等業(yè)務(wù)部門。
企業(yè)使用知識(shí)圖譜平臺(tái)構(gòu)建行業(yè)知識(shí)圖譜，并為其配備上層應(yīng)用，以發(fā)揮知識(shí)圖譜價(jià)值。主要應(yīng)用場(chǎng)景包括智能搜索、智能推薦、圖分析等。智能搜索主要應(yīng)用知識(shí)圖譜存儲(chǔ)功能和知識(shí)圖譜平臺(tái)自然語言處理模塊，精準(zhǔn)理解用戶意圖，并提供快速檢索服務(wù)。此類應(yīng)用旨在充分發(fā)揮企業(yè)數(shù)據(jù)中隱藏的洞察，使多源異構(gòu)數(shù)據(jù)實(shí)現(xiàn)跨數(shù)據(jù)源關(guān)聯(lián)，不僅能解答用戶知識(shí)性問題，還可以推動(dòng)決策發(fā)展。例如具有智能問答能力的智能客服，能對(duì)用戶問題進(jìn)行實(shí)體抽取和情感分析，準(zhǔn)確定位到知識(shí)圖譜中的特定實(shí)體及其關(guān)系，提供貼近需求的答案。智能推薦則根據(jù)用戶瀏覽歷史和瀏覽偏好，通過知識(shí)圖譜當(dāng)中的實(shí)體及其關(guān)系結(jié)構(gòu)，在搜索結(jié)果中提供符合用戶期待的知識(shí)。例如電商平臺(tái)產(chǎn)品推薦功能，推薦系統(tǒng)可根據(jù)用戶瀏覽記錄為其建模，再通過算法將用戶模型與產(chǎn)品匹配，將其按相關(guān)度向用戶推薦。圖分析是指以基于圖的方法分析數(shù)據(jù)及其關(guān)系，并以可視化方式探索和展示圖，常用于關(guān)聯(lián)風(fēng)險(xiǎn)和潛在客戶挖掘。例如，在風(fēng)險(xiǎn)投資場(chǎng)景下，知識(shí)圖譜可通過投資關(guān)系、協(xié)議等數(shù)據(jù)分析出實(shí)際支配公司行為的自然人和企業(yè)，進(jìn)行實(shí)際控制人挖掘，進(jìn)而分析企業(yè)潛在的風(fēng)險(xiǎn)信息，綜合判斷投資價(jià)值。
表格 1 知識(shí)圖譜平臺(tái)主要應(yīng)用場(chǎng)景
知識(shí)圖譜平臺(tái)的項(xiàng)目總時(shí)長(zhǎng)為6個(gè)月左右。項(xiàng)目落地期間，企業(yè)數(shù)據(jù)質(zhì)量和知識(shí)圖譜上層解決方案是影響項(xiàng)目周期的關(guān)鍵因素。數(shù)據(jù)質(zhì)量方面，如果企業(yè)結(jié)構(gòu)化數(shù)據(jù)占比較高，知識(shí)圖譜平臺(tái)可以直接與企業(yè)數(shù)據(jù)庫(kù)對(duì)接，快速完成數(shù)據(jù)導(dǎo)入。如果企業(yè)數(shù)據(jù)異構(gòu)化程度高，廠商需要投入更多時(shí)間進(jìn)行非結(jié)構(gòu)化數(shù)據(jù)的實(shí)體、關(guān)系和屬性抽取，項(xiàng)目周期也會(huì)隨之拉長(zhǎng)。如果企業(yè)希望構(gòu)建行業(yè)標(biāo)準(zhǔn)知識(shí)圖譜，廠商需要處理海量異構(gòu)文檔，項(xiàng)目通常會(huì)分期交付。另外，企業(yè)對(duì)知識(shí)圖譜上層解決方案通常有定制化要求，如可視化展板定制、業(yè)務(wù)系統(tǒng)集成定制等。為解決這類需求，廠商要對(duì)知識(shí)圖譜上層應(yīng)用的標(biāo)準(zhǔn)組件進(jìn)行二次開發(fā)，也會(huì)延長(zhǎng)項(xiàng)目周期。
在知識(shí)圖譜平臺(tái)項(xiàng)目落地階段，企業(yè)比較關(guān)注項(xiàng)目實(shí)施速度和知識(shí)圖譜性能。一方面，企業(yè)希望縮短知識(shí)圖譜構(gòu)建和上層應(yīng)用開發(fā)周期，使知識(shí)圖譜能盡快賦能業(yè)務(wù)。相應(yīng)地，廠商需要在過往項(xiàng)目中積累語料、預(yù)訓(xùn)練模型和解析器，在構(gòu)建知識(shí)圖譜時(shí)能快速?gòu)?fù)用，以產(chǎn)品化、系統(tǒng)化方式縮短構(gòu)建周期。此外，廠商應(yīng)當(dāng)具備豐富的知識(shí)圖譜上層應(yīng)用組件，能根據(jù)企業(yè)需要復(fù)用現(xiàn)有解決方案，或基于標(biāo)準(zhǔn)解決方案進(jìn)行二次開發(fā)。另一方面，知識(shí)圖譜使用性能是企業(yè)關(guān)注的問題。有構(gòu)建知識(shí)圖譜需求的企業(yè)，數(shù)據(jù)規(guī)模通常很龐大，傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)難以實(shí)現(xiàn)復(fù)雜的關(guān)系查詢需求。廠商需要根據(jù)數(shù)據(jù)使用場(chǎng)景選擇合適的存儲(chǔ)結(jié)構(gòu)，如關(guān)聯(lián)風(fēng)險(xiǎn)查詢場(chǎng)景需要窮究實(shí)體關(guān)系，圖數(shù)據(jù)庫(kù)更適合存儲(chǔ)數(shù)據(jù)。
案例1: 太極股份打造產(chǎn)業(yè)級(jí)信創(chuàng)知識(shí)庫(kù)，為中國(guó)信創(chuàng)事業(yè)發(fā)展夯實(shí)知識(shí)底座
太極計(jì)算機(jī)股份有限公司(簡(jiǎn)稱“太極股份”)是國(guó)內(nèi)電子政務(wù)、智慧城市和關(guān)鍵行業(yè)信息化的領(lǐng)先企業(yè)，1987年由中國(guó)電子科技集團(tuán)公司第十五研究所發(fā)起設(shè)立，2010年在深圳證券交易所中小企業(yè)板上市。成立三十余年來，公司形成了卓越的品牌和市場(chǎng)影響力，被列為國(guó)家科技部和中關(guān)村科技園區(qū)創(chuàng)新試點(diǎn)示范單位，是多個(gè)行業(yè)學(xué)協(xié)會(huì)的發(fā)起者和重要參與單位。
太極股份亟需構(gòu)建信創(chuàng)領(lǐng)域知識(shí)庫(kù)，服務(wù)自身及信創(chuàng)生態(tài)聯(lián)盟
太極股份作為國(guó)內(nèi)信創(chuàng)聯(lián)盟的發(fā)起者，需要對(duì)信創(chuàng)生態(tài)的發(fā)展、信創(chuàng)領(lǐng)域軟硬件產(chǎn)品和國(guó)家信創(chuàng)指導(dǎo)政策等進(jìn)行統(tǒng)一的知識(shí)管理，服務(wù)公司的信創(chuàng)業(yè)務(wù)及生態(tài)聯(lián)盟。但太極股份缺乏專業(yè)知識(shí)管理系統(tǒng)，致使其在信創(chuàng)行業(yè)積累的知識(shí)散落在員工處，分散存儲(chǔ)在個(gè)人電腦、網(wǎng)盤、APP中。隨著部門間交流愈發(fā)頻繁，員工難以實(shí)現(xiàn)跨部門知識(shí)查詢，進(jìn)而失去分享經(jīng)驗(yàn)、更新信創(chuàng)知識(shí)的動(dòng)力。以及，當(dāng)企業(yè)知識(shí)與員工高度綁定，不能沉淀為企業(yè)資產(chǎn)時(shí)，人員流失會(huì)帶來企業(yè)知識(shí)流失。太極股份發(fā)現(xiàn)，專家經(jīng)驗(yàn)和企業(yè)專業(yè)知識(shí)難以傳承，會(huì)對(duì)企業(yè)發(fā)展和知識(shí)積累帶來不利影響。
