- Topic
2k Popularity
4k Popularity
32k Popularity
29k Popularity
496 Popularity
111k Popularity
26k Popularity
26k Popularity
7k Popularity
14k Popularity
- Pin
2k Popularity
4k Popularity
32k Popularity
29k Popularity
496 Popularity
111k Popularity
26k Popularity
26k Popularity
7k Popularity
14k Popularity
AIGC, akıllı müşteri hizmetlerinde nasıl "yeni bir devrim" başlattı?
Kaynak: bilgi
Yazar: Li Dongmei
ChatGPT'nin altında yatan teknik mantıkla birleştiğinde, ChatGPT'nin kısa ve orta vadede endüstrileşmesi için kabaca dört yön vardır: akıllı müşteri hizmetleri, metin modunda AIGC uygulamaları, kod geliştirmeyle ilgili işler ve görüntü oluşturma. Bunlar arasında doğrudan uygulama için en uygun proje, akıllı müşteri hizmetleri çalışmasıdır.
Büyük model teknolojisine dayalı akıllı müşteri hizmetleri, geleneksel insan-bilgisayar etkileşim sürecini temelden değiştiriyor. insan-bilgisayar etkileşimi algısı ve niyeti Anlama, süreç oluşturma ve bilgi üretimi gibi operasyonel içeriğin verimliliği.
Yalnızca ürün penetrasyon oranı açısından bakıldığında, akıllı müşteri hizmetleri son yedi veya sekiz yıl gibi erken bir tarihte e-ticaret, finans ve diğer alanlarda kademeli olarak popüler hale geldi. Büyük modelin getirdiği iki temel değişiklik, biri akıllı müşteri hizmetleri ürünleri geliştirme maliyetinin büyük ölçüde düşürülmesi, diğeri ise kullanıcı deneyiminin iyileştirilmesidir.
Öyleyse, LLM geniş dil modelini akıllı müşteri hizmetleri ürünleriyle birleştirmek veya ilkini ToB SaaS uygulama yazılımı alanına koymak istiyorsanız, bir teknoloji yığını oluşturmaya nasıl başlamalısınız? Büyük ölçekli model ürünler, akıllı müşteri hizmetleri ürünlerini nasıl güçlendirecek? "A Date with Geeks"in bu sayısında, özellikle buqituo Network Technology'nin kurucusu ve CTO'su olan Xu Wenhao'yu moderatör olarak ve Huayuan'ın bilgi işlem teknolojisi direktörü Jia Haowen'i ve ortak olarak davet ettik. dijital insan ticareti departmanı başkanı ve akıllı etkileşim araştırma ve geliştirme müdürü Zhongguancun Kejin Wang Suwen, Zhongguancun Kejin akıllı müşteri hizmetleri teknik ekibi başkanı ve JD Yunyanxi KA ürünü başkanı Wang Chao, uygulama ve gelecekteki geliştirme trendini tartıştı AIGC'nin akıllı müşteri hizmetleri ürünlerinde.
Röportajın transkripti aşağıdadır.
Wang Chao: AIGC'nin ortaya çıkışı, tüm akıllı müşteri hizmetleri alanında yaygın bir endişe uyandırdı ve ilgili meslektaşları pek çok araştırma yapmaya sevk etti. Akıllı müşteri hizmetlerinin bilişi ve gelecekteki değişiklikleri ile ilgili olarak, bu bilişsel değişiklikler her geçen gün değişmektedir.
JD Cloud Yanxi ekibi, yurtiçinde ve yurtdışında akıllı müşteri hizmetleri uygulamalarının ilerlemesine büyük ilgi gösteriyor. Ayrıca geliştirmekte olduğumuz Yanxi büyük ölçekli modeli Temmuz ayında piyasaya sürülecek ve ayrıca müşteri hizmetleri işinde çeşitli büyük ölçekli model deneyleri yapmaya devam ediyoruz. Son aylarda, AIGC ile ilgili kişisel anlayışım 3 ay öncekinden tamamen farklıydı, bu nedenle bugün paylaşmak istediğim görüşler daha kişisel görüşleri ve güncel görüşleri temsil ediyor.
