Wang Suwen: 先ほど述べたように、インテリジェントな顧客サービスの範囲は非常に広いです。インテリジェントな顧客サービスやロボットなどのテクノロジーは、人間とコンピューターの従来の対話プロセスを実際に変える可能性があります。大規模なモデルの使用、特に対話プロセスの自動生成の使用を通じて、従来のインテリジェントな顧客サービスの運用をより効率的にすることができます。従来の方法では、通常、ナレッジ ベースを手動で構成する必要がありますが、その効果は明らかではありません。しかし、複雑な問題を解決する能力や質問への直接回答率は、大規模なモデルによる対話プロセスの自動生成によって直接的に向上させることができ、これは大きな破壊的影響をもたらします。
Wang Chao: この問題についてはまだ具体的な計算を行っていません。大規模なモデルのアプリケーションは作業プロジェクトごとに動作が異なるためです。たとえば、スクリプトの生成やコピーライティングが数倍高速になる可能性があります。ただし、日々の分析や品質検査の施工においては、その効果には個人差があります。したがって、現段階では数値化して正確な結論を導き出すことは困難ですが、大規模モデルの適用により確かに効率が向上したことは間違いありません。
***Xu Wenhao: Wang Suwen さん、AIGC を顧客や製品に紹介しましたか?具体的なメリットがわかりますか? ***
Wang Suwen: 当社の事業分野では、主にToB市場をターゲットとしており、金融業界や保険業界など、さまざまな分野のお客様にサービスを提供しています。これらの顧客は、コスト削減や効率向上のためのインセンティブなど、イノベーションに関していくつかのニーズを抱えています。お客様との共創協力をいくつか実施し、検証してきました。たとえば、クライアントのためにコピーを自動的に生成するマーケティング アシスタントを作成しました。従来、マーケティングスキルの標準化や統一性が欠如しているなど、社員一人ひとりのレベルにばらつきがありました。当社のマーケティングアシスタントを通じて、まず統一されたコピーを作成し、歴史上の優れた経験に基づいてそれをコピーするのを支援します。 2 つ目は、コストの削減と効率の向上であり、トレーニング、学習、記憶に多大な時間を費やす必要がなくなりました。当社の大型モデルは産業界で広く使用されています。
Wang Su 氏が述べたように、金融、保険、法律などの業界は、コストを削減し、効率を向上させるプロセスである効率を向上させる大きな可能性を秘めています。私の個人的な観点から言えば、これは、特に効率の観点から、絶対的なニーズです。ただし、金融、保険、法律に関連するビジネスは非常に機密性が高く、高度な専門性を必要とするため、これらの業界は過度に積極的なアプローチを取ることはできません。これに関連して、大規模モデルによって生成された結果の成熟度評価という別の問題が生じます。 GPT-4 のような大型モデルは米国の一部の専門試験で良好な成績を収めていますが、中国の対応する試験、特に中国語のような大規模で複雑な意味コンテキストで合格できるかどうかは依然として問題であり、さらなる研究が必要になる可能性があります。リサーチ。この点に関して、当社は7月に浙江大学と協力して、法律垂直分野の大型モデルをリリースし、この特定分野により良いソリューションを提供する予定です。
Wang Chao: 電子商取引でも金融業界でも、インテリジェントな顧客サービスに対する要件は非常に厳しいと思います。さらに、電子商取引のスマートな顧客サービスでは、大規模なプロモーション期間と毎日のコンサルティングが非常に印象的です。 JD.com の私たちのチームによる自主事業では、毎日の相談件数が 70%、ピーク時には 90% を占めます。この相談件数の 70% はすでに大きな価値があります。この論理は銀行などのさまざまな機関にも当てはまると思います。また、一部の銀行のインテリジェントな顧客サービス機能がまだ不十分であることにも気づいています。したがって、インテリジェントな顧客サービスの成熟度を向上させる方法を考える必要があり、企業や銀行の発展段階に適応する必要があります。現在、多くの銀行はインテリジェントな顧客サービスの初期段階にあり、主によくある質問とシンプルな複数ラウンドの対話構築に重点を置いていますが、サービス能力とユーザーエクスペリエンスはまだ満足のいくレベルに達していない可能性があります。
電子商取引分野での経験に基づいて、私たちは銀行のインテリジェントな顧客サービス、特にオペレーティング システムを大幅にアップグレードする必要があるため、さらに開発する必要があると考えています。例えば、草の根の顧客サービスには、サービス水準やスキルの点で人為的なレベルに近づくことが求められており、これは当社のオペレーティングシステムの改革に大きな影響を与えます。しかし、銀行と協力する過程で、多くの銀行がインテリジェントな顧客サービスの構築において課題に直面していることがわかりました。テクノロジーサプライヤーと銀行間の協力は、当事者 B と当事者 A の関係に似ていますが、私たちの協力モデルとは異なります。組織体制や人材育成の面で、銀行と当社の要求との間には依然としてギャップがあります。私たちは多くの銀行パートナーと話をしましたが、彼らが私たちの開発方法論に同意している一方で、それが難しいとも感じていることが共通してわかりました。銀行にとって内部改革を進めることは複雑であり、より多くの努力が必要です。インテリジェントなカスタマーサービスの運用難易度を下げ、組織構造を簡素化できる大型モデルはチャンスだと考えており、楽しみにしています。
Wang Chao: この質問では、開発中の大型モデルに関する情報を共有できます。私たちは独自の産業モデルを開発しており、企業や同僚と協力できることを楽しみにしています。パートナーシップの機会に関する詳細は、7 月以降に発表される予定です。また、どの大規模モデルが優れているかを確認する方法についても言及します。この点に関して、私たちは、Baichuan やその他のモデルなど、実証済みの大規模モデルをプラットフォームにうまく適用する方法にさらに関心を持っており、全員がそれらに注意を払い、理解することを奨励しています。
Wang Suwen: はい、特定の業界で十分にトレーニングされ最適化されたモデルは、その業界の顧客に迅速に展開して複製できます。このようにして、私たちはこれまでの取り組みを活用し、お客様にカスタマイズされたソリューションを提供することができます。たとえば、金融分野、保険、資産管理、小売業界のモデルを最適化しているため、これらの最適化されたモデルを迅速に複製し、顧客に迅速にサービスを提供できます。この再利用機能により、効率が大幅に向上し、ソリューションの提供が迅速化されます。