雖然太極股份的少數(shù)部門具備獨(dú)立知識(shí)庫(kù)，但這些知識(shí)庫(kù)已經(jīng)不能滿足太極股份的知識(shí)沉淀和使用需求。
首先，部門的傳統(tǒng)知識(shí)庫(kù)只能機(jī)械地儲(chǔ)存知識(shí)，不能對(duì)知識(shí)進(jìn)行挖掘，提煉其中的行業(yè)經(jīng)驗(yàn)。其次，這些知識(shí)庫(kù)依賴人工維護(hù)，帶來了繁重的工作，且知識(shí)完整性難以保證。此外，人工維護(hù)還會(huì)出現(xiàn)知識(shí)管理混亂問題。例如，當(dāng)企業(yè)某款產(chǎn)品更新?lián)Q代時(shí)，新版說明會(huì)與舊版儲(chǔ)存在同一個(gè)知識(shí)庫(kù)中。當(dāng)使用者需要了解產(chǎn)品信息時(shí)，知識(shí)庫(kù)檢索結(jié)果會(huì)呈現(xiàn)多個(gè)版本的說明，需要查詢者自行判斷，對(duì)工作形成嚴(yán)重干擾。
為此，太極股份亟需構(gòu)建信創(chuàng)領(lǐng)域的知識(shí)庫(kù)，管理企業(yè)內(nèi)部文檔，防止知識(shí)流失。同時(shí)，太極股份及其合作伙伴、信創(chuàng)聯(lián)盟成員也需要使用知識(shí)庫(kù)綜合管理產(chǎn)品資料，如硬件產(chǎn)品介紹、產(chǎn)品白皮書參數(shù)說明、軟件及網(wǎng)絡(luò)安全產(chǎn)品材料等。此外，太極股份在方案設(shè)計(jì)、行業(yè)生態(tài)方案架構(gòu)等業(yè)務(wù)場(chǎng)景下，需要引用或參考信創(chuàng)行業(yè)知識(shí)。因此，太極股份希望依托信創(chuàng)知識(shí)庫(kù)，打造信創(chuàng)產(chǎn)品知識(shí)圖譜，為信創(chuàng)產(chǎn)品選型提供支持。作為信創(chuàng)領(lǐng)域頭部企業(yè)，太極股份積極關(guān)注信創(chuàng)領(lǐng)域態(tài)勢(shì)發(fā)展，希望及時(shí)了解信創(chuàng)領(lǐng)域國(guó)家指導(dǎo)性政策;下轄會(huì)員單位軟、硬件發(fā)展情況;相關(guān)新聞報(bào)道等信息，對(duì)知識(shí)圖譜摘要提取、知識(shí)分類和智能推薦等功能有較高需求。
太極股份經(jīng)過多輪考察，選定竹間智能作為合作伙伴
經(jīng)過綜合研判，太極股份選擇竹間智能作為合作伙伴。
竹間智能創(chuàng)辦于2015年，致力于以自然語言處理、大語言模型，生成式AI，情感計(jì)算、深度學(xué)習(xí)、知識(shí)工程等人工智能技術(shù)為基礎(chǔ)，將AI應(yīng)用落地各行業(yè)。過去8年來，竹間智能服務(wù)合作伙伴達(dá)500多家大型企業(yè)客戶，標(biāo)準(zhǔn)化產(chǎn)品和行業(yè)解決方案已在金融、制造、零售、醫(yī)藥、政企等多個(gè)領(lǐng)域落地，賦能企業(yè)在營(yíng)銷、銷售、運(yùn)營(yíng)等業(yè)務(wù)前-中-后臺(tái)全場(chǎng)景，助力企業(yè)數(shù)智化轉(zhuǎn)型。
在項(xiàng)目POC階段，太極股份向竹間智能提供了一批公開資料，包括簡(jiǎn)報(bào)類數(shù)據(jù)、信創(chuàng)領(lǐng)域產(chǎn)品說明手冊(cè)，行業(yè)及國(guó)家級(jí)指導(dǎo)意見等信息。竹間智能將這些內(nèi)容導(dǎo)入Gemini KM智能知識(shí)庫(kù)中，通過智能搜索的方式定位具體內(nèi)容，展示NLP在知識(shí)庫(kù)智能搜索能力。同時(shí)竹間智能選取了一批產(chǎn)品參數(shù)和國(guó)產(chǎn)化適配性說明信息，使用Gemini KG知識(shí)圖譜平臺(tái)進(jìn)行知識(shí)抽取，構(gòu)建產(chǎn)品、硬件結(jié)構(gòu)等知識(shí)圖譜，向甲方展示NLP在文檔解析和語義理解技術(shù)的準(zhǔn)確性。
太極股份認(rèn)為，竹間智能演示的NLP能力滿足其基本需求。但后續(xù)企業(yè)知識(shí)庫(kù)會(huì)接入大量信息，包括微信公眾號(hào)文章、行業(yè)指導(dǎo)意見等長(zhǎng)篇內(nèi)容，竹間智能還需具備抽取文檔內(nèi)容、獲取文檔摘要的能力，并能針對(duì)不同用戶實(shí)現(xiàn)智能知識(shí)推薦。為此，竹間智能向太極股份展示Gemini KG知識(shí)圖譜平臺(tái)后臺(tái)能力，包括在業(yè)務(wù)中積累、可開箱即用的 NLP算法模型，以及具備遷移學(xué)習(xí)能力、可適應(yīng)跨行業(yè)業(yè)務(wù)的模型訓(xùn)練平臺(tái)，展示竹間智能模型適配性。隨后，竹間智能完成了知識(shí)抽取、文章摘要、標(biāo)簽提取等功能性驗(yàn)證，效果達(dá)到太極股份預(yù)期。
竹間智能提前盤點(diǎn)項(xiàng)目難點(diǎn)，制定應(yīng)對(duì)策略，保障項(xiàng)目保質(zhì)、保量、按時(shí)交付
太極股份正式展開合作后，竹間智能針對(duì)項(xiàng)目難點(diǎn)進(jìn)行全面分析。
首先，與金融、零售等行業(yè)不同，信創(chuàng)行業(yè)數(shù)據(jù)包括技術(shù)軟件、硬件、信息安全等專業(yè)知識(shí)，其結(jié)構(gòu)相對(duì)復(fù)雜、專業(yè)性較高，會(huì)增大數(shù)據(jù)運(yùn)營(yíng)工作難度。面對(duì)知識(shí)專業(yè)性高的難題，竹間智能運(yùn)營(yíng)人員展現(xiàn)出快速學(xué)習(xí)跨行業(yè)知識(shí)的能力，積極與太極股份專家探討，共同設(shè)計(jì)知識(shí)體系架構(gòu)。
其次，考慮到信創(chuàng)行業(yè)的特殊性，竹間智能需要完成大量國(guó)產(chǎn)化適配工作。在本項(xiàng)目中，竹間智能產(chǎn)品的設(shè)計(jì)模塊眾多，適配過程涉及產(chǎn)研部門協(xié)調(diào)配合。為此，竹間智能安排企業(yè)領(lǐng)導(dǎo)主管項(xiàng)目協(xié)調(diào)工作，牽頭組織各部門對(duì)國(guó)產(chǎn)化適配工作的統(tǒng)一調(diào)度。