AIGC'nin akıllı müşteri hizmetleri üzerindeki etkisi iki düzeyde görülebilir. İlk olarak, sektörümüzdeki yaygın yönetim sorunları ve teknik zorluklar açısından bakıldığında, AIGC bunları çözme potansiyeline sahiptir. Büyük modellerin akıllı müşteri hizmetlerinin yanıt düzeyini, antropomorfizmi ve hizmet deneyimini büyük ölçüde iyileştireceğini ve işletme maliyetlerini büyük ölçüde azaltabileceğini hepimiz biliyoruz.
Robotik açısından çok fazla tartışılması gerektiğini düşünmüyorum çünkü zaten robotlara çok fazla ilgi gösterdik. Büyük modelin, akıllı müşteri hizmetleri yönetimi doğrultusunda doğrulama bilgileri başta olmak üzere çok çeşitli akıllı müşteri hizmetleri alanlarında kullanıldığını söylemek istiyorum. Örneğin, bizim akıllı yardım uygulamamızda, önceki bazı teknolojiler bazı önemli noktalar önerdi ve konuşmalarda önemli bilgileri çıkardı.Çözümler olmasına rağmen, maliyet ve etki arasında iyi bir denge elde etmek genellikle zordur. Ancak, büyük modelin doğrulanmasıyla, bu problemlerle başa çıkmada iyi bir çözme kabiliyetine ve potansiyeline sahip olduğunu bulduk. Ayrıca kalite kontrol çalışmaları için, sektörde yaygın olarak kullanılan anahtar kelime düzenleme veya akıllı kalite kontrol yöntemleri gibi yöntemlerin belirli etkileri vardır, ancak doğruluk oranı genellikle düşüktür, iş yükü de ağırdır ve doğruluk oranını iyileştirme süresi uzundur. uzun. .
Ancak, büyük modellerle pratik yaparak, soyut KK kriterlerini anlamak ve KG işini gerçekleştirmek için iyi çalıştığını gördük. Ayrıca, çalışan eğitimi açısından, eğitim için diyalog robotlarını tanıtan önde gelen bankalardan bazı örnekler gördük. Yukarıdakilere ek olarak, müşteri hizmetleri merkezinde de iş analizi yapıyoruz ve müşteri ihtiyaçları, müşteri portreleri ve müşteri danışmanlığındaki riskler hakkında bilgileri özetlememiz gerekiyor.Denemede, büyük modelin etkisi de çok iyi. Pan-smart müşteri hizmetleri alanında büyük modellerin uygulama potansiyelinin çok büyük olduğunu düşünüyorum. Yaklaşık altı ay içinde, piyasadaki ana akım ürünlerin önemli bir yükseltmeye öncülük edeceğine inanıyoruz.
Sektör ve etki alanı hakkında şu anda anlaşılanlara dayanarak, daha geniş alanın değişmek üzere olup olmadığını keşfedebiliriz. Örneğin, müşteri hizmetlerine ve müşteri hizmetlerine ne gibi değişiklikler getirebilir? Bence bu soru daha zorlu olabilir ve bu aşamada hiç kimse belirli değişiklikleri tam olarak belirleyemez. Ancak en azından proaktif hizmetler gibi bazı yönlerde büyük bir fark yaratacağına inanıyoruz. Örneğin e-ticaret firmaları genellikle çeşitli faaliyetler yürütür ve faaliyetlerin tanıtılması ve anlatılması işi genellikle müşteri hizmetleri merkezine düşmez. Çünkü bu kadar geniş bir faaliyet yelpazesini manuel ya da geleneksel makine yöntemleriyle gerçekleştirmek oldukça zordur. Ancak müşteri hizmetlerimizin, büyük bir modelin tanıtılması ve aktif dönüşüm ve yükseltme açısından gelecekteki müşteri hizmetlerinin olası potansiyelini temsil eden temel bilgilerin girişi yoluyla birçok etkinliği iyi açıklayabildiği bir gelecek hayal edebiliyoruz.