Wang Suwen: 近い将来、人間のカスタマー サービスが完全に置き換わることはありません。人間のカスタマー サービスには、複雑な思考や感情の問題に対処する独自の利点があるからです。特に、価値の高い顧客や潜在顧客への対応、顧客のコンバージョン率の向上においては、人間の顧客サービスが依然として重要な役割を果たしています。顧客獲得にはコストがかかるため、人間の顧客サービスを通じて取引を効率的にフォローし、確実にすることが多くの企業の要望となっています。したがって、人間の顧客サービスとインテリジェントな顧客サービスの関係は、相互に結合した協力モデルに近いものになります。企業は自社の状況に応じて人間的顧客サービスとインテリジェント顧客サービスの利点を考慮し、最適な顧客サービスモデルを策定する必要があります。
AIGC はどのようにしてインテリジェントな顧客サービスに「新たな革命」を起こしたのか
出典: infoq
著者: 李東梅
ChatGPT の基礎となる技術ロジックと組み合わせると、将来の短期から中期における ChatGPT の産業化には、インテリジェントな顧客サービス、テキスト モードの AIGC アプリケーション、コード開発関連作業、画像生成の 4 つの方向性があります。その中で、直接実装に最も適したプロジェクトは、インテリジェントな顧客サービスの仕事です。
大型モデル技術に基づくインテリジェントな顧客サービスは、従来の人間とコンピューターの対話プロセスを根本的に変え、大型モデルは対話プロセスを自動的に生成して、インテリジェントな顧客サービスの運用をより効率化し、複雑な問題の解決率を向上させることができます。人間とコンピュータの相互作用の認識と意図 理解、プロセスの構築、知識の生成などの操作内容の効率。
製品普及率だけの観点から見ると、スマートな顧客サービスは、早ければ過去 7 ～ 8 年前から電子商取引、金融などの分野で徐々に普及してきました。大型モデルによってもたらされた 2 つの主要な変化は、1 つはインテリジェントな顧客サービス製品の開発コストが大幅に削減されたこと、もう 1 つはユーザー エクスペリエンスの向上です。
では、LLM の大規模言語モデルをインテリジェントなカスタマー サービス製品と組み合わせたい場合、または前者を ToB SaaS アプリケーション ソフトウェアの分野に導入したい場合、テクノロジー スタックの構築をどのように始めるべきでしょうか?大規模モデル製品はどのようにインテリジェントな顧客サービス製品を強化するのでしょうか?今回の「A Date with Geeks」では、bothub の創設者であり、Buqituo Network Technology の創設者兼 CTO である Xu Wenhao 氏をモデレータとして特別に招き、Huayuan とその共同会社のコンピューティング技術担当ディレクターである Jia Haowen 氏を特別に招待しました。デジタルヒューマンビジネス部門の責任者、中関村科金インテリジェントインタラクション研究開発ディレクター、中関村科金インテリジェント顧客サービス技術チーム責任者、京東雲燕西KA製品責任者の王超文氏が実装と今後の開発動向について議論した。インテリジェントな顧客サービス製品における AIGC の取り組み。
以下はインタビューの記録です。
Wang Chao: AIGC の出現は、インテリジェント カスタマー サービスの分野全体で広範な懸念を引き起こし、関連する同業他社が多くの調査を行うよう促しました。インテリジェントな顧客サービスの認知と将来の変化に関して、これらの認知の変化は日を追うごとに変化しています。
JD Cloud Yanxi チームは、国内外のインテリジェントな顧客サービス アプリケーションの進歩に細心の注意を払っています。また、開発中のYanxi大型モデルは7月にリリース予定であり、カスタマーサービス事業においても各種大型モデルの実験を継続して行っております。ここ数か月間、AIGC に対する私の個人的な理解は 3 か月前のものとは完全に異なっています。そのため、今日共有したい見解は、より個人的な意見と現在の見解を表しています。
インテリジェントな顧客サービスに対する AIGC の影響は 2 つのレベルで見ることができます。まず、業界に共通する経営課題や技術的な困難という観点から見ると、AIGCにはそれらを解決できる可能性があります。大型モデルにより、インテリジェントな顧客サービスの応答レベル、擬人化、サービス エクスペリエンスが大幅に向上し、運用コストが大幅に削減できることは誰もが知っています。
ロボット工学に関しては、私たちはすでにロボットに多くの注目を集めているため、あまり議論する必要はないと思います。私が言いたいのは、大型モデルはインテリジェント顧客サービスの幅広い分野、特にインテリジェント顧客サービス管理の方向での検証情報に使用されているということです。例えば、インテリジェント支援の実践において、これまでの技術では会話の中で重要なポイントを推奨したり、重要な情報を抽出したりする解決策はありましたが、コストと効果のバランスをとるのが難しいのが一般的でした。しかし、大規模モデルの検証を通じて、このモデルがこれらの問題に対処する優れた解決能力と可能性を持っていることがわかりました。また、品質検査業務においては、業界で一般的に用いられているキーワード正則化やインテリジェント品質検査手法などの手法は一定の効果があるものの、正解率が低い場合が多く、作業負荷も大きく、正解率を向上させるまでの期間が長くなります。長いです。
しかし、大規模なモデルで練習することで、抽象的な QC 基準を理解し、QA 作業を実行するのにうまく機能することがわかりました。また、社員研修においては、大手銀行が研修に対話ロボットを導入している例も見られます。上記に加えて、カスタマーサービスセンターでは経営分析も行っており、顧客相談の際には顧客ニーズ、顧客像、リスクなどの情報を集約する必要がありますが、実験では大規模モデルの効果も非常に良好でした。汎スマート顧客サービスの分野では、大型モデルの応用可能性は非常に大きいと思います。私たちは、約半年以内に、市場の主流製品が重要なアップグレードを迎えると考えています。
業界とドメインについて現在理解されていることに基づいて、より広範なドメインが変化しようとしているかどうかを調査できます。たとえば、顧客サービスや顧客サービスにどのような変化をもたらすでしょうか。この質問はもっと難しいものになる可能性があると思いますが、現段階では誰も具体的な変化を正確に指摘することはできません。しかし、少なくともプロアクティブなサービスなどの一部の方向では、大きな違いが生まれると私たちは信じています。例えば、電子商取引企業はさまざまな活動を行っていることが多いですが、その活動を宣伝したり説明したりする業務は通常、カスタマーサービスセンターにはありません。なぜなら、このような幅広い活動を手作業や従来の機械による方法で実行することは非常に困難だからです。しかし、大規模なモデルの導入と基本情報の入力によって、顧客サービスが多くのアクティビティをうまく説明できるようになる未来を想像することはできます。これは、積極的な変革とアップグレードという観点から、将来の顧客サービスの可能性を表しています。