最后，項(xiàng)目時(shí)間只有三個(gè)月，驗(yàn)收迫在眉睫。且太極股份對(duì)知識(shí)抽取準(zhǔn)確度要求很高，Gemini KG知識(shí)圖譜平臺(tái)需要從結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中聯(lián)合抽取知識(shí)，并進(jìn)行人工整合和校驗(yàn)，工作量龐大。為此，竹間智能項(xiàng)目組結(jié)合已有資源對(duì)工單進(jìn)行評(píng)估，并將項(xiàng)目規(guī)劃與甲方期望上線時(shí)間對(duì)比，找出能將技術(shù)代替人工，復(fù)用現(xiàn)有的解決方案，及竹間積累的預(yù)訓(xùn)練模型，在高效率的交付平臺(tái)上展現(xiàn)低代碼帶來的好處，最終按時(shí)完成項(xiàng)目上線。
四步走策略，竹間智能為太極股份構(gòu)建信創(chuàng)知識(shí)庫(kù)及知識(shí)圖譜解決方案
竹間智能信創(chuàng)知識(shí)庫(kù)及知識(shí)圖譜解決方案有四個(gè)主要環(huán)節(jié)，即知識(shí)來源梳理、知識(shí)錄入、知識(shí)沉淀和知識(shí)呈現(xiàn)。
圖 2 解決方案技術(shù)架構(gòu)圖
?知識(shí)來源梳理環(huán)節(jié)，竹間智能系統(tǒng)整理了太極股份內(nèi)部資料，如學(xué)習(xí)資料、項(xiàng)目文檔、適配成果、自有知識(shí)沉淀等，并從互聯(lián)網(wǎng)上收集信創(chuàng)公開資料，如資訊動(dòng)態(tài)、公眾號(hào)文章等。
?知識(shí)錄入環(huán)節(jié)，竹間智能通過在線采編或文件上傳，將太極股份內(nèi)部資料錄入知識(shí)庫(kù)，并將互聯(lián)網(wǎng)公開資料整理成規(guī)范數(shù)據(jù)形式，經(jīng)審核后通過API接口把文檔上傳到知識(shí)庫(kù)。
?知識(shí)沉淀環(huán)節(jié)，竹間智能通過知識(shí)庫(kù)對(duì)資料進(jìn)行聚類、自動(dòng)分類歸檔，并打上行業(yè)標(biāo)簽。Gemini KG知識(shí)圖譜平臺(tái)隨后從文章中提取摘要，概況文章內(nèi)容，并通過知識(shí)抽取構(gòu)建相應(yīng)的知識(shí)圖譜。針對(duì)知識(shí)庫(kù)中欠缺的內(nèi)容，太極股份可通過系統(tǒng)的專家論壇功能在線提問，邀請(qǐng)相關(guān)領(lǐng)域?qū)＜一卮?。答案通過審核后，可以存入知識(shí)庫(kù)中，并通過算法更新知識(shí)圖譜，沉淀為新知識(shí)。
?知識(shí)呈現(xiàn)環(huán)節(jié)，竹間智能的解決方案提供知識(shí)搜索和知識(shí)圖譜兩種呈現(xiàn)方式。知識(shí)搜索可以進(jìn)行全文檢索，展現(xiàn)文章間的關(guān)聯(lián)關(guān)系。知識(shí)圖譜不僅能展現(xiàn)實(shí)體知識(shí)之間的關(guān)系，還具備圖探索功能。竹間智能給太極股份提供了可視化大屏和數(shù)據(jù)看板，可以直觀展示最新數(shù)據(jù)和知識(shí)，以及熱點(diǎn)知識(shí)訪問情況等信息。
信創(chuàng)知識(shí)庫(kù)的核心功能如下：
1.專家論壇——在首頁(yè)設(shè)置專家問答入口;提問者可以對(duì)人群進(jìn)行定向提問;支持邀請(qǐng)專家回答;企業(yè)內(nèi)部運(yùn)營(yíng)人員可標(biāo)記精華問答;實(shí)現(xiàn)知識(shí)沉淀。
2.自動(dòng)歸檔——從采集系統(tǒng)推送來的文章進(jìn)行自動(dòng)標(biāo)簽和歸檔;構(gòu)建標(biāo)簽?zāi)Ｐ?知識(shí)自動(dòng)分類歸檔。
3.智能推薦——首次登錄可選擇瀏覽偏好;根據(jù)用戶瀏覽偏好智能推送對(duì)應(yīng)知識(shí)。
4.生態(tài)簡(jiǎn)報(bào)——根據(jù)文檔自動(dòng)生成摘要;篩選簡(jiǎn)報(bào)素材，生成簡(jiǎn)報(bào)，篩選條件包括時(shí)間、標(biāo)簽、目錄、行業(yè)等;簡(jiǎn)報(bào)樣式定制。
5.知識(shí)圖譜——自動(dòng)抽取文本形成圖譜;展示文章之間的關(guān)系;圖譜功能支持圖探索。
6.可視化大屏——門戶大屏;簡(jiǎn)報(bào)大屏;知識(shí)圖譜大屏。
7.國(guó)產(chǎn)化適配——CPU適配完成海光、兆芯、鯤鵬;麒麟操作系統(tǒng);金倉(cāng)數(shù)據(jù)庫(kù)。
除此之外，為實(shí)現(xiàn)知識(shí)圖譜外化使用需求，向信創(chuàng)聯(lián)盟成員和合作伙伴開放知識(shí)圖譜和知識(shí)庫(kù)，竹間智能還設(shè)計(jì)了精密的權(quán)限劃分體系。知識(shí)庫(kù)中的每一篇文章在上傳和運(yùn)營(yíng)時(shí)都可以詳細(xì)定義權(quán)限，如查閱、下載、知識(shí)意見反饋等。針對(duì)文件對(duì)外分享問題，知識(shí)庫(kù)也設(shè)置了分享權(quán)限，包括鏈接生成、只讀、密碼設(shè)置等。此外，考慮到知識(shí)圖譜及知識(shí)庫(kù)使用便捷度，竹間智能打造了方便地移動(dòng)端訪問系統(tǒng)，使用者可以在移動(dòng)端實(shí)現(xiàn)內(nèi)部或內(nèi)外部之間的知識(shí)分享。
智能知識(shí)圖譜及知識(shí)庫(kù)加持，太極股份的知識(shí)管理能力全面提升
智能知識(shí)圖譜及知識(shí)庫(kù)項(xiàng)目推動(dòng)了太極股份在信創(chuàng)領(lǐng)域的知識(shí)圖譜構(gòu)建和知識(shí)管理，為其運(yùn)營(yíng)和業(yè)務(wù)發(fā)展夯筑了牢固的知識(shí)和技術(shù)基礎(chǔ)。在技術(shù)的層面，太極股份期望硬件產(chǎn)品側(cè)的知識(shí)圖譜抽取精度超過85%，竹間智能經(jīng)過數(shù)據(jù)運(yùn)營(yíng)、模型調(diào)優(yōu)，抽取準(zhǔn)確度可達(dá)90%。對(duì)于搜索效果優(yōu)化，太極股份期望TOP10搜索結(jié)果準(zhǔn)確度達(dá)到85%- 90%，竹間智能順利達(dá)成目標(biāo)。
3.NLP平臺(tái)實(shí)踐
NLP平臺(tái)是指使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、知識(shí)圖譜等技術(shù)，通過計(jì)算機(jī)編程，將文本、聲音等自然語言數(shù)據(jù)編碼成結(jié)構(gòu)化信息的賦能平臺(tái)。NLP平臺(tái)的主要應(yīng)用場(chǎng)景包括洞察提煉和智能查詢，終端使用者為決策部門和市場(chǎng)、產(chǎn)研等業(yè)務(wù)部門。