Wang Suwen: Az önce de belirtildiği gibi, akıllı müşteri hizmetlerinin kapsamı çok geniştir. Akıllı müşteri hizmetleri ve robotlar gibi teknolojiler, geleneksel insan-bilgisayar etkileşim sürecini gerçekten değiştirebilir. Büyük modellerin kullanılmasıyla, özellikle diyalog süreçlerinin otomatik olarak oluşturulmasıyla, geleneksel akıllı müşteri hizmetlerinin işleyişi daha verimli hale getirilebilir. Geleneksel şekilde, genellikle bilgi tabanını manuel olarak yapılandırmamız gerekir, ancak bunun etkisi açık değildir. Bununla birlikte, karmaşık sorunları çözme yeteneği ve soruların doğrudan yanıtlanma oranı, önemli ölçüde yıkıcı bir etki olan büyük modeller aracılığıyla diyalog süreçlerinin otomatik olarak oluşturulması yoluyla doğrudan geliştirilebilir.
İkinci nokta, büyük modellerin maliyetleri düşürme ve verimliliği artırma hedeflerine de ulaşabilmesidir. İstihbarat açısından, insan destekli makineler gerektirdiği için işçilik maliyetleri her zaman nispeten yüksek olmuştur. Büyük modellerin uygulanması yoluyla, bilgi tabanının oluşturulması ve işletilmesinin verimliliğini artırmaya yardımcı olabilir, böylece önemli bir maliyet azaltma ve verimlilik artışı etkisi elde edilebilir.
Üçüncü nokta, robotun antropomorfizmi ve kullanıcı deneyimi ile ilgilidir. Geleneksel robotlar genellikle bu şekillerde yetersiz kalıyor. Bununla birlikte, büyük modellerin ortaya çıkması, diyaloğu daha pürüzsüz, daha antropomorfik ve insandan insana daha çok benzer hale getirir. Bu çok güçlü bir yıkıcı etkidir.
Elbette, kalite denetimi, asistanlar ve fikir tartışması da dahil olmak üzere genel müşteri hizmetleri için büyük modelin aynı zamanda yıkıcı bir etkisi olacaktır ve farklı ürünlerin farklı etkileri olacaktır.
**Jia Haowen:**Bu soruyu yanıtlamadan önce akıllı müşteri hizmetleri alanına geri dönmek istiyorum. Akıllı müşteri hizmetlerinin gelişimi, dil birikimine dayanan yapay zeka tarihine kadar izlenebilir. Yaklaşık on yıl öncesini hatırlıyorum, çalışma saatlerinin çoğunu kullanıcı sorunlarını çözmekle geçiren müşteri hizmetleri görevlileriyle dolu birkaç kat vardı. O zamanlar, iki öğretmenin bahsettiği bilgi tabanı gibi araçlar bile tam değildi.
Şimdi geriye dönüp baktığımızda, Alipay ve diğer müşteri hizmetleri ürünleri, başlangıçtaki bilgi tabanından daha sonraki kıdemli asistanlara kademeli olarak genişledi ve çok sayıda diyalog senaryosunu simüle etmek için Rasa çerçevesi gibi araçlar türetti. Ancak, iki öğretmenin az önce söylediği gibi, tüm bu diyaloglar hala kişileştirmeden yoksundur. Önceki tüm müşteri hizmetleri araçları, bilgisayar endüstrisi standardı testlerinde esasen başarısız oldu. Ancak büyük modeller, özellikle ChatGPT veya Vicuna gibi şeyler ortaya çıktığında, belki 10 veya 11 yaşındaki bir çocuk düzeyinde de olsa, bir kişilik düzeyine sahip olurlar. Bir bakıma Turing testini geçebiliyorlar.
