AI menerobos layanan pelanggan

Ditulis oleh | Wu Kunyan

Editor | Wang Pan

Sumber丨Foton Planet

Model besarnya membacakan puisi dan melukis, dan kami bekerja keras.

Sebuah bagian yang beredar luas mengungkapkan kesulitan yang dihadapi oleh model skala besar saat ini: Sebagai yang terdepan dalam teknologi saat ini, model AI skala besar sangat membutuhkan skenario dunia nyata untuk melepaskan nilai, agar layak untuk diinvestasikan dengan tenaga kerja dan uang nyata. oleh organisasi besar dan kecil dalam perlombaan senjata.

Tapi lelucon hanyalah lelucon, dan pendaratannya sebenarnya tidak jauh dari kita. Dalam kancah e-commerce yang pasti akan bersentuhan dengan masyarakat modern dalam kehidupan mereka, model-model besar sudah mulai merekonstruksi format bisnis terkait. Diantaranya, yang paling populer adalah konten generatif (AIGC), termasuk namun tidak terbatas pada Wen Shengtu, video Wen Sheng, interaksi manusia-komputer, dll.

Sederhananya, tidak sulit bagi kami untuk mengemukakan kisah pembentukan kembali bidang manusia dan barang di bidang e-commerce: penerapan sisi-B dari layanan pelanggan yang cerdas, siaran langsung manusia digital untuk meningkatkan efisiensi manusia, konsumen mendapatkan pengalaman merespons layanan pelanggan 24 jam sehari; AIGC menghasilkan omni-channel dengan biaya rendah Konten, pencarian cerdas, dan pemilihan produk meningkatkan efisiensi distribusi sekaligus memperpendek tautan transaksi dan meningkatkan ROI...

Hanya saja kalimat yang beredar dalam deep learning saat ini mengungkapkan dilema AIGC saat ini: kita sudah bisa membuat mesin berbicara seperti manusia, namun sulit membuat mesin secerdas manusia. Dihadapkan pada karakteristik interaksi yang kuat, pengambilan keputusan yang berat, dan tautan yang lemah dalam kancah e-commerce, sulit untuk membentuk logika produk yang sempurna dengan "personifikasi" murni.

Oleh karena itu, demi pijakan AIGC di bidang e-commerce, para pemain biasanya berusaha untuk "mencari penutupan sambil membuka diri" dan memulai jalur dari bawah ke atas.

Menutup adegan sebagai efek manusia

Menurut "Laporan Pasar Layanan Pelanggan Cerdas Tiongkok 2023" terbaru yang dirilis oleh perusahaan terkenal Sullivan, skala pasar layanan pelanggan cerdas Tiongkok telah mencapai 6,68 miliar yuan pada tahun 2022, dan diperkirakan ukuran pasar akan tumbuh menjadi 18,13 miliar yuan pada tahun 2027, dengan tingkat pertumbuhan gabungan yang diharapkan dalam lima tahun dapat mencapai lebih dari 20%.

Kita telah menyaksikan bahwa jalur tersegmentasi ini bergerak menuju skala 10 miliar, dan penerapan universal layanan pelanggan cerdas dalam e-commerce adalah alasan utama mengapa jalur ini dapat mempertahankan pertumbuhan yang tinggi.

Hal pertama yang menanggung beban terbesar adalah puncak lalu lintas yang sulit dilewati dalam kancah e-commerce dan tingginya permintaan pra-penjualan yang dibawa oleh lalu lintas tersebut.Belum lagi festival belanja seperti Double Eleven dan 618, pedagang e-commerce mungkin menghadapi banyak pertanyaan bersamaan setiap hari. Dalam hal ini, baik hilangnya pengguna yang disebabkan oleh lambatnya respon layanan pelanggan atau tingginya biaya di balik layanan pelanggan manual, merupakan beban yang tak tertahankan bagi pasar e-commerce yang telah memasuki Laut Merah.

Terus terang, penerapan umum layanan pelanggan cerdas pada platform e-niaga sedang menjadi tren, dan dari sudut pandang waktu, penerapan layanan pelanggan cerdas secara luas lebih awal daripada model besar. Jika model besar merupakan lompatan kedua dari layanan pelanggan cerdas, maka lompatan pertama dari layanan pelanggan cerdas adalah teknologi NLP (Natural Language Processing) di era AI1.0.

“Sebelum AIGC berbasis model besar diluncurkan, sudah ada layanan pelanggan cerdas berbasis NLP yang relatif matang di industri, dan layanan ini sudah digunakan secara luas,” Chen Zhe, VP produk teknologi gigi bungsu, mengatakan kepada Photon Planet, “Sebagian besar salah satu pertanyaan dan pertanyaan yang diterima oleh adegan layanan pelanggan adalah Adegan tertutup lebih mudah untuk membuat efek manusia daripada adegan terbuka.”

Sebelum teknologi pemrosesan bahasa alami NLP tersedia, bentuk produk layanan pelanggan online adalah QA sederhana, yang membuat jawaban mekanis berdasarkan kata kunci, kalimat, dan paragraf yang telah dimasukkan sebelumnya. Untuk membuat analogi yang tidak tepat, salah satu layanan pelanggan cerdas sebelum dan sesudah teknologi NLP adalah NPC yang secara mekanis memberikan umpan balik kepada pemain dalam RPG tradisional, dan yang lainnya adalah NPC cerdas yang memberikan umpan balik berbeda sesuai dengan situasi real-time pemain. dalam mahakarya 3A saat ini.

Dengan kata lain, NLP adalah awal dari layanan pelanggan online yang cerdas, dan pemasarannya juga telah memasuki tahap yang matang. Kemudian model besarnya adalah lompatan dalam kecerdasan layanan pelanggan online, yang terutama tercermin dalam efisiensi tinggi, personalisasi, dan kecerdasan yang lebih banyak.

Chen Zhe membuat analogi yang tidak akurat dengan sepotong data. Dengan asumsi bahwa teknologi NLP memungkinkan layanan pelanggan yang cerdas menjawab 50 dari 100 pertanyaan pelanggan secara akurat, kemudian setelah menambahkan model besar ke alur kerja layanan pelanggan yang cerdas, saat ini ia dapat menjawab 75 secara akurat, dan adegan yang berbeda dapat dialihkan dengan berpindah database.

“Nilai absolut peningkatan efisiensi sekitar 20% hingga 30%, dan nilai relatifnya 50%,” kata Chen Zhe.

Peningkatan efisiensi manusia dalam layanan pelanggan cerdas melalui model besar tidak hanya terjadi di sisi permintaan, tetapi juga di sisi penawaran. Paradigma database dua terbuka dan plug-in model besar telah sangat mempersingkat waktu untuk membangun produk layanan pelanggan yang cerdas dari awal dibandingkan sebelumnya, dan biaya tenaga kerja serta waktu yang diinvestasikan telah menurun secara signifikan. Peralihan database dan basis pengetahuan juga menjamin keunikan produk.

Ketika model besar masih mencari skenario pendaratan, peningkatan efisiensi sebesar 50% telah memberikan kepastian yang cukup bagi industri, baik itu model besar yang dikombinasikan dengan produk layanan pelanggan cerdas yang sudah ada atau model besar yang langsung diterapkan di bidang SaaS di bentuk layanan pelanggan.

Apa yang lebih layak untuk dikaji secara mendalam oleh industri ini adalah jenis teknologi apa yang perlu dibangun untuk menciptakan produk layanan pelanggan yang cerdas, dan komersialisasi berikutnya.

Jarak antara demo dan pendaratan

Layanan pelanggan yang cerdas adalah garda depan AIGC di bidang e-commerce, namun akses terhadap kemampuan model skala besar yang berbiaya tinggi bukanlah sesuatu yang bisa dilakukan dengan terburu-buru.

Bagi produsen besar, layanan pelanggan hanyalah salah satu kerugian biaya yang diperoleh dengan susah payah dalam platform e-commerce, dan umumnya tidak menginvestasikan terlalu banyak sumber daya di bidang ini; dan produsen kecil dan menengah secara alami tidak memiliki kemampuan untuk membangun basis model dari awal. Chen Zhe dengan blak-blakan mengatakan bahwa Wisdom Tooth Technology tidak membangun model besar yang dikembangkan sendiri, tetapi menggunakan model terkemuka dan data Internet untuk membuat produk pada lapisan aplikasi.

Dengan kata lain, umumnya terdapat keterbatasan dalam menginvestasikan sumber daya di bidang layanan pelanggan yang cerdas. Dengan tidak adanya basis, sebagian besar layanan pelanggan cerdas saat ini mengikuti paradigma "pengumpulan data seleksi dan panggilan serta aplikasi penerapan penyempurnaan pelatihan pembersihan", tetapi masalah juga mengikuti, dan mereka terutama terkonsentrasi pada data tingkat.

Secara umum, layanan pelanggan cerdas itu sendiri adalah produk yang merespons kebutuhan pengurangan biaya pelanggan, dan masalah biayanya sendiri bahkan lebih menonjol. Praktik umum dalam memanggil database yang matang di industri memang dapat mempersingkat waktu peluncuran prototipe produk, namun hal ini akan memengaruhi pengalaman pengguna produk jadi. Salah satunya adalah tingkat akurasi yang mungkin turun karena penyimpangan data, dan yang lainnya adalah kelambatan sinkronisasi data.

Data itu sendiri akan dikumpulkan dan dibersihkan secara terstruktur oleh pabrikan, apakah cocok dengan industri atau bidang pelanggan adalah soal lain, karena ilusi yang disebabkan oleh penyimpangan data tidak dapat dihindari. Chen Zhe mengatakan kepada Photon Planet: "Peningkatan tingkat keterjawaban juga disertai dengan sedikit penurunan tingkat akurasi, yang tidak dapat diterima oleh banyak pelanggan. Misalnya, pelanggan di bidang hukum, pendidikan, dan keuangan."

Dan sinkronisasi data lebih condong pada dua sisi yaitu penawaran dan permintaan layanan pelanggan yang cerdas. Di satu sisi, pelanggan perlu mengunggah data yang akan digunakan untuk pelatihan dan penyesuaian tepat waktu, dan di sisi lain, produsen juga perlu sering menyempurnakan dan memperbarui produk.

Chen Zhe mengatakan bahwa frekuensi pembaruan Teknologi Gigi Kebijaksanaan saat ini adalah mingguan. Dalam kasus antarmuka data terbuka, pelanggan perlu mengirimkan data terbaru secara tepat waktu. Setelah periode pembelajaran korpus, nilai dari "data terbaru " dapat tercermin.

"Kebutuhan Anda bisa berada pada tingkat detik, menit, atau jam. Data dikirimkan kepada saya satu detik sebelumnya, dan data tersebut akan menjadi korpus pelatihan untuk produk kami pada detik berikutnya."

Ini adalah metode sinkronisasi yang baik, tetapi juga lebih mengandalkan kemampuan pembelajaran model pemanggilan, dan sulit untuk "mencerna" nilai data pada awalnya.

Sedangkan untuk masalah biaya awal relatif kurang penting. Sifat tertutup dari layanan pelanggan pintar sudah membatasi jumlah data. Dari perspektif produsen non-terkemuka, layanan pelanggan pintar saat ini tidak perlu "menyimpan kartu" atau mengakses database vektor untuk memastikan efisiensi pengambilan, juga tidak perlu perlu memanggil model Ketika mempertimbangkan biaya token terlalu banyak, itu hanya perlu diberi harga sesuai dengan biaya yang sesuai-dalam hal apa pun, efisiensi manusia yang dihemat dengan menggunakan layanan pelanggan yang cerdas jauh lebih tinggi daripada harga saat ini.

Yang pasti adalah sangat mudah bagi layanan pelanggan yang cerdas untuk melakukan demo, tetapi jarak antara demo tersebut dan pendaratan tidak terbatas pada investasi dalam panggilan atau model yang dikembangkan sendiri. Biaya yang sulit diukur dapat menjadi penghalang bagi para pemain di jalur layanan pelanggan cerdas di masa depan.

Ruang Hidup Halus

Saat membahas kemungkinan menggabungkan AIGC dengan layanan pelanggan cerdas, kita juga perlu mempertimbangkan bahwa layanan pelanggan cerdas bukanlah jalur baru yang dikembangkan oleh AI, namun jalur lama dengan sejarah lebih dari sepuluh tahun dan format bisnis yang direkonstruksi oleh perusahaan besar. model.

Sejauh menyangkut jalur layanan pelanggan yang cerdas, rekonstruksi format bisnis mencakup perubahan lapisan bawah dari peningkatan NLP ke model skala besar, dan evolusi dari pemahaman semantik ke lompatan fungsi multi-modal, dll., tetapi bisnis model dari perspektif non-teknis tidak berubah.

Terus terang, layanan pelanggan pintar adalah bisnis SaaS dengan pengurangan biaya sebagai tujuan utamanya.Hal ini terlihat dari data "Laporan Pasar Layanan Pelanggan Cerdas Tiongkok 2023" yang menunjukkan bahwa perangkat lunak menempati 79,94% pasar layanan pelanggan pintar Tiongkok pada tahun 2022. . Dengan kata lain, ruang kelangsungan hidup produsen layanan pelanggan yang cerdas terletak pada jarak antar pelanggan dan kemampuan untuk mencapai layanan pelanggan yang cerdas, yang tidak berubah pada titik-titik penting perubahan teknologi.

“Jika produsen besar bisa mengalahkan kita sampai mati dalam layanan pelanggan yang cerdas, maka kita sudah mati sejak periode NLP,” kata Chen Zhe.

Selain itu, karena layanan pelanggan cerdas adalah jenis bisnis SaaS, paradigma pertumbuhannya juga mengikuti logika. Misalnya, operator seperti China Mobile dan China Unicom dan Ronglian Cloud yang meluncurkan model skala besar di bidang layanan pelanggan mengadopsi model pertumbuhan berdasarkan pertumbuhan yang didorong oleh produk, sementara produsen non-terkemuka yang tidak memiliki kemampuan yang sesuai. Dengan kata lain, sebagian besar dari mereka menghadirkan model yang lebih condong pada pertumbuhan yang didorong oleh pengalaman (eXperience-Led Growth).

Bukannya produsen pinggang dan pelanggannya tidak peduli dengan kinerja produk, tetapi produsen pinggang perlu membangun kurva pertumbuhan kedua untuk memperluas ruang hidup mereka dalam menghadapi persaingan teknologi dan sumber daya dari produsen besar. Biasanya dilakukan "pra-pemrosesan" untuk masalah yang mungkin terjadi saat pelanggan menggunakan produk, dan memperluas jalur bisnis di luar bisnis utama sebanyak mungkin.

Mengambil contoh produsen pinggang tertentu, mereka telah mendirikan departemen operasi untuk produk mereka sendiri, dan "melakukan segala kemungkinan" untuk memberikan dukungan pelanggan dan mendekati pelanggan. Pekerjaan departemen operasi termasuk menulis atas nama pelanggan, membantu pelanggan dengan operasi domain pribadi, dan bahkan berfungsi sebagai "stasiun transfer" antara pelanggan dan produsen, mencocokkan solusi keseluruhan digital dalam bentuk anggota, dll.

Memang pada dasarnya apa yang dapat dilakukan oleh pabrik kecil juga dapat dilakukan oleh pabrik besar, namun memerlukan waktu dan tenaga yang cukup lama. Hanya saja pemahaman keduanya tentang layanan pelanggan yang cerdas dan pembagian jalur bisnis juga telah memberikan banyak ruang bagi produsen pinggang.

"Pabrik besar punya banyak sumber daya dan investasi tinggi. Tentu saja, mereka ingin makan daging dan menatap pelanggan besar untuk ditagih. Dan beberapa hal pragmatis tidak bisa dihindari, seperti membiarkan pelanggan mencoba model untuk 'mencuri korpus guru'. Kami lebih membumi dan berusaha sebaik mungkin untuk Kebutuhan pelanggan untuk mengurangi biaya dapat dirasakan dengan jelas sebelum penjualan," kata manajer produk dari sebuah produsen pinggang.

Selain itu, sebagai salah satu dari banyak proyek transformasi digital perusahaan, kendala layanan pelanggan yang cerdas tidak terlalu besar. Umumnya, pelanggan besar akan memilih untuk membeli dari banyak pihak secara paket untuk mencegah risiko integrasi, yang juga mengandung peluang bagi produsen non-terkemuka.

Saat ini, jalur layanan pelanggan yang cerdas saat ini masih dapat dianggap sebagai “segala jenis persaingan untuk mendapatkan kebebasan”, namun dengan pendalaman kombinasi layanan pelanggan yang cerdas dan AIGC, format bisnis setelah persaingan yang ketat kemungkinan akan berubah lagi.

Masalah halusinasi paling mendasar yang menyebabkan kualitas konten yang dihasilkan tidak stabil ada di hadapan seluruh industri, dan saat ini tidak ada solusi yang jelas; dan setelah bisnis layanan pelanggan cerdas yang dikombinasikan dengan AIGC memasuki tahap matang, tren dari biaya pengurangan dan peningkatan efisiensi untuk menciptakan nilai lebih lanjut sedang meningkat. Hal ini memaksa produsen layanan pelanggan yang cerdas untuk meningkatkan iterasi teknologi. Biasanya layanan pelanggan cerdas di bidang e-commerce dapat diperluas dari layanan pelanggan hingga panduan belanja.

Selain itu, Photon Planet juga belajar dari produsen terkemuka bahwa terdapat penundaan dalam penerapan AIGC dalam skenario layanan pelanggan e-commerce, dan pengambilan semantik murni sulit untuk menjamin kepuasan pengguna. masa depan.

Layanan pelanggan yang cerdas telah menjadi salah satu skenario deterministik untuk penerapan model besar karena nilai pengurangan biayanya sendiri dan tingkat kesesuaian dengan model besar. Namun, pengembangan periode model berskala besar baru saja dimulai, dan layanan pelanggan yang baru saja berubah dari "terbelakang mental" menjadi "pintar" memerlukan lebih banyak iterasi paradigma untuk menghadapi kebutuhan pembelian kembali dan penjualan silang.