Wang Suwen: 先ほど述べたように、インテリジェントな顧客サービスの範囲は非常に広いです。インテリジェントな顧客サービスやロボットなどのテクノロジーは、人間とコンピューターの従来の対話プロセスを実際に変える可能性があります。大規模なモデルの使用、特に対話プロセスの自動生成の使用を通じて、従来のインテリジェントな顧客サービスの運用をより効率的にすることができます。従来の方法では、通常、ナレッジ ベースを手動で構成する必要がありますが、その効果は明らかではありません。しかし、複雑な問題を解決する能力や質問への直接回答率は、大規模なモデルによる対話プロセスの自動生成によって直接的に向上させることができ、これは大きな破壊的影響をもたらします。
2点目は、大型モデルでもコスト削減と効率向上という目標を達成できることです。インテリジェンスの観点から見ると、人間が支援する機械が必要となるため、人件費は常に相対的に高くなります。大規模なモデルの適用により、知識ベースの構築と運用の効率向上を支援し、コスト削減と効率向上の大きな効果を実現します。
3点目は、ロボットの擬人化とユーザーエクスペリエンスについてです。従来のロボットは、これらの点で不十分なことがよくあります。しかし、大きなモデルの出現により、対話はよりスムーズになり、より擬人化され、人間と人間のコミュニケーションに似たものになります。これは非常に強力な破壊的効果です。
もちろん、品質検査、アシスタント、スパーリングなどの一般的な顧客サービスの場合、大型モデルにも相応の破壊的な影響があり、製品が異なれば影響も異なります。
**Jia Haowen:**この質問に答える前に、インテリジェント カスタマー サービスの分野に戻りたいと思います。インテリジェントな顧客サービスの発展は、言語の蓄積に基づいた人工知能の歴史に遡ります。約 10 年前、いくつかのフロアが顧客サービス担当者でいっぱいで、勤務時間のほとんどをユーザーの問題の解決に費やしていたことを覚えています。当時は、お二人の先生がおっしゃったナレッジベースのようなツールもまだあまり充実していませんでした。
今振り返ると、Alipay やその他のカスタマー サービス製品は、初期のナレッジ ベースから、後のシニア アシスタント、および複数ラウンドの対話シナリオをシミュレートするための Rasa フレームワークなどの派生ツールへと徐々に拡大してきました。しかし、先ほどお二人の先生がおっしゃいましたように、これらの対話はどれもまだ擬人化に欠けています。以前のすべてのカスタマー サービス ツールは、基本的にコンピューター業界の標準テストに合格していませんでした。しかし、大きなモデル、特に ChatGPT や Vicuna のようなモデルが登場すると、たとえ 10 歳か 11 歳の子供のレベルであっても、それらはあるレベルの個性を持ちます。ある意味、彼らはチューリングテストに合格することができます。
前の質問に戻りますが、インテリジェントな顧客サービスとデジタル ヒューマンの組み合わせは、いくつかの新しいイノベーションをもたらします。デジタルヒューマン分野の初期段階では、知識ベースや大規模モデルに基づく人間との擬人化Q&Aはリアルタイムで完了することができません。しかし、テクノロジーの発展により、大きなモデルと組み合わせて実際のシーンをシミュレートする擬人化フィギュアを実現できるようになりました。これをナレッジ ベース、顧客サービス、デジタル従業員などのシナリオに適用すると、デジタル ヒューマンの分野は 2 つの課題に直面する可能性があります。 1つ目はデータの完全性で、ChatGPTなどは見た目はカッコいいですが、本質的にはclozeの生成と同様に過去の履歴データに基づいて生成されています。このアプローチにより効率が向上し、スクリプトのコストが削減されますが、生成されるコンテンツの品質は事実上制御できません。デジタルヒューマンやインテリジェントカスタマーサービスなどの総合分野のアウトプットコンテンツでは、生成されたコンテンツを完全に確信することはできません。したがって、デジタル ヒューマンや ChatGPT などの発言が意味不明ではなく人間の話に近いことを保証するために、さまざまな検証と保護手段を導入する必要があるかもしれません。
まとめると、大型モデルは今は比較的人気があり、将来性も明るいかもしれないが、現段階ではまだ0→1の状態である。将来的には大木に成長することも期待できますが、今は業界全体としても、あるいは皆さんの期待としても、やはり少しずつ良い土壌で成長させて、本当に成長させていく必要があると思います。インテリジェントな顧客サービスを提供し、デジタルヒューマンなどの分野の効率化を実現します。
Jia Haowen: 大規模モデルを導入するかどうかは、特定のビジネス シナリオとユーザーのニーズによって異なります。大規模で成熟したシステムを備えた Ant Financial や JD.com などの大企業の場合、やみくもに大規模モデルを導入すると追加コストが増加する可能性があります。 AI が生成したコンテンツによって引き起こされる不確実性を回避するには、互換性対策を講じる必要があります。小規模な企業の場合、ある程度の人によるレビューを伴う、ナレッジ ベースの補足として大規模なモデルを使用することは、効率を向上させる良い方法となる可能性があります。これは、インテリジェントなカスタマー サービスがユーザーのセマンティクスをより深く理解し、ナレッジ ベースの品質を向上させ、さらにはユーザー エクスペリエンスを向上させるのに役立ちます。さらに、認知知能などのより高いレベルのアプリケーションの場合、大規模なモデルの導入は、ユーザーの理解と認識を向上させるのに役立つ可能性があります。インターネット業界では「数千人、数千の顔」という重要な概念があり、これは各顧客サービスがパーソナライズされたサービスを提供できることを意味します。したがって、大規模なモデルを導入するかどうかを弁証法的な観点から検討し、具体的な状況に基づいて決定する必要があります。
**Wang Chao: **大企業が C エンド製品に大規模なモデルを慎重に適用することは、顧客エクスペリエンスとサービスのセキュリティを確保することを考慮したものではありません。消費者向けのビジネスでは、注意が非常に重要です。この点で、検証と実験の両方が細心の注意を払って進められています。
ビジネス指向や運用指向の分野では、実験や検証に「勇敢」になります。当社は、運用がコピーライティングとスクリプトを構築できるように大規模なモデルを導入し、創造性と効率の問題を解決するための運用を適切にサポートします。また、品質検査や支援、研修など従業員管理の面でも非常に積極的に取り組んでいます。
大型モデルは「必要なだけ」なのか、それとも「トレンドに従う」のか？
Wang Chao: この問題についてはまだ具体的な計算を行っていません。大規模なモデルのアプリケーションは作業プロジェクトごとに動作が異なるためです。たとえば、スクリプトの生成やコピーライティングが数倍高速になる可能性があります。ただし、日々の分析や品質検査の施工においては、その効果には個人差があります。したがって、現段階では数値化して正確な結論を導き出すことは困難ですが、大規模モデルの適用により確かに効率が向上したことは間違いありません。
Wang Suwen: 当社の事業分野では、主にToB市場をターゲットとしており、金融業界や保険業界など、さまざまな分野のお客様にサービスを提供しています。これらの顧客は、コスト削減や効率向上のためのインセンティブなど、イノベーションに関していくつかのニーズを抱えています。お客様との共創協力をいくつか実施し、検証してきました。たとえば、クライアントのためにコピーを自動的に生成するマーケティング アシスタントを作成しました。従来、マーケティングスキルの標準化や統一性が欠如しているなど、社員一人ひとりのレベルにばらつきがありました。当社のマーケティングアシスタントを通じて、まず統一されたコピーを作成し、歴史上の優れた経験に基づいてそれをコピーするのを支援します。 2 つ目は、コストの削減と効率の向上であり、トレーニング、学習、記憶に多大な時間を費やす必要がなくなりました。当社の大型モデルは産業界で広く使用されています。
また、いくつかの質問に直接回答できるテレマーケティング ボットも開発しました。もちろん、関連法の遵守やデータのセキュリティの保護など、コンプライアンスの問題を考慮する必要があります。私たちは新荘研究所と協力して、これらの標準化の問題の解決に取り組んでいます。
Wang Chao: デジタル化の波により、金融機関はインテリジェントな顧客サービスの実装を実現することが容易になりました。金融分野では、インテリジェントな顧客サービスが広く使用されており、金融機関のより一般的な製品の 1 つとなっています。金融機関にとって、インテリジェントな顧客サービスの中心的なニーズは主にコストの削減と効率の向上であり、これにより人材を退屈な作業から解放できます。特に、自動質疑応答、通知、高頻度の質問に対する再訪問などのビジネス シナリオでは、インテリジェントな顧客サービスにより人的リソースが節約され、反復的で頻繁で価値の低い作業ではなく、より専門的で創造的な作業に集中できるようになります。 。富裕層顧客の開発と維持に投資できるリソースを彼らに与え、より価値のある仕事の遂行により集中させましょう。さらに、大規模モデルの出現など、新世代の基本的なブレークスルーにより、インテリジェントな顧客サービスも強力な自然言語生成機能を獲得し、よりインテリジェントで効率的なものになります。
**Jia Haowen: **金融分野に加えて、保険、法律、健康などの垂直分野でも大型モデルの需要があります。特に企業の観点から見ると、知識を生成し抽出する必要性がますます明らかになってきています。私たちが銀行や保険会社と話したり、法律専門家と問題について話し合ったりするとき、彼らが提供する情報は本質的に事実です。大規模なモデルを通じて、ユーザーの質問の意図をより適切に識別し、クラスタリングまたは分割を実行できます。
Wang Su 氏が述べたように、金融、保険、法律などの業界は、コストを削減し、効率を向上させるプロセスである効率を向上させる大きな可能性を秘めています。私の個人的な観点から言えば、これは、特に効率の観点から、絶対的なニーズです。ただし、金融、保険、法律に関連するビジネスは非常に機密性が高く、高度な専門性を必要とするため、これらの業界は過度に積極的なアプローチを取ることはできません。これに関連して、大規模モデルによって生成された結果の成熟度評価という別の問題が生じます。 GPT-4 のような大型モデルは米国の一部の専門試験で良好な成績を収めていますが、中国の対応する試験、特に中国語のような大規模で複雑な意味コンテキストで合格できるかどうかは依然として問題であり、さらなる研究が必要になる可能性があります。リサーチ。この点に関して、当社は7月に浙江大学と協力して、法律垂直分野の大型モデルをリリースし、この特定分野により良いソリューションを提供する予定です。
Wang Chao: 電子商取引でも金融業界でも、インテリジェントな顧客サービスに対する要件は非常に厳しいと思います。さらに、電子商取引のスマートな顧客サービスでは、大規模なプロモーション期間と毎日のコンサルティングが非常に印象的です。 JD.com の私たちのチームによる自主事業では、毎日の相談件数が 70%、ピーク時には 90% を占めます。この相談件数の 70% はすでに大きな価値があります。この論理は銀行などのさまざまな機関にも当てはまると思います。また、一部の銀行のインテリジェントな顧客サービス機能がまだ不十分であることにも気づいています。したがって、インテリジェントな顧客サービスの成熟度を向上させる方法を考える必要があり、企業や銀行の発展段階に適応する必要があります。現在、多くの銀行はインテリジェントな顧客サービスの初期段階にあり、主によくある質問とシンプルな複数ラウンドの対話構築に重点を置いていますが、サービス能力とユーザーエクスペリエンスはまだ満足のいくレベルに達していない可能性があります。
電子商取引分野での経験に基づいて、私たちは銀行のインテリジェントな顧客サービス、特にオペレーティング システムを大幅にアップグレードする必要があるため、さらに開発する必要があると考えています。例えば、草の根の顧客サービスには、サービス水準やスキルの点で人為的なレベルに近づくことが求められており、これは当社のオペレーティングシステムの改革に大きな影響を与えます。しかし、銀行と協力する過程で、多くの銀行がインテリジェントな顧客サービスの構築において課題に直面していることがわかりました。テクノロジーサプライヤーと銀行間の協力は、当事者 B と当事者 A の関係に似ていますが、私たちの協力モデルとは異なります。組織体制や人材育成の面で、銀行と当社の要求との間には依然としてギャップがあります。私たちは多くの銀行パートナーと話をしましたが、彼らが私たちの開発方法論に同意している一方で、それが難しいとも感じていることが共通してわかりました。銀行にとって内部改革を進めることは複雑であり、より多くの努力が必要です。インテリジェントなカスタマーサービスの運用難易度を下げ、組織構造を簡素化できる大型モデルはチャンスだと考えており、楽しみにしています。
ワン・スウェン: 擬人化、人間化、個別化という 3 つの側面から議論できると思います。
一つ目は擬人化です。インテリジェントな顧客サービスの分野では、この分野における従来のロボットのパフォーマンスを改善する必要があるため、擬人化は常に問題点でした。私たちは擬人化された対話インタラクションを構築する方法を模索してきました。これには、状況に応じた対話をデザインする方法、問題を分解する方法、コンテキストを継承する方法、および複数ラウンドの対話を理解する方法が含まれます。全体として、私たちはボットがより適切で自然な会話と対話のモードを提供できることを望んでいます。
続いて人的サービス。場面や意図を正確に把握した上で、擬人化に基づいたサービスのさらなる向上も必要です。マルチモーダル・アフェクティブ・コンピューティングは、この目標を達成するための効果的な方法だと思います。たとえば、当社は、感情コンピューティングと組み合わせて人間とコンピューターの対話型対話を実行し、ビデオ、音声、テキストなどのマルチメディア手法を通じてユーザーの感情表現を認識できる、仮想デジタル ヒューマン カスタマー サービスを開発しました。このようにして、インテリジェントな顧客サービスは、対応する感情的なフィードバックをユーザーに提供し、感情的な理解と温かみのある人間とコンピュータのインタラクションを生み出し、より人間味のあるサービスを実現します。感情コンピューティングの観点から見ると、従来の手法にはルールと機械学習という 2 つのモードがあります。機械学習を通じて、モデルをトレーニングして感情状態を自動的に学習し、分類基準を達成することで、さまざまな分野や状況にうまく適応できるようになります。これにより、より良い感情表現効果が得られ、より人間味のあるサービスを提供することができる。
最後に、パーソナライズされたサービスがあります。 「何千もの顔を持つ何千人もの人」の効果を実現するには、ユーザーの肖像に基づいてパーソナライズされたサービスを実装する必要があります。たとえば、当社はユーザーをマークし、基本的なユーザーのポートレート情報と過去の会話中の洞察分析を通じてポートレートを蓄積できるユーザー インサイト プラットフォームを開発しました。フォローアップダイアログでは、ユーザーの肖像に応じて異なる対話プロセス、返信方法、推奨事項を提供することで、より正確にパーソナライズされたサービスを実現し、ユーザーと企業の満足度を向上させることができます。
Wang Chao: 私たちはエクスペリエンスとパーソナライズされたサービスの向上に多大な投資を行ってきました。 Yanxi チームが開発した感情インテリジェント顧客サービスは、業界初の大規模商用感情インテリジェント顧客サービスです。 2018年よりロボット応答能力に感情認識・応答能力を導入しました。この技術は顧客サービスだけでなく、品質検査や人事管理サービスにも活用されています。
この質問に答えるには 2 つの側面が関係します。 1 つ目の方向は、現在のインテリジェントな顧客サービス技術の主な開発方向である、マルチラウンド対話などの最先端技術などの技術です。もう 1 つの重要な方向性は運用です。つまり、どのように詳細なシーンの分解を実行し、人間と機械の違いを分析し、人間の顧客サービスとのベンチマークを通じて、監視とツール システムを通じて自動化された問題発見と人間と機械のサービスの違いの比較を実現するかです。このようにして、全体体験とクラウドサービス体験の全体差分分析から、徐々に洗練されたクラウドサービス体験分析を実現していきます。このようなシステムにより、全体的なサービス エクスペリエンスの最適化を継続し、最終的にはプロモーション期間中に JD.com の現在の毎日のマシン受信量の 70% と 90% というマシン サービスのカバー率を実現することができます。
**Jia Haowen:**今夜の生放送のテーマは、デジタル ヒューマン カスタマー サービスと大型モデルの理解についてです。従来の顧客サービスに対する私たちの理解は、手動の顧客サービスであれ FAQ であれ、ローエンドのインテリジェントな顧客サービスとみなすことができます。ユーザーとして、私たちはカスタマー サービスが有能で、問題解決の支援を提供できることを期待しています。同時に、顧客サービスが擬人化された特徴を示し、パーソナライズされたサービスを提供できれば、ユーザーエクスペリエンスは向上します。
大型モデルの分野では、擬人化と擬人化が非常に重要です。当社は認知知能と心理学の研究方向に傾いています。ユーザーの心理タグをいかに早く取得し、心理的な観点からユーザーを判断し、より良いサービスを提供するかに重点を置いています。マーベル映画『アイアンマン』のジャービスのようなシーンが想像できます。将来の大型モデルが、その日の気分や好みに合わせて、最適な答えや提案をしてくれるアシスタントのような存在になれれば理想的です。
現時点では、大型模型とデジタルヒューマンの組み合わせに関する研究はまだ準備段階にあります。しかし、マルチモダリティ分野における学術研究結果の出現により、より優れた、より低コストのエクスペリエンス製品が登場する可能性があります。
Jia Haowen: 高品質の対話システムを構築したい場合、実際には従来のインターネット プロジェクトの承認の問題が伴います。このプロセスでは、ビジネス製品アーキテクチャ、技術アーキテクチャ、および製品の実際のランディング形式の選択を考慮する必要があります。同時に、多くの大企業や中堅企業がすでに多くの既存の顧客サービス製品を持っていることも考慮する必要があります。大規模なモデルを通じてこれらの既存のカスタマー サービス製品の機能を向上させたい場合は、より保守的なアプローチを採用する必要があるかもしれません。たとえば、大規模なモデルは、知識の入力を提供するための外部知識ベース ツールとして使用できます。先ほど述べたアーキテクチャの側面に戻りますが、製品のアーキテクチャとツールの選択の両方が重要な考慮事項です。最初のエントリ ポイントには、キーワード タグ付けシステムや従来の正規表現などのツールが関係する場合があります。ただし、このパラダイムの具体的な選択については、各ビジネスの特性に関連するため、一般的な標準パラダイムはありません。
Jia Haowen: 問題の範囲を狭め、より効率的で高品質のインテリジェントな顧客サービス コンテンツ出力の提供に焦点を当てる場合、大規模なモデルを強化された対話サービスとみなすことができます。インテリジェントなカスタマー サービス製品において、ユーザーが期待しているのは、インテリジェントで共感力があり、コミュニケーション能力に優れたロボットであると同時に、回答の内容がカスタマー サービス マーケティングやその他のシナリオなど、特定のビジネス分野に焦点を当てたものであることも望んでいます。この場合、大規模モデルの意図認識、対話フロー、マルチターン対話機能と、従来の FAQ などの外部データ ソースを組み合わせることができます。これは、訪問者の質問データを要約してユーザーの質問と比較したり、従来のインテリジェントロボット、音声ロボット、コンテンツ機能を補うためにユーザーが質問している間に大量のプライベート化されたデータを入力したりするなど、言語処理プロセス全体を統合する必要があることを意味します。外部ナレッジベースの。この組み合わせにより、ユーザー エクスペリエンスの効率を短期間で大幅に向上させることができます。さらに擬人化機能の向上も考えられますが、対話システムの機能を強化したい企業にとってはハードルが高くなる可能性があるため、慎重に導入することをお勧めします。エントリ ポイントとして、外部知識入力の一部として大規模モデルを検討することは、低コストで迅速なエントリ ポイントとなる可能性があります。
大規模モデルの対話品質を向上させる方法
Wang Suwen: 対話システムの品質を向上させるためには、次の点が考えられます。
データラベル付けコストの削減: 従来のデータラベル付け方法では多くの手動ラベル付けが必要であり、時間とリソースのコストがかかります。この依存関係を軽減するために、大量のラベルなしデータを教師なしトレーニングに使用する方法を研究し、それによって手動でラベル付けされたデータの必要性を減らすことができます。このようなアプローチにより、データ取得の効率が向上し、コストが削減されます。
汎化能力の向上: 単一の質問に答えるだけでは十分ではなく、さまざまなシナリオやユーザーのニーズに適応するために、対話システムには一定の汎化能力が必要です。言語の多様性と規則性を学習することで、モデルの一般化能力を向上させ、より多くの問題や状況に対処できるようになります。
対話モデルの構築と選択: 対話モデルを選択するときは、さまざまなシナリオにおけるモデルの適用可能性を考慮する必要があります。現在、選択できる大型モデルが多数あるため、より高い精度と効果を実現するには、特定のニーズに応じて適切なモデルを選択する必要があります。
継続的な学習と最適化: 初期のオンライン モデルの効果は完全ではないため、対話システムには継続的な学習と最適化が必要です。システムには自己反復と自己最適化の機能があり、継続的な使用とフィードバックを通じて効果とパフォーマンスが徐々に向上する必要があります。この継続的な学習と最適化のプロセスにより、顧客のニーズを満たし、システムをますますインテリジェントかつ効率的にすることができます。
**Wang Chao:**この質問の鍵は、顧客やビジネス関係者の観点、そしてプラットフォーム製品開発者やデザイナーとしての私たちの観点から見て、それらはすべて同じ目標を指しているということだと思います。どの観点から見ても、ビジネスの中核となるニーズと、サービスを提供する際のインテリジェントな顧客サービス システムへの期待に注意を払う必要があります。サービスの形態やモデルが異なると、製品の技術アーキテクチャや導入される技術機能も異なる場合がありますが、全体的には大きな違いはありません。
たとえば、一部のビジネス関係者は、ロボットが基本的な質疑応答や情報クエリ機能を提供できることを期待しているかもしれませんが、現時点では、ニーズを満たすためにいくつかの FAQ といくつかの簡単な対話ツールとアルゴリズム モデルを提供するだけで十分かもしれません。 。一部のビジネス関係者は、ロボットが自分たちに代わってビジネスを処理およびフォローアップし、さらにはシナリオベースの対話サービスや完全なエスコートを提供する機能を備えていることを望んでいます。さまざまなレベルの顧客ニーズに対応して、それに応じて製品を設計し、技術アーキテクチャを構築し、対応する機能を導入する必要があります。したがって、事業者側をフォローし、相談に乗ったり、事業内容を深く理解したりすることが非常に重要であると考えております。顧客のさまざまなニーズに応じて、製品設計と技術アーキテクチャの構築を実行し、ニーズを満たすために対応する機能を導入します。
Wang Suwen: ChatGPT または同様の大規模モデルを使用する場合は、次の手順に従って適用してデプロイできます。
モデルのトレーニングとチューニング: Zhipu ChatGLM、Baichuan の大規模モデルなど、市販のオープンソースの大規模モデルを選択します。独自のニーズやビジネスに応じてモデルのパフォーマンスを検証およびテストします。ドメイン関連のデータを収集し、これらのデータを使用してオープンソースの大規模モデルでドメイン トレーニングを実施したり、命令セットの半自動生成を実行したりすることもできます。複数ラウンドの対話データを微調整およびスクリーニングすることにより、大規模ドメイン モデルの対話能力が強化されます。モデルが仕様と値に従って安全性、微調整、後処理の面で要件を満たしていることを確認してください。
モデル エンジニアリングとパフォーマンスの最適化: 生成モデルの場合、モデル推論の速度、容量、圧縮を考慮します。モデルが大きすぎて 1 枚のカードに収まらない場合は、1 台のマシン上の複数のカード、または複数のマシン上の複数のカードを使用した並列推論を検討できます。パフォーマンスを向上させるための減圧、圧縮、加速などのモデルのパフォーマンスの最適化を実行します。
Wang Suwen: モデルを選択するときは、誰もが自分のニーズと基準に従ってトレードオフを行うと思います。各モデルには独自の特徴と利点があります。当社のビジネス要件では、複数のモデルをテストし、最終的に Zhipu と Baichuan の 2 つの大型モデルを選択しました。これは、Zhipu と Baichuan の大型モデルが商業化において一定の成熟度に達しているためです。彼らは最近新しいモデルをリリースしましたが、これは常に最適化と反復を行っていることを示しています。これらのモデルを継続的に改善することで、これらの大規模なモデルに基づいたドメイン モデルの開発がより良い結果をもたらすと私は信じています。
**Jia Haowen:**中小企業の場合、ゼロから開発したり、既存のモデルで命令セットのチューニングを実行したりするのは難しい場合があります。多くの場合、モデルは大きすぎて、単一のグラフィックス カードまたはマシンにさえ収まりません。さらに、構造化データ、特に特定のビジネス ドメインに関連するデータを収集することも重要です。 ChatGPT の元のトレーニング プロセスでは、大量のデータの収集と整理が行われたため、命令セットの調整プロセスでモデルを微調整するために独自のフィールドのデータを使用する必要があります。これには、マルチマシンおよびマルチカードの並列コンピューティングが含まれ、アルゴリズムおよびモデルのトレーナーに、テンソル加速度測定や勾配累積測定などの高度な知識が必要になる場合があります。
モデルのデプロイと運用のプロセスでは、運用および保守環境に高い要件が求められる、モデルのトレーニング、ハードディスクの選択 (Zata や SSD など)、ストレージ、データ転送高速化ツールのネットワーク速度を考慮する必要がある場合があります。 。一般的に、現在の大規模モデルのトレーニング プロセスは比較的難しいかもしれませんが、単純なデプロイと推論プロセスについては、6B や 13B などの大規模モデルに基づいて V100 にデプロイすることが基本的に可能です。
モデルのチューニングとトレーニングが完了し、オンライン システムに展開された場合、通常はアーキテクチャ全体のアップグレードを検討します。現在、業界でよく使われているのは Milvus ベクトル データベースです。これは、私たちが通常使用している Redis キャッシュと同様に、ベクトル検索を通じて生成された結果を中間キャッシュすることができます。クローゼ生成メカニズムの特性上、各世代の具体的なスタイルは異なりますが、大まかな意味は同じです。オンラインコストを削減するには、このような仕組みを採用できます。同時に、コンテンツレビューシステム、トレーニングデータ準備システム、ラベル付けシステムなどの完全なソリューションセットも必要です。
一般に、大規模なモデルのトレーニングは必ずしもひどいものではありませんが、以前の技術スタックの要件が増加する可能性がありますが、この改善も克服できます。少し難しいかもしれませんが、これらを満たすために完全に学習し、練習することができます。課題。
Wang Chao: この質問では、開発中の大型モデルに関する情報を共有できます。私たちは独自の産業モデルを開発しており、企業や同僚と協力できることを楽しみにしています。パートナーシップの機会に関する詳細は、7 月以降に発表される予定です。また、どの大規模モデルが優れているかを確認する方法についても言及します。この点に関して、私たちは、Baichuan やその他のモデルなど、実証済みの大規模モデルをプラットフォームにうまく適用する方法にさらに関心を持っており、全員がそれらに注意を払い、理解することを奨励しています。
Wang Suwen: 大規模なモデルの開発と展開のプロセス全体には、ある程度の時間がかかります。特にモデルの圧縮、高速化、最適化では、反復的な実験と調整が必要となり、非常に時間がかかる場合があります。たとえば、かつて 7B スケールのモデルを開発したことがありますが、最適化後、A800 サーバー上の 4 カード b タイプ構成では、推論速度が以前の 28 ミリ秒から約 5 ミリ秒に短縮されました。人間の総努力は、あなたが行う仕事に依存します。
まず、基本フレームワーク全体を構築する必要があり、オペレーターの最適化を含め、モデルを圧縮および量子化する必要があります。 Nvidia の FastarTransformer に基づいて最適化したため、最適化オペレーターをカスタマイズし、Nvidia の Triton などのニーズに合った推論エンジンを選択し、さまざまなバックエンドに応じてサービスを提供する必要があります。最後に、さまざまなデバイス上でのモデルの最高のパフォーマンスを決定し、最終的な展開を行うために、全体的なパフォーマンス テストが必要です。私たちの経験によれば、適応プロセス全体には少なくとも 1 か月かかります。さらに、特定のビジネス ニーズと指示の数に応じて、指示を調整するタスクを最適化するには時間がかかります。業種にもよりますが、通常は十数人以上のチームで業務を行う必要があります。
Wang Suwen: はい、特定の業界で十分にトレーニングされ最適化されたモデルは、その業界の顧客に迅速に展開して複製できます。このようにして、私たちはこれまでの取り組みを活用し、お客様にカスタマイズされたソリューションを提供することができます。たとえば、金融分野、保険、資産管理、小売業界のモデルを最適化しているため、これらの最適化されたモデルを迅速に複製し、顧客に迅速にサービスを提供できます。この再利用機能により、効率が大幅に向上し、ソリューションの提供が迅速化されます。
Jia Haowen: 大規模なドメイン モデルの開発では、ドメイン固有のモデルのデータ収集が不可欠です。高度に専門化された分野 (法律など) の場合、データ収集に長い時間がかかり、場合によっては半月、場合によっては 1 か月かかることがあります。データ収集と構造化処理が完了すると、命令セットの調整やマルチレベルおよびマルチカードのトレーニング プロセスなど、次のリンクを開始できます。これらの手順を完了した後、通常、複数回のモデル効果評価が実行されます。これは、Transformer メカニズムによって生成された結果の信頼性が十分ではない可能性があり、モデルの信頼性を確保するには多数の効果テストが必要となるためです。モデルのトレーニングが基本的に完了し、最初の商用利用の準備が整ったら、お客様のニーズに応じてさらなる製品化作業を実行し、それを完全な製品にパッケージ化して、ユーザーに包括的なサービスを提供することがあります。
コストの観点から見ると、6B または 7B 規模の比較的小さなモデルをトレーニングするには、データの照合に半月から 1 か月かかる場合があります。ただし、これには重要な前提条件も必要です。つまり、モデルのトレーニングを担当するチームは、マルチマシン、マルチカードのトレーニング方法と手法、およびさまざまなデータ アクセラレーション戦略とメモリ アクセラレーション戦略に精通している必要があります。また、環境の整備も重要です。一部の小規模企業では、大規模なモデルをトレーニングしたい場合、Alibaba Cloud や Tencent Cloud などのプラットフォームでマシンをレンタルし、独自の環境を構築する必要がある場合があります。この追加コストも考慮する必要があります。
大規模なモデルを開発します。入出力比はどれくらいですか?
Jia Haowen: 投入産出比を評価するには、特定のビジネス シナリオとニーズを考慮する必要があります。クリエイティブ スクリプトの生成など、従来のコピーライティング、広告、映画およびテレビ業界の場合、AIGC やその他の大規模なモデルを使用すると、大量の素材を迅速に生成できます。信頼性には欠けるかもしれませんが、生産効率を大幅に向上させることができます。これらのクリエイティブ制作タスクの場合、入力と出力の比率は非常に費用対効果が高くなります。しかし、法律知識の生成、事例分析、保険証券分析などの他の分野では、出力結果が完璧ではない可能性があるため、多くの人的資源を投入し、複数回のモデルチューニングを経て、適切な結果を得る必要があります。より理想的な出力を実現します。したがって、入出力比が高くなる可能性があります。
監督に関しては、大深度発電に関連して最近導入された規制政策も考慮する必要があります。これには主にいくつかの側面が含まれます。まず、作曲家や作家、画家などの知的財産や著作権を侵害しないか、虚偽の情報が生まれやすいかなどに注意する必要があります。生成された結果の規制に関しては、生成されたテキストや画像が知的財産権を侵害しないように、コンテンツのレビューと管理のメカニズムをサポートする必要があります。同時に、伝統的な産業にとっては、コンプライアンスとリスク管理も重要な考慮事項です。実験が発展するにつれ、大型モデルの生成のための生産手段に取り組む企業や、大型モデルの暴走を防ぐ対策に取り組む企業など、大型モデルの産業チェーンが形成される可能性がある。この対応関係の確立は、法律、規制、倫理の枠組みの下で大規模なモデルの生成と監視の間の適切なバランスを達成するために、時間をかけて繰り返されます。
Wang Suwen: まず、ドメイン モデルや大規模モデルをトレーニングする場合、データのコンプライアンスと合法性が非常に重要です。正式なチャネルを通じてデータを取得し、データのセキュリティと機密性を確保する必要があります。
次に、顧客向けにドメイン モデルのトレーニングを実施する場合、企業内のデータのセキュリティとコンプライアンスを確保する必要があり、異なる企業間のデータは分離され、再利用したり、トレーニングで自由に使用したりすることはできません。さらに、顧客向けにドメイン モデルをトレーニングするときは、出力モデルがコンプライアンス要件を満たしていることを確認するために、微調整と調整を実行する必要もあります。
規制の観点から見ると、政府部門は規制の枠組みを策定する際に学際的かつ分野を超えた専門知識を必要とします。当社は、情報技術アカデミーと協力して健全な規制の枠組みを共同で確立し、緊密な協力を行っています。また、当社の大型モデルが厳密にテストおよび検証されていることを確認するために、科学技術アカデミーとの安全認証も実施しています。
政府、専門家、企業の協力があってこそ、AIGC の健全な発展を促進し、ユーザーのニーズに応え、大型モデルの安全な使用を保証することができます。
インテリジェントな顧客サービスの分野において、企業にとっての核となる障壁は何でしょうか?
Wang Chao: スマート カスタマー サービス業界にとって、均質化の問題は、スマート カスタマー サービスの購入目標と予想される ROI に密接に関連しています。 JD.com では、企業はスマートな顧客サービスを構築する際、開発目標を初級、中級、高 (または成熟) の 3 つの段階に分割する必要があります。顧客の目標がまだ初期段階にある場合、つまり単純な質問と回答および問い合わせ機能のみである場合、インテリジェントな顧客サービスを購入するニーズも同様である可能性があります。この場合、均一性の度合いがより高くなる可能性がある。ただし、プロアクティブなサービス、充実したフォローアップ、フルシナリオサービスの提供など、顧客のニーズがより高いレベルに位置付けられている場合は、スマートカスタマーサービスプロバイダーが一致する運用方法論と関連する完全なサービスを備えているかどうかを検討する必要があります。操作ツールシステム。この論理に基づくと、現世代のインテリジェント カスタマー サービス製品の中心的な障壁の 1 つは、サプライヤーが複雑で成熟したロボット プロジェクトの経験と豊富な運用経験を持っているかどうかであると思います。
もう 1 つの重要な点は、スマート カスタマー サービス会社が、関連する製品や技術の提供に加えて、長期的な計画とガイダンスの運用方法論、および関連するサポート運用ツール システムを提供できるかどうかです。同時に、顧客の人材階層の構築やトレーニング サービスの提供を支援できるかどうか。これらの要素は、現世代のボットにおいて非常に重要です。
将来的には、大型モデルが重要な障壁となるでしょう。ご指摘の製品では、さまざまな種類の大型モデルを元の製品の機能と効果的に統合できるかどうかが重要な要素となります。同時に、大型モデルの開発能力も独自の競争上の優位性となります。
**Jia Haowen:**従来の顧客サービスから大規模モデルの顧客サービスに至るまで、プロセス全体が競争の障壁と見なすことができます。コンピューティング能力やデータ量の点では大企業と競争できないかもしれませんが、大規模なモデルのトレーニングにおける心理学的知識の応用や認知知能の交差点など、学際的な分野では競争できるかもしれません。および大規模なモデルのアプリケーションに先行者利益をもたらします。他の企業にとっても、独自の特徴を組み合わせて、ますます均質化する大規模モデルのサービスやトレーニング プロセスの中で目立つようにすることもできます。
Wang Suwen: この問題は、実際には 2 つの核心点に要約されます。賢明な顧客サービス企業は、利益を上げて粗利益率を高める方法を検討する必要があります。これを達成するには、まず 2 つの側面に焦点を当てる必要があります。まず、ビジネスを長期的に発展させるためには、顧客を満足させる高品質でインテリジェントな顧客サービスを提供する必要があります。したがって、ユーザーエクスペリエンスと満足度を向上させるためには、製品力やインテリジェント効果の向上など、製品の効果に注意を払うことが非常に重要です。第二に、効率の向上に重点を置き、産業連関比率の問題を考慮し、コストを削減し、プロジェクトの粗利率を高めます。プロジェクトのデリバリと運用効率の向上が鍵であり、製品の満足度、展開と実装の効率、顧客のビジネス システムとの迅速な統合と運用コンテンツのドッキングを考慮する必要があります。収益性を達成し、持続可能な開発を維持するには、プロジェクトの粗利率を向上させるための完全な実施方法と運用ツールが必要です。
スマートカスタマーサービス企業は、垂直分野の専門メーカーと汎用メーカーの 2 つのカテゴリーに分類できます。垂直分野のスマート カスタマー サービス ベンダーは、電子商取引や保険などの特定の分野に焦点を当てており、その利点と障壁は、業界への集中、業界のナレッジ マップとデータの継続的な最適化、特別なソリューションと核となる競争力の提供にあります。中関村科進は対話型 AI ソリューション プロバイダーであり、金融、官公庁、小売などの業界に重点を置いており、900 社以上の業界リーダーにサービスを提供し、豊富な業界知識を蓄積してきました。また、業界での競争力を強化するために、汎用および大規模ドメイン モデルの立ち上げ、対話エンジンの統合によるインテリジェント カスタマー サービス、アウトバウンド コール ロボット、スパーリングおよび品質検査アシスタントなどの製品のアップグレードも計画しています。
次に、配信と業務効率の向上も重要です。製品の満足度は、プロジェクトの配信コストを削減するために非常に重要であり、効率的な展開と実装、および顧客のビジネス システムとの迅速な統合と運用コンテンツのドッキングにより、運用効率が向上します。プロジェクトの最大の粗利率を確保するには、一連の提供方法と運用ツールが必要です。そうすることで、長期的には利益を上げ、持続可能になるでしょう。
*AIGC は従来の顧客サービス スタッフを完全に置き換えることになりますか? *
Wang Chao: 実務家として、私は AIGC の見通しについて楽観的ですが、後任の問題にはさまざまな視点が関係します。 1 つの視点は株式市場の観点からであり、顧客サービス産業の市場スペースは限られているため、AIGC が従来の人材に取って代わる可能性があると考えています。ただし、私はそれを漸進的な観点から考えることを好みます。
まず第一に、インテリジェントな顧客サービスには依然として人間による操作サポートが必要であり、オペレーターは従来の顧客サービスからインテリジェントな顧客サービスへの変革プロセスにおいて依然として重要な役割を果たしています。第二に、将来の操作モードは変更される可能性があり、インテリジェントな顧客サービスと手動操作担当者の協力によって新しい操作モードが形成されます。このモデルでは、少数のオペレーターがインテリジェントな接客ロボットを携行し、低コストで高品質な24時間サービスを提供できるため、より多くの小規模・零細企業が新たな方法で顧客サービスを提供できるようになり、市場規模が拡大します。つまり、漸進的な観点から見ると、スマート カスタマー サービスは従来のカスタマー サービスを完全に置き換えるのではなく、それを補完し、市場に新たな機会と開発の余地をもたらします。
Wang Suwen: 近い将来、人間のカスタマー サービスが完全に置き換わることはありません。人間のカスタマー サービスには、複雑な思考や感情の問題に対処する独自の利点があるからです。特に、価値の高い顧客や潜在顧客への対応、顧客のコンバージョン率の向上においては、人間の顧客サービスが依然として重要な役割を果たしています。顧客獲得にはコストがかかるため、人間の顧客サービスを通じて取引を効率的にフォローし、確実にすることが多くの企業の要望となっています。したがって、人間の顧客サービスとインテリジェントな顧客サービスの関係は、相互に結合した協力モデルに近いものになります。企業は自社の状況に応じて人間的顧客サービスとインテリジェント顧客サービスの利点を考慮し、最適な顧客サービスモデルを策定する必要があります。
全体として、AIGC の将来の発展余地は広いと思いますし、業界全体もそれを認識しています。今後 2 ～ 3 年で、AIGC や ChatGPT などの技術が急速に発展し、エンタープライズ サービス業界全体の高度化が促進されるでしょう。インターネット産業もエンタープライズサービス産業も、サポート設備の改善を含む大規模なアップグレードと変化が起こるでしょう。現時点では、AIGC にはコンテンツの品質、投資コスト、データのセキュリティ、著作権などのいくつかの問題がまだ残っています。したがって、これらの問題を改善するには、より洗練された効果的なモデリング手法の探索を含む、より長期的な開発がさらに必要です。テクノロジーの進歩により、大型モデルの開発スペースは無限に広がると思います。
**Jia Haowen: **確かに、私たちは代替にあまり重点を置くべきではなく、将来もたらされる働き方やビジネスモデルの変化に焦点を当てるべきです。ビジネスを推進するプロセスでは、インプットとアウトプットの比率を測定する必要があります。特に顧客サービスの推進においては、ユーザーデータのプライバシーの保護、法令の遵守、およびシナリオを超えて、クロスシナリオを考慮する必要があります。業界擬人化サービス。大規模モデルは従来の顧客サービス担当者に高い価値をもたらし、質的な変化をもたらしますが、人間の顧客サービスを置き換えることを意味するものではありません。全体として、大型モデルは現時点ではいくつかの問題を抱えていますが、将来的には大きな期待を持っています。文学的に言えば、近い将来、大型模型の開発が夢から現実に変わり、それを私たちが直接体験できるようになるでしょう。