Şimdi bir önceki sorunuza dönersek, akıllı müşteri hizmetleri ile dijital insanın birleşimi bazı yenilikleri beraberinde getirecektir. Dijital insan alanının ilk aşamasında, insanlarla bilgi tabanlarına ve büyük modellere dayalı antropomorfik Soru-Cevap gerçek zamanlı olarak tamamlanamaz. Bununla birlikte, teknoloji genişledikçe, gerçek sahneleri simüle etmek için büyük modellerle birleştirilen antropomorfik figürler elde edebildik. Bunu bilgi tabanları, müşteri hizmetleri ve dijital çalışanlar gibi senaryolara uyguladığımızda, dijital insanlar alanı iki zorlukla karşılaşabilir. Birincisi, verilerin tamlığıdır.ChatGPT ve benzerleri harika görünseler de, esasen geçmiş tarihsel verilere dayalı olarak üretilirler, cloze üretimine benzerler. Bu yaklaşım verimliliği artırırken ve komut dosyası oluşturma maliyetlerini düşürürken, üretilen içeriğin kalitesi neredeyse kontrol edilemez. Dijital insan ve akıllı müşteri hizmetleri gibi kapsamlı alanların çıktı içeriklerinde, üretilen içerikten tam olarak emin olamayız. Bu nedenle, dijital bir insanın veya ChatGPT'nin vb. söylediklerinin anlamsız sözlerden çok bir insan konuşmasına benzediğinden emin olmak için farklı doğrulamalar ve güvenlik önlemleri uygulamamız gerekebilir.
Özetlemek gerekirse, büyük model şu anda nispeten popüler olsa ve gelecek beklentileri de parlak olsa da, mevcut aşamada hala 0'dan 1'e bir durumda. Gelecekte, onun yükselen bir ağaç olmasını bekleyebiliriz, ancak şimdi, ister tüm endüstri için olsun, ister herkesin ondan beklentisi olsun, daha iyi bir toprakta yavaş yavaş büyümesine izin vermek ve gerçekten yapabilmek gerekiyor. akıllı müşteri hizmetleri sağlayın. , Dijital insanlar gibi alanlara verimlilik iyileştirmeleri getirin.
Jia Haowen: Büyük bir modelin tanıtılıp tanıtılmayacağı, belirli iş senaryolarına ve kullanıcı ihtiyaçlarına bağlıdır. Büyük ve olgunlaşmış sistemlere sahip Ant Financial veya JD.com gibi büyük şirketler için körü körüne büyük bir modeli tanıtmak ek maliyetleri artırabilir. AI tarafından üretilen içeriğin neden olduğu belirsizliği önlemek için bazı uyumluluk önlemleri almamız gerekiyor. Daha küçük şirketler için, bilgi tabanlarına ek olarak büyük modelleri kullanmak ve bir dereceye kadar insan incelemesi yapmak, verimliliği artırmanın iyi bir yolu olabilir. Akıllı müşteri hizmetlerinin, kullanıcının anlamını daha iyi anlamasına, bilgi tabanının kalitesini iyileştirmesine ve hatta kullanıcı deneyimini iyileştirmesine yardımcı olabilir. Ek olarak, bilişsel zeka gibi daha üst düzey uygulamalar için büyük modellerin tanıtılması, kullanıcıları daha iyi anlamaya ve tanımaya yardımcı olabilir. İnternet sektöründe "binlerce insan, binlerce yüz" diye adlandırılan önemli bir kavram vardır ki bu da her müşteri hizmetinin kişiye özel hizmetler sunabilmesi anlamına gelmektedir. Bu nedenle, geniş bir modeli diyalektik bir bakış açısıyla tanıtıp tanıtmayacağımıza bakmamız ve belirli koşullara dayalı kararlar almamız gerekiyor.
**Wang Chao: **Büyük şirketlerin C-end ürünlerde dikkatli bir şekilde büyük modeller uygulaması, müşteri deneyimi ve hizmet güvenliğini sağlama düşüncesi dışındadır. Tüketiciyle karşı karşıya olan bir işte dikkatli olmak çok önemlidir. Bu bağlamda, hem doğrulama hem de deneyler büyük bir dikkatle ilerlemektedir.
İş odaklı veya operasyon odaklı alanda, deneme ve doğrulama konusunda daha "cesur"sunuz. Yaratıcılık ve verimlilik sorunlarını çözmek için operasyonlara iyi destek sağlayan metin yazarlığı ve komut dosyaları oluşturma operasