GPT在客服领域的落地应用

panjl | 2023年7月13日 | 2023年, 客世原创 | 评论已关闭 | 349

世界具有因果封闭性……世界的底层逻辑是幽灵粒子 C’和信息不对称博弈，所以总有域外思维。
——《复杂的引擎》

摘要：2022年，无疑是以 ChatGPT 为代表的 AIGC 技术出圈的一年。进入 2023 年 3 月，当应用的连环迭代以日为计算周期时，我们一边感叹“卷积网络”又多了几层，一边又忙着主动吸纳先进“知识”。但，政治经济学，政治永远在前。若不想被信息淹没，我们始终需要从宏观中找逻辑和假设，然后自下而上的信息来验证。或许，回到 3 年前的 GPT-3 时代，会有不一样的启发。
关键词：ChatGPT 服务智能化客服能力矩阵

第一部分：从 GPT-3 到 GPT-X，AIGC 在服务智能化的落地情况

先把目光放到海外：

2020 年 5 月，一家做邮件自动撰写的创业公司 OthersideAI 种子轮拿到 260 万美金，它以 GPT-3 为基础、通过调用往来邮件对话、结合发件人输入的摘要/关键词信息，生成匹配个体风格的完整邮件，这一应用在销售和客服领域得到了落地。

2020 年 6 月，Sana Labs 通过使用数据自定义 GPT-3，其个性化企业学习平台的问题和内容生成效率提高了 60%，它为企业创建了一个生成式学习系统，既了解公司中所有事物和每个人的完整背景，可以按需培训员工，并以结构化的方式设计培训课程；也可以监控员工的知识缺口，制作一个简短的个性化课程，并直接实时传授给每个人。上述应用在企业知识管理方面表现卓越。

2023年3月，美国云通信厂商Twilio基于ChatGPT技术，在客户之声、客诉问题分析与管理方面构建了客户全自助、客服全辅助、主管全貌汇总的解决方案，客服自动化能力跨级跳跃。其中，ChatGPT大模型提供的out of domain 知识与客服知识库的in domain知识的融合问答效果表现惊艳。

2023年4月，浙大&微软发布的大模型协作系统HuggingGPT（JARVIS），从统一大模型到NLP已死然后是一个chatgpt控制所有AI模型的自动化策略，虽然目前在商用上还未听到太多声音，但Hugging GPT在处理多模态信息和复杂 AI 任务方面表现出来的强大能力，给了我们太多信心。
回看国内：

2023年2-3月，云问科技融合AIGC技术进行了产品全量升级，并在Know+与SalesPilot产品中，针对考题生成、报告生成、营销辅助、流程质检方面做了重点优化；

2023年4月，天润融通发布大语言模型垂直行业解决方案，并在互联网、汽车、制造、家居、大健康、物流、企业服务等众多行业客户的实际业务场景中完成了内测；

2023年4月，追一自主研发的“博文Bowen”领域大模型，在AI员工产品和场景应用的底座和基础设施能力方面发挥关键作用；
ChatGPT、AutoGPT、HuggingGPT……智能化厂商已经进入风起云涌的斗法时代，作为高度依赖于事理逻辑的领域，客服赛道在智能化方面一直走得比较快，但在工程化实践中，我们也常常会有“就这样？”的迷思。也许跳出自己的视角，往链条上下，时间纵深多想想，很多阵痛又似塞翁失马。

第二部分：从培训、质检到综合管理，GPT 赋能服务的价值评估体系

Part 1：咨询场景下的智能问答效果增强

使用场景：在员工内部咨询HR、IT、财务等问题的场景下，面对员工问法的多样性、咨询问题范围的广泛性、企业制度的更新频率高，部分知识需人工加工补充，工作量较大，如何有效利用企业文档资料自动生成知识，持续提高机器人的问答效果是企业始终关注的问题。

解决方案：将大模型的服务接口嵌入机器人产品，允许访客在咨询问题的过程中通过大模型实现问答增强。
价值衡量：问答准确率、机器人知识运营成本。

Part2：知识获取场景下的智能搜索升级

使用场景：面向员工查找企业标准、公司制度、产品知识等场景，企业存在知识存储分散、知识获取困难、知识分享困难等问题，员工经常遇到搜不到、搜不全、搜不准等问题，如何有效管理企业级知识，实现知识统一存储、多维度应用消费是企业始终关注的问题。

解决方案：在传统知识检索–排序输出的基础上，利用大模型技术，对现有的检索结果进行再加工，为用户推送阅读体验更友好的融合型答案。
价值衡量：搜索精准度、答案跨领域融合生成能力。

Part3：培训场景下的智能陪练应用

使用场景：企业的核心竞争力是人才的竞争，员工培养成为企业非常重视的环节，面对“选-育-用-留”环节需要花费大量人力进行人才选拔、课件编写、面对面培训、岗位技能考核等工作，如何让员工快速上岗并提供优质的服务是企业各部门的核心诉求。

解决方案：利用大模型LLM的生成能力，为培训讲师辅助生成课件，并系统模拟真人进行实时对练，系统进行实时智能质检；同时为了验证学习效果，系统会智能生成考题，提供“学-练-测-评”一体化的智能培训平台，降低企业培训成本。

价值衡量：人才培养周期、培训考试成本。

Part4：客服场景下的话术推荐应用

使用场景：随着各行业陆续进入存量竞争时代，用户体验成为无法忽视的环节，客服作为用户服务的直接窗口，服务质量的提升刻不容缓，让客服快速上手并提供优质的服务是各企业客服部门的核心诉求。

解决方案：在统一的产品/业务文档基础上，利用AIGC的生成能力，为座席提供多种服务话术，并在不断的话术筛选过程中不断提高模型本身的话术应对能力，反向赋能智能客服，实现全流程服务体验的提升，解决当前知识加工繁琐、话术过于呆板的问题。

价值衡量：客户精细化运营、订单转化率。

Part5：客服场景下的生成式质检应用
使用场景：客服服务质量的控制往往由质检系统完成，传统质检系统通过规则匹配等方式判断客服服务质量，仍然存在判断过于机械，不够精准等问题，如何利用AIGC技术优化质检流程也是值得思考的话题。

解决方案：利用金牌客服的服务记录进行模型微调后，将模型用于质检场景：对于用户提问记录，基于GPT模型生成优质答案，将客服实际话术与优质话术进行语义对比，判断偏离度，对服务质量进行综合打分。

价值衡量：质检效率、质检有效性。

除上述应用之外，在工业设备故障检修场景下的检修方案推荐、营销场景下的文案编写辅助及客户经理IP强化打造、客户标签体系增强、事件处置场景下的事件报告生成等场景也有很多精彩的落地表现，对客服智能化也有一些借鉴。

第三部分：GPT冲击下，知识型客服未来何去何从

GPT的应用眼花缭乱，似乎一切都如《西部世界》所诠释的，我们终将从“标准”的AI工具走向拥有个性化AI原生的agent。业内普遍的共识是，岗位不会消失，只会被重塑，玩转AI工具的客服人将成为超级个体，发挥卓有成效的竞争力。
客服能力矩阵

1.具备prompt提示撰写能力：Prompt决定了ChatGPT的落地效果，特别是其在增强事实回答方面的价值，意味着GPT技术是否能够真正帮助到客服工作。简而言之，GPT的用户体验度如何，prompt起决定性作用，一个具备优秀prompt功力的客服人员，将成为真正的“超级个体”。

2.拥有场景化拥抱生成技术的视角：从会话小结生成、报告生成，到话术辅助、流程质检等等，客服工作过程中有非常多的的场景可以用到ChatGPT技术，创新的魅力或许就在于你拥有一双发现时刻链接新技术的眼睛。

3.熟练使用chat-excel等AI工具：GPT技术带来的启发不仅仅是在聊天对话领域，在跨表比对、表格问答、以文生图、视频生成等领域有不错的工具相继出现，如何掌握这些工具并高效应用在工作中，对知识型客服的“认知技能”的影响是巨大的。

AI应用生态

从国外GPT商业生态发展来看，就像 Apple vs Linux 生态一样，基本是一个开放系统与1-2个封闭系统共存；同时出现类似 Stripe， Twilio 这样的垂直厂商，基于 LLM 迅速开发应用的工具，满足企业不同需求。

就国内而言，大模型vs 应用的格局会类似云计算，投资人和创业者更多机会在应用层，大模型是大玩家的游戏（云厂商、运营商等）。同时，针对明确定义的、高价值的工作流程和细分场景，将由融合AIGC的专用AI系统而非通用AI模型来解决，前者将以以高度个性化的方式服务于特定企业从而改善用户体验。

第四部分：客服人必备的ChatGPT基础知识

ChatGPT的横空出世颠覆了过去二十年的AI认知–从简单重复类工作到复杂认知类工作的取代顺序，GPT系列是一种双向替代的新体系，冲击最大的是知识密集型行业而不是劳动密集型。所以，作为高度依赖“知识”的人群，我们需要对ChatGPT有基础的了解，才能有助于我们更好的与它共处

ChatGPT本质上是一种语言模型，使用无监督学习和基于转换器（transformer）的语言建模方法进行训练。这种训练方法涉及在大量文本数据上训练模型，而没有任何关于每个输入示例的预期输出的具体指导。在训练期间，该模型需要在给定先前单词的情况下预测文本序列中的下一个单词。这个任务被称为语言建模，它被用来教模型理解自然语言的结构和模式。