企業(yè)對(duì)NLP平臺(tái)的需求體現(xiàn)在洞察提煉和產(chǎn)品智能化兩方面，核心是自然語言理解和自然語言生成。在洞察提煉場(chǎng)景下，企業(yè)需要從互聯(lián)網(wǎng)公開資料或客戶反饋資料中總結(jié)出有價(jià)值的行業(yè)和市場(chǎng)信息。此過程包含自然語言理解、數(shù)據(jù)處理與分析、內(nèi)容生成三個(gè)階段。在自然語言理解和內(nèi)容生成階段，企業(yè)需要NLP平臺(tái)具備完備的NLP能力、預(yù)訓(xùn)練深度學(xué)習(xí)模型和行業(yè)標(biāo)簽庫(kù)，能夠?qū)⑿袠I(yè)信息、客戶評(píng)價(jià)等包含大量行業(yè)信息的非結(jié)構(gòu)化數(shù)據(jù)準(zhǔn)確轉(zhuǎn)化為結(jié)構(gòu)化機(jī)器語言，并能通過摘要生成等模型，將分析后的數(shù)據(jù)轉(zhuǎn)化回自然語言，如可視化圖表等。在數(shù)據(jù)處理與分析階段，NLP平臺(tái)需要具備大數(shù)據(jù)處理能力和豐富行業(yè)經(jīng)驗(yàn)，在深入了解企業(yè)產(chǎn)品和業(yè)務(wù)的基礎(chǔ)上，提煉數(shù)據(jù)分析指標(biāo)，據(jù)此提煉行業(yè)和市場(chǎng)的量化數(shù)據(jù)。
在產(chǎn)品智能化場(chǎng)景下，NLP是實(shí)現(xiàn)用戶與產(chǎn)品互動(dòng)的關(guān)鍵技術(shù)，NLP模型如何準(zhǔn)確理解用戶需求成為企業(yè)重視的問題。企業(yè)需要NLP平臺(tái)提供預(yù)訓(xùn)練深度學(xué)習(xí)模型，準(zhǔn)確識(shí)別、劃分用戶自然語言，從中提煉核心需求。此外，企業(yè)需要將NLP技術(shù)與其他認(rèn)知智能產(chǎn)品結(jié)合，為企業(yè)提供定制化解決方案，滿足用戶差異化需求。如在銀行客服咨詢場(chǎng)景下，NLP模型首先識(shí)別客戶問題關(guān)鍵詞，再通過金融知識(shí)圖譜、智能知識(shí)庫(kù)等后臺(tái)產(chǎn)品檢索相關(guān)信息，最后再使用自然語言生成技術(shù)，將其轉(zhuǎn)化為符合自然語言邏輯的答案。
ChatGPT橫空出世，加速自然語言生成的發(fā)展速度，也使企業(yè)看到使用自然語言生成進(jìn)行內(nèi)容創(chuàng)作的需求。具備大模型開發(fā)能力的大廠可將自研垂直領(lǐng)域大模型作為發(fā)展方向，而缺乏開發(fā)能力的中小型廠商可嘗試以長(zhǎng)期積累的自然語言處理技術(shù)和NLP平臺(tái)產(chǎn)品為基礎(chǔ)，融合開源大模型，在文本創(chuàng)作等文本內(nèi)容自動(dòng)生成領(lǐng)域發(fā)揮價(jià)值。例如，金融領(lǐng)域垂直行業(yè)大模型可應(yīng)用于金融報(bào)告生成、證券研報(bào)智能解讀和摘要生成、上市公司信息檢索等有更高專業(yè)度要求的領(lǐng)域，為企業(yè)提供準(zhǔn)確、便捷的內(nèi)容生成服務(wù)。此外，垂直領(lǐng)域大模型的模型精度也顯著優(yōu)于傳統(tǒng)模型，如在能源電力行業(yè)，大模型可應(yīng)用于電力領(lǐng)域問題定位、電力領(lǐng)域分調(diào)和實(shí)體識(shí)別，準(zhǔn)確率均顯著高于通用預(yù)訓(xùn)練模型。
表格 2 NLP平臺(tái)主要應(yīng)用場(chǎng)景
NLP平臺(tái)將自然語言處理能力落地到企業(yè)業(yè)務(wù)、產(chǎn)品和服務(wù)中時(shí)，項(xiàng)目經(jīng)驗(yàn)是影響識(shí)別準(zhǔn)確率的關(guān)鍵因素。廠商應(yīng)具備豐富行業(yè)經(jīng)驗(yàn)，在過往項(xiàng)目中積攢行業(yè)預(yù)訓(xùn)練模型和細(xì)分場(chǎng)景標(biāo)簽庫(kù)，能根據(jù)NLP能力落地場(chǎng)景特點(diǎn)，提供合適的深度學(xué)習(xí)模型和算法。
近年來，在NLP技術(shù)日趨同質(zhì)化的背景下，企業(yè)對(duì)NLP算法識(shí)別準(zhǔn)確度要求逐漸提高，成為NLP平臺(tái)落地的新挑戰(zhàn)。為此，廠商應(yīng)當(dāng)聚焦領(lǐng)域數(shù)據(jù)，深耕垂直行業(yè)生態(tài)，如具備行業(yè)基礎(chǔ)設(shè)施智能化建設(shè)經(jīng)驗(yàn)，以行業(yè)和領(lǐng)域構(gòu)建護(hù)城河。從選型的角度，企業(yè)不僅要關(guān)注NLP平臺(tái)的技術(shù)能力，而且要重視NLP平臺(tái)的行業(yè)理解，包括預(yù)訓(xùn)練模型在行業(yè)場(chǎng)景下的識(shí)別精度、行業(yè)標(biāo)簽庫(kù)的標(biāo)簽數(shù)量等。以金融風(fēng)控場(chǎng)景為例，企業(yè)最關(guān)注的方向是風(fēng)險(xiǎn)知識(shí)挖掘。在此基礎(chǔ)上，每一家銀行的風(fēng)險(xiǎn)挖掘視角都有所差異，NLP平臺(tái)需要基于服務(wù)多家客戶經(jīng)驗(yàn)，將其共性能力匯總，為企業(yè)提供更全面、詳細(xì)的風(fēng)險(xiǎn)知識(shí)挖掘服務(wù)。
案例2: 某省分行借力NLP，攻克面向科創(chuàng)企業(yè)的“數(shù)字化營(yíng)銷獲客”與“風(fēng)險(xiǎn)監(jiān)控”兩項(xiàng)難題
商業(yè)銀行的對(duì)公獲客業(yè)務(wù)主要面向三個(gè)群體：普惠企業(yè)、科創(chuàng)企業(yè)、大企業(yè)。其中，科創(chuàng)企業(yè)發(fā)展速度快、創(chuàng)新能力強(qiáng)、基數(shù)大，是極具活力和潛力的創(chuàng)新主體。
圍繞此類企業(yè)的金融業(yè)務(wù)主要面臨兩大痛點(diǎn)。一是獲客難，目前科創(chuàng)企業(yè)的信息獲取、客群篩選主要依賴線下與人工方式，周期長(zhǎng)且成本高。二是風(fēng)險(xiǎn)監(jiān)控難，科創(chuàng)企業(yè)的核心競(jìng)爭(zhēng)力在于技術(shù)創(chuàng)新，因此衡量科創(chuàng)企業(yè)價(jià)值與風(fēng)險(xiǎn)，重點(diǎn)在于評(píng)估其創(chuàng)新能力、成果轉(zhuǎn)化與市場(chǎng)價(jià)值，較難進(jìn)行評(píng)估和監(jiān)控。
某省分行重視科技金融機(jī)遇，亟需破除“獲客難”和“風(fēng)險(xiǎn)監(jiān)控難”兩大痛點(diǎn)
某省分行面對(duì)新一輪科技革命和產(chǎn)業(yè)變革，積極響應(yīng)行內(nèi)“十四五”科技金融規(guī)劃與行動(dòng)方案號(hào)召，開展輻射全國(guó)范圍的科技金融風(fēng)險(xiǎn)預(yù)警與營(yíng)銷賦能專項(xiàng)創(chuàng)新研發(fā)項(xiàng)目試點(diǎn)。該項(xiàng)目重視科技創(chuàng)新，旨在運(yùn)用新技術(shù)、新模式拓展科技金融渠道生態(tài)、培育科創(chuàng)客群、優(yōu)化科技金融風(fēng)控體系，實(shí)現(xiàn)科技金融綜合服務(wù)能力的持續(xù)提升。
該省分行以提升科創(chuàng)企業(yè)分析管理能力為出發(fā)點(diǎn)，通過投融資、產(chǎn)業(yè)分析與企業(yè)數(shù)據(jù)分析，構(gòu)建數(shù)據(jù)分析模型，建立內(nèi)部特有客戶畫像庫(kù)，推進(jìn)數(shù)字化營(yíng)銷獲客與風(fēng)險(xiǎn)監(jiān)控，為行內(nèi)產(chǎn)業(yè)、行業(yè)、企業(yè)分析提供決策支持。
?“營(yíng)銷賦能”——探索開發(fā)一套科技金融營(yíng)銷的“前置”模型，充分利用公開數(shù)據(jù)對(duì)科技金融目標(biāo)客群進(jìn)行批量化篩選、分層，通過科創(chuàng)企業(yè)大數(shù)據(jù)庫(kù)和智能模型精準(zhǔn)分析定位，將營(yíng)銷力量聚焦在科技屬性強(qiáng)、研發(fā)質(zhì)量高、成長(zhǎng)潛力大的科創(chuàng)企業(yè)。
?“風(fēng)險(xiǎn)預(yù)警”——探索開發(fā)科技金融客戶風(fēng)險(xiǎn)監(jiān)控模型，建立專利評(píng)估模型以及科創(chuàng)企業(yè)評(píng)估模型，打造“科技五力模型”，即科創(chuàng)成果力、專利質(zhì)量力、新興成長(zhǎng)力、持續(xù)增長(zhǎng)力、人力建設(shè)力，通過對(duì)企業(yè)“科技力”量化分析與評(píng)分，預(yù)測(cè)企業(yè)科技發(fā)展?jié)摿褪袌?chǎng)價(jià)值。同時(shí)通過對(duì)科創(chuàng)企業(yè)的科技能力、負(fù)面信息、經(jīng)營(yíng)狀況、押品(特別是知識(shí)產(chǎn)權(quán)類質(zhì)押融資等)風(fēng)險(xiǎn)等維度的綜合分析，對(duì)科創(chuàng)客戶風(fēng)險(xiǎn)狀況進(jìn)行監(jiān)控和預(yù)警，完善行方科技金融風(fēng)控體系。
拓爾思數(shù)星產(chǎn)業(yè)大腦云服務(wù)平臺(tái)為解決方案落地提供強(qiáng)力支撐
拓爾思信息技術(shù)股份有限公司(簡(jiǎn)稱“拓爾思”)成立于1993年，是一家專業(yè)的大數(shù)據(jù)、人工智能和數(shù)據(jù)安全產(chǎn)品及服務(wù)提供商。拓爾思堅(jiān)持核心技術(shù)自主研發(fā)，擁有40+發(fā)明專利、1000+軟件著作權(quán)，在搜索型數(shù)據(jù)庫(kù)、自然語言處理(NLP)技術(shù)的技術(shù)創(chuàng)新和應(yīng)用場(chǎng)景落地等方面保持領(lǐng)先地位。
面對(duì)該省分行需求，拓爾思解決思路如下：①基于產(chǎn)業(yè)企業(yè)數(shù)據(jù)獲取營(yíng)銷線索，為獲客拓客提供決策支持;②構(gòu)建企業(yè)精準(zhǔn)畫像，多維度監(jiān)控穿透企業(yè)風(fēng)險(xiǎn)。
具體解決方案如下：
科創(chuàng)企業(yè)營(yíng)銷獲客。
主要通過科技企業(yè)所在產(chǎn)業(yè)鏈、科技企業(yè)的產(chǎn)業(yè)主題與資質(zhì)主題等分類獲得營(yíng)銷線索，還可以通過全量科技企業(yè)庫(kù)獲得更多營(yíng)銷機(jī)會(huì)。通過科技產(chǎn)業(yè)鏈獲客模塊，獲得科技產(chǎn)業(yè)鏈中的高價(jià)值企業(yè)營(yíng)銷清單;通過科技場(chǎng)景獲客獲得各個(gè)產(chǎn)業(yè)分類主題與企業(yè)資質(zhì)主題的高質(zhì)量企業(yè)營(yíng)銷清單;通過科技企業(yè)庫(kù)，自定義篩選具有營(yíng)銷潛力的高價(jià)值科技企業(yè)，并挖掘企業(yè)的詳細(xì)信息包括科創(chuàng)力評(píng)估與專利分析。
圖 3 科創(chuàng)企業(yè)營(yíng)銷獲客主要內(nèi)容
科技企業(yè)監(jiān)控風(fēng)險(xiǎn)。
科技企業(yè)的風(fēng)控場(chǎng)景主要是幫助業(yè)務(wù)人員第一時(shí)間獲得風(fēng)險(xiǎn)情報(bào)，提供工具分析科技企業(yè)的具體風(fēng)險(xiǎn)?？赏ㄟ^預(yù)警信號(hào)模塊，對(duì)科技企業(yè)進(jìn)行全天候的風(fēng)險(xiǎn)監(jiān)測(cè)，發(fā)生風(fēng)險(xiǎn)事件，將以風(fēng)險(xiǎn)信號(hào)的方式及時(shí)預(yù)警;可通過企業(yè)風(fēng)險(xiǎn)畫像，分析每家科技企業(yè)的風(fēng)險(xiǎn)情況。
?企業(yè)風(fēng)險(xiǎn)畫像模型。利用輿情、經(jīng)營(yíng)、司法、工商、抵押質(zhì)押等企業(yè)數(shù)據(jù)，對(duì)科技金融客群的行為特征或重大事件進(jìn)行歸集、分析，得到企業(yè)可能即將爆發(fā)的風(fēng)險(xiǎn)類型及相應(yīng)線索，形成預(yù)警信號(hào)。模型需對(duì)預(yù)警信號(hào)進(jìn)行語義級(jí)去重并根據(jù)嚴(yán)重程度進(jìn)行分級(jí)。
?企業(yè)風(fēng)險(xiǎn)態(tài)勢(shì)指數(shù)模型。結(jié)合企業(yè)風(fēng)險(xiǎn)信息與預(yù)警信號(hào)綜合計(jì)算得到風(fēng)險(xiǎn)態(tài)勢(shì)指數(shù)，以反應(yīng)企業(yè)近期風(fēng)險(xiǎn)。
上述解決方案由拓爾思數(shù)星產(chǎn)業(yè)大腦云服務(wù)平臺(tái)支撐落地。拓爾思數(shù)星產(chǎn)業(yè)大腦以產(chǎn)業(yè)數(shù)據(jù)中心為支撐，以智能數(shù)據(jù)標(biāo)簽引擎和全產(chǎn)業(yè)鏈知識(shí)引擎為核心底座，運(yùn)用新一代信息技術(shù)，推動(dòng)產(chǎn)業(yè)數(shù)字化、智能化升級(jí)，實(shí)現(xiàn)政策、空間、供應(yīng)鏈、金融、科技、銷售等產(chǎn)業(yè)要素與產(chǎn)業(yè)主體之間的高效協(xié)同，為企業(yè)生產(chǎn)經(jīng)營(yíng)提供數(shù)字化賦能，為產(chǎn)業(yè)生態(tài)建設(shè)提供數(shù)字化服務(wù)，為經(jīng)濟(jì)治理提供數(shù)字化手段。
圖 4拓爾思數(shù)星產(chǎn)業(yè)大腦云服務(wù)平臺(tái)架構(gòu)圖
NLP技術(shù)在項(xiàng)目中發(fā)揮重要作用。拓爾思利用 NLP 在海量文本數(shù)據(jù)中提取營(yíng)銷線索或者風(fēng)險(xiǎn)線索，把企業(yè)的科創(chuàng)屬性以及企業(yè)間的上下游關(guān)系提取出來，實(shí)時(shí)給到銀行客戶經(jīng)理營(yíng)銷使用。同時(shí)，拓爾思積累的大量NLP算法模型沉淀在產(chǎn)業(yè)大腦中，有利于該省分行實(shí)現(xiàn)更全面細(xì)致地分析，進(jìn)一步深挖數(shù)據(jù)價(jià)值。以標(biāo)簽?zāi)Ｐ蜑槔?，其本質(zhì)為事件特征，標(biāo)簽越細(xì)致意味著對(duì)事件描述地越全面。同樣的語料，該省分行通過標(biāo)簽疊加可以挖掘到更多的信息。
解決思路、解決方案和解決工具已經(jīng)具備，但項(xiàng)目成功落地還有一個(gè)難點(diǎn)需要解決。實(shí)現(xiàn)該省分行項(xiàng)目需求，需要大量科創(chuàng)相關(guān)的專業(yè)數(shù)據(jù)，但公開數(shù)據(jù)比較匱乏。
巧婦難為無米之炊，這個(gè)難點(diǎn)必須得到解決。拓爾思認(rèn)為，能通過常規(guī)方法獲得的數(shù)據(jù)均已獲得，剩余數(shù)據(jù)缺口可以由“另類數(shù)據(jù)”補(bǔ)位。另類數(shù)據(jù)指百科、音頻、圖片等非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)。利用另類數(shù)據(jù)不是難點(diǎn)，難點(diǎn)在于快速、準(zhǔn)確地利用。拓爾思早在2000 年便入局NLP市場(chǎng)，深耕NLP技術(shù)二十余年，在處理另類數(shù)據(jù)方面具有技術(shù)和經(jīng)驗(yàn)的雙重優(yōu)勢(shì)，是勝任該項(xiàng)工作的重要保障。
試點(diǎn)效果顯著，總行計(jì)劃將該省分行成果推向全行
科創(chuàng)企業(yè)往往具有較強(qiáng)的產(chǎn)業(yè)屬性與專業(yè)屬性，傳統(tǒng)模式下業(yè)務(wù)人員難以通過申請(qǐng)材料評(píng)估企業(yè)的價(jià)值與風(fēng)險(xiǎn)?？苿?chuàng)力評(píng)估與專利價(jià)值評(píng)估模型，將直接提供評(píng)估科創(chuàng)企業(yè)及其專利價(jià)值、潛力、風(fēng)險(xiǎn)的依據(jù)，提高拓客效率，進(jìn)一步將營(yíng)銷力量集中到有潛力的科創(chuàng)企業(yè)。
基于大數(shù)據(jù)與人工智能技術(shù)的營(yíng)銷拓客與風(fēng)險(xiǎn)預(yù)警模型，將有效改善科技金融傳統(tǒng)營(yíng)銷方式下獲客成本高、效率低的問題。目前中小客戶的信息獲取、客群篩選主要依賴線下與人工方式，周期長(zhǎng)且成本高。而模型可根據(jù)產(chǎn)品與企業(yè)特征自動(dòng)生成營(yíng)銷短名單，業(yè)務(wù)人員可精確定位潛在客群，快速發(fā)現(xiàn)，主動(dòng)出擊。
科技金融風(fēng)險(xiǎn)預(yù)警與營(yíng)銷賦能平臺(tái)幫助該省分行引入新技術(shù)、新模式，為科創(chuàng)企業(yè)提供差異化金融產(chǎn)品，早參與、早服務(wù)、早培育，針對(duì)企業(yè)的不同發(fā)展階段提供場(chǎng)景化服務(wù)。
試點(diǎn)效果顯著，總行計(jì)劃將其做成全行項(xiàng)目，將解決方案和成功經(jīng)驗(yàn)向全行推廣，釋放更大價(jià)值。 4.會(huì)話智能實(shí)踐
會(huì)話智能為企業(yè)提供語音數(shù)據(jù)采集、話術(shù)質(zhì)檢分析、客戶意圖捕捉以及流程監(jiān)督管理等能力，當(dāng)前主要應(yīng)用于企業(yè)對(duì)外溝通的銷售場(chǎng)景，在審批等企業(yè)內(nèi)部溝通場(chǎng)景也有少量應(yīng)用。在銷售場(chǎng)景下，會(huì)話智能的終端使用者多為銷售管理人員。
企業(yè)對(duì)會(huì)話智能的需求體現(xiàn)在銷售和企業(yè)內(nèi)部溝通等場(chǎng)景，致力于通過會(huì)話智能充分利用企業(yè)會(huì)話數(shù)據(jù)資產(chǎn)，從多源異構(gòu)數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的洞察。在銷售場(chǎng)景下，企業(yè)希望從員工與顧客的會(huì)話中提煉兩方面信息。一方面，企業(yè)希望了解金牌銷售的哪些話術(shù)是客戶轉(zhuǎn)化關(guān)鍵，進(jìn)而從其與客戶的會(huì)話數(shù)據(jù)中提煉標(biāo)準(zhǔn)話術(shù)，組成銷售話術(shù)模板。銷售管理人員可使用話術(shù)模板培訓(xùn)銷售團(tuán)隊(duì)，再通過會(huì)話數(shù)據(jù)監(jiān)測(cè)，了解員工標(biāo)準(zhǔn)銷售話術(shù)執(zhí)行力度，有針對(duì)性地提升銷售短板。另一方面，企業(yè)通過整理和分析顧客會(huì)話數(shù)據(jù)，了解特定客戶產(chǎn)品和服務(wù)需求，從而及時(shí)調(diào)整銷售策略，提高客戶轉(zhuǎn)化率。企業(yè)還可以從日常銷售行為中提煉出客戶畫像，進(jìn)而獲取市場(chǎng)洞察信息。
在企業(yè)內(nèi)部溝通場(chǎng)景下，企業(yè)期待會(huì)話智能降低溝通協(xié)調(diào)成本，進(jìn)而提高員工工作效率。比如在行政審批環(huán)節(jié)，員工原本需要手動(dòng)將相關(guān)信息上傳到審批系統(tǒng)。使用會(huì)話智能后，AI可以從員工工作信息中直接提取相關(guān)審批信息，自動(dòng)完成審批操作。員工可以專注于自身業(yè)務(wù)，減少重復(fù)性機(jī)械工作。
近兩年來，企業(yè)對(duì)業(yè)務(wù)精細(xì)化有更高要求，不僅希望將會(huì)話數(shù)據(jù)整合為企業(yè)資產(chǎn)，而且需要從中提煉細(xì)顆粒度洞察，聚焦于細(xì)分場(chǎng)景，比如產(chǎn)品的提及率分析等。反映到廠商端，會(huì)話智能需要具備更強(qiáng)的自定義分析能力，包括問題定義、特征抽取、小樣本驅(qū)動(dòng)等。從業(yè)務(wù)廣度上，甲方需求對(duì)廠商AI能力提出更高要求。比如廠商希望了解客戶對(duì)某款產(chǎn)品的評(píng)價(jià)，需要廠商針對(duì)需求迅速訓(xùn)練新模型。
表格 3 會(huì)話智能主要應(yīng)用場(chǎng)景
上述需求是廠商對(duì)會(huì)話智能的普遍需求，會(huì)話智能廠商應(yīng)當(dāng)具備標(biāo)準(zhǔn)解決方案。在推動(dòng)需求落地時(shí)，項(xiàng)目總時(shí)長(zhǎng)一般在2-3個(gè)月。由于AI的不可解釋性，廠商會(huì)以算法和模型小迭代方式落地項(xiàng)目，企業(yè)可根據(jù)第一期項(xiàng)目成果，判斷是否繼續(xù)推進(jìn)合作。另外，企業(yè)在業(yè)務(wù)運(yùn)作過程中會(huì)產(chǎn)生特有的洞察需求，如獲取某款產(chǎn)品銷量不佳的原因、會(huì)員制推行遇到的潛在阻礙等。這類需求與企業(yè)業(yè)務(wù)強(qiáng)相關(guān)，標(biāo)準(zhǔn)解決方案難以針對(duì)性解決，因此會(huì)話智能廠商還需要具備將AI能力、行業(yè)積累與客戶業(yè)務(wù)深度結(jié)合的能力，為企業(yè)提供定制化服務(wù)。
具體落地過程中，會(huì)話智能項(xiàng)目實(shí)施有兩個(gè)要點(diǎn)，一是廠商需要從會(huì)話數(shù)據(jù)中提煉銷售關(guān)鍵節(jié)點(diǎn)，優(yōu)化企業(yè)銷售SOP，二是廠商需具備從顧客會(huì)話中提煉市場(chǎng)洞察的能力，例如競(jìng)品洞察、客戶需求等。
為優(yōu)化銷售SOP，廠商需要在企業(yè)所在行業(yè)具有豐富的經(jīng)驗(yàn)儲(chǔ)備，了解企業(yè)銷售鏈路特征，并將其與企業(yè)業(yè)務(wù)經(jīng)驗(yàn)結(jié)合，從而科學(xué)構(gòu)建企業(yè)銷售標(biāo)簽庫(kù)。在此基礎(chǔ)上，廠商使用標(biāo)簽庫(kù)訓(xùn)練機(jī)器學(xué)習(xí)模型，從企業(yè)銷售人員會(huì)話數(shù)據(jù)中提煉銷售會(huì)話指標(biāo)，豐富企業(yè)SOP。
為提煉市場(chǎng)洞察，一方面，廠商需要具備常態(tài)化特征提取能力，能夠準(zhǔn)確識(shí)別并提取會(huì)話數(shù)據(jù)成分，使企業(yè)能通過關(guān)鍵詞搜索等方式獲取洞察。這要求廠商的NLP模型與算法兼具泛化能力與專業(yè)性，既能識(shí)別出同一含義的不同表述方式，又能準(zhǔn)確定義概念邊界，排除與其無關(guān)的會(huì)話數(shù)據(jù)。另一方面，面對(duì)企業(yè)深層次的市場(chǎng)洞察需求，廠商需要具備專業(yè)的行業(yè)認(rèn)知，并在深入調(diào)研企業(yè)業(yè)務(wù)的基礎(chǔ)上，快速抽取問題特征，將其拆解成量化指標(biāo)，有針對(duì)性地訓(xùn)練算法和模型，從會(huì)話數(shù)據(jù)中獲取市場(chǎng)洞察。
案例3：某頭部美妝新零售企業(yè)通過會(huì)話智能釋放門店數(shù)據(jù)價(jià)值，銷售業(yè)績(jī)?cè)偕闲屡_(tái)階
隨著美妝零售行業(yè)由流量運(yùn)營(yíng)向消費(fèi)者運(yùn)營(yíng)轉(zhuǎn)型，美妝新零售成為受美妝企業(yè)歡迎的零售形態(tài)。與傳統(tǒng)美妝零售不同，美妝新零售一方面更重視消費(fèi)者體驗(yàn)，注重與顧客建立情感鏈接;另一方面，數(shù)據(jù)驅(qū)動(dòng)的互聯(lián)網(wǎng)工具為甲方提供線下門店運(yùn)營(yíng)的洞察分析，成為企業(yè)決策的重要參考。
美妝新零售行業(yè)繼承了美妝零售行業(yè)“短鏈路”的銷售特征。與汽車門店長(zhǎng)鏈路銷售不同，顧客從進(jìn)入美妝門店開始，通常在5分鐘內(nèi)決定是否做出購(gòu)買行為。短鏈路的特點(diǎn)給美妝新零售門店導(dǎo)購(gòu)提出更高要求，如何在短時(shí)間內(nèi)全面了解顧客需求、建立情感聯(lián)結(jié)，并充分介紹美妝產(chǎn)品賣點(diǎn)，是美妝新零售甲方關(guān)心的問題。
重視顧客體驗(yàn)、數(shù)據(jù)驅(qū)動(dòng)和短鏈路銷售三大特點(diǎn)，使美妝新零售甲方愈發(fā)重視銷售過程的洞察和復(fù)盤，如導(dǎo)購(gòu)第幾輪回復(fù)客戶的轉(zhuǎn)化率最高、哪些話術(shù)更容易激發(fā)購(gòu)買行為、哪些是排名前幾的促單指標(biāo)……上述門店洞察的獲取對(duì)甲方過程分析能力要求很高，且依賴大量運(yùn)營(yíng)數(shù)據(jù)支撐。最有價(jià)值的信息往往隱含在導(dǎo)購(gòu)與顧客的對(duì)話中，而傳統(tǒng)數(shù)據(jù)獲取方式，如客戶滿意度調(diào)查、神秘顧客抽檢，不但效率低下，還不具備會(huì)話分析的能力。數(shù)據(jù)缺乏已經(jīng)成為美妝新零售甲方的核心痛點(diǎn)。
為實(shí)現(xiàn)銷售服務(wù)規(guī)范化、數(shù)字化，某美妝新零售企業(yè)選擇明略科技作為合作伙伴
以某美妝新零售企業(yè)為例，美妝新零售行業(yè)痛點(diǎn)同樣也成為該企業(yè)線下門店數(shù)字化轉(zhuǎn)型的攔路虎。龐大的店鋪數(shù)量對(duì)該企業(yè)門店管理帶來了艱巨挑戰(zhàn)。該企業(yè)希望從自有產(chǎn)品和品牌方產(chǎn)品中找到爆款產(chǎn)品，并掌握美妝導(dǎo)購(gòu)對(duì)企業(yè)SOP的執(zhí)行情況，但企業(yè)決策者缺乏了解門店業(yè)務(wù)的渠道，不清楚每位美妝導(dǎo)購(gòu)如何服務(wù)客戶。此前該企業(yè)對(duì)門店服務(wù)的考察依賴神秘顧客抽檢和滿意度調(diào)研，但決策者發(fā)現(xiàn)，神秘顧客抽檢服務(wù)效率低下、數(shù)據(jù)粗糙，抽檢結(jié)果與檢察人員的專業(yè)性相關(guān);滿意度調(diào)研對(duì)銷售過程的評(píng)價(jià)不詳細(xì)，不能用作門店服務(wù)質(zhì)量評(píng)估和企業(yè)決策的依據(jù)。
為精準(zhǔn)尋找爆款產(chǎn)品，并不斷提升門店銷售服務(wù)水平，該美妝新零售企業(yè)亟需解決數(shù)據(jù)獲取難的問題。經(jīng)過決策者綜合研判，該企業(yè)希望運(yùn)用會(huì)話智能解決方案，將銷售服務(wù)過程規(guī)范化、數(shù)字化，實(shí)現(xiàn)門店銷售過程可見、可測(cè)量、可改進(jìn)。
因此，該美妝新零售企業(yè)對(duì)會(huì)話智能解決方案提出了以下目標(biāo)：
第一，銷售過程結(jié)構(gòu)化。
第二，銷售過程數(shù)字化。
第三，優(yōu)化銷售決策。
經(jīng)過深度考察，該美妝新零售企業(yè)選擇明略科技作為合作伙伴。明略科技旗下的會(huì)話智能產(chǎn)品包含非結(jié)構(gòu)化數(shù)據(jù)識(shí)別分析技術(shù)體系、AI和機(jī)器學(xué)習(xí)能力、以及知識(shí)圖譜，具備完善的技術(shù)底座。明略科技會(huì)話智能可以通過對(duì)大量會(huì)話數(shù)據(jù)進(jìn)行語義切片和主題聚類分析，將美妝導(dǎo)購(gòu)與客戶之間的非結(jié)構(gòu)化溝通數(shù)據(jù)透明化、可視化，并可基于場(chǎng)景標(biāo)簽識(shí)別、語義切片技術(shù)，在海量會(huì)話數(shù)據(jù)中挖掘與成單正相關(guān)的優(yōu)秀話術(shù)。
此外，明略科技擁有17年服務(wù)500強(qiáng)企業(yè)經(jīng)驗(yàn)，沉淀了深厚的美妝行業(yè)知識(shí)庫(kù)，籍此訓(xùn)練語音識(shí)別和自然語言處理模型。行業(yè)Know-how與明略科技研發(fā)的端到端自研語音模型和自然語言處理模型結(jié)合，使會(huì)話智能在美妝領(lǐng)域的會(huì)話識(shí)別效果明顯更優(yōu)。
更吸引該美妝新零售企業(yè)的是，明略科技為每個(gè)項(xiàng)目配備專業(yè)的客戶成功團(tuán)隊(duì)，團(tuán)隊(duì)成員可以提供定制化服務(wù)，囊括從項(xiàng)目需求到數(shù)據(jù)、內(nèi)容和業(yè)務(wù)運(yùn)營(yíng)，再到數(shù)據(jù)分析、市場(chǎng)洞察提煉的完整流程，且能夠保障售后服務(wù)質(zhì)量。
會(huì)話智能解決方案幫助該美妝新零售企業(yè)篩選導(dǎo)購(gòu)與顧客的會(huì)話數(shù)據(jù)，提煉標(biāo)準(zhǔn)接待流程
在充分了解甲方門店運(yùn)營(yíng)情況后，明略科技發(fā)現(xiàn)，要實(shí)現(xiàn)該美妝新零售企業(yè)的項(xiàng)目預(yù)期，會(huì)話智能產(chǎn)品需要解決兩處困難。首先，該企業(yè)希望從美妝導(dǎo)購(gòu)與顧客的會(huì)話數(shù)據(jù)中提煉標(biāo)準(zhǔn)接待流程，但線下門店美妝導(dǎo)購(gòu)每天會(huì)產(chǎn)生大量會(huì)話數(shù)據(jù)，如問路、外賣、盤貨、與其他導(dǎo)購(gòu)閑聊等，會(huì)話智能需要從中準(zhǔn)確識(shí)別出符合要求的數(shù)據(jù)。其次，考慮到該企業(yè)線下門店分布在全國(guó)各個(gè)地區(qū)，各地美妝導(dǎo)購(gòu)對(duì)同一款產(chǎn)品的發(fā)音、叫法都不盡相同，明略會(huì)話智能的語音識(shí)別系統(tǒng)需要具備泛化能力，準(zhǔn)確識(shí)別導(dǎo)購(gòu)提到的美妝產(chǎn)品。
為此，明略科技從項(xiàng)目POC階段開始，就與該美妝新零售企業(yè)充分溝通，將自有美妝行業(yè)知識(shí)庫(kù)與甲方業(yè)務(wù)經(jīng)驗(yàn)結(jié)合，共同定義線下門店導(dǎo)購(gòu)流程標(biāo)簽庫(kù)。甲方門店美妝導(dǎo)購(gòu)佩戴明略科技自研的靈聽工牌，采集門店銷售過程會(huì)話數(shù)據(jù)。明略科技還針對(duì)甲方剔除與導(dǎo)購(gòu)流程無關(guān)會(huì)話的要求，以小樣本冷啟動(dòng)訓(xùn)練語義相關(guān)性NLP模型，采用小迭代的方式按批次訓(xùn)練模型識(shí)別銷售會(huì)話指標(biāo)。在項(xiàng)目POC階段，明略會(huì)話智能的NLP模型識(shí)別準(zhǔn)確率得到甲方肯定。
圖 5會(huì)話智能客戶成功團(tuán)隊(duì)協(xié)助管理者結(jié)合已有流程，拆解銷售服務(wù)過程，為銷售過程數(shù)字化提供“標(biāo)準(zhǔn)”
明略科技完整的會(huì)話智能解決方案包括以下內(nèi)容：
1. 明略科技結(jié)合甲方業(yè)務(wù)經(jīng)驗(yàn)，提煉產(chǎn)品和品牌亮點(diǎn)等信息，為該美妝新零售企業(yè)梳理10個(gè)銷售環(huán)節(jié)、20+個(gè)溝通事件，設(shè)置100+個(gè)銷售會(huì)話指標(biāo)，組成導(dǎo)購(gòu)標(biāo)準(zhǔn)SOP。
2. 明略科技為甲方線下門店美妝導(dǎo)購(gòu)提供自研靈聽工牌，采集門店銷售過程全量數(shù)據(jù)。當(dāng)導(dǎo)購(gòu)結(jié)束工作，將工牌放回充電樁后，工牌采集的會(huì)話數(shù)據(jù)會(huì)自動(dòng)上傳到會(huì)話智能系統(tǒng)中。
3. 會(huì)話智能預(yù)置美妝ASR引擎，轉(zhuǎn)寫工牌采集的錄音數(shù)據(jù)為文本數(shù)據(jù)。
4. 會(huì)話智能搭載的NLP模型識(shí)別會(huì)話文本數(shù)據(jù)，并根據(jù)上述會(huì)話指標(biāo)為數(shù)據(jù)打標(biāo)簽。
5. 會(huì)話智能為該企業(yè)提供BI配置看板，向運(yùn)營(yíng)部門和大區(qū)經(jīng)理可視化展示各個(gè)門店銷售會(huì)話指標(biāo)執(zhí)行情況、月度KPI指標(biāo)排名、門店通報(bào)等信息，并自動(dòng)設(shè)置benchmark，幫助甲方管理者直觀分析各家門店表現(xiàn)。
會(huì)話智能解決方案彌補(bǔ)執(zhí)行短板，該美妝新零售企業(yè)銷售業(yè)績(jī)明顯提升
通過明略科技會(huì)話智能解決方案，該美妝新零售企業(yè)彌補(bǔ)了執(zhí)行短板，獲取到了真實(shí)的銷售數(shù)據(jù)，用“真實(shí)、正確的數(shù)據(jù)”打開銷售過程黑盒，使得銷售服務(wù)過程可見、可測(cè)量、可及時(shí)干預(yù)。在日常階段，通過完成銷售過程結(jié)構(gòu)化，管理者可使用指標(biāo)看板及時(shí)補(bǔ)足銷售執(zhí)行的薄弱環(huán)節(jié)，并采取有針對(duì)性的銷售培訓(xùn);在推介階段，會(huì)話智能解決方案能夠輔助分析消費(fèi)者畫像，從而提升產(chǎn)品推廣有效性;在整體層面，能夠復(fù)制優(yōu)秀銷售經(jīng)驗(yàn)，從而提升門店的整體業(yè)績(jī)。最終，在使用明略科技會(huì)話智能后，該美妝新零售企業(yè)的SOP執(zhí)行率、自營(yíng)品牌銷售提及率、商品試用邀請(qǐng)?zhí)峒奥屎妥罱K業(yè)績(jī)均有5%-10%的提升。
5.結(jié)語
認(rèn)知智能是繼感知智能之后的人工智能新時(shí)代，進(jìn)一步擴(kuò)展了人工智能王國(guó)的疆域。人們?cè)谏a(chǎn)生活中將與AI更加密切，在公司知識(shí)庫(kù)里查閱資料、在門店與銷售人員交談、在門診與醫(yī)生溝通病情……在這些場(chǎng)景背后，認(rèn)知智能已經(jīng)有所應(yīng)用，正在悄然發(fā)力，致力于讓用戶獲得更好的體驗(yàn)，讓企業(yè)獲得更強(qiáng)的市場(chǎng)競(jìng)爭(zhēng)力。同時(shí)，ChatGPT等大語言模型出現(xiàn)之后，補(bǔ)全了認(rèn)知智能的自然語言生成短板。認(rèn)知智能如虎添翼，必將迸發(fā)更大的能量。
企業(yè)需要認(rèn)識(shí)到以認(rèn)知智能為首的智能化所蘊(yùn)含的變革力量。對(duì)人工智能技術(shù)的使用程度很可能演變?yōu)槠髽I(yè)的競(jìng)爭(zhēng)要素之一。企業(yè)需要及早行動(dòng)，尋找自身戰(zhàn)略、業(yè)務(wù)、產(chǎn)品等方面和人工智能的融合之道，讓人工智能成為助力企業(yè)發(fā)展的新引擎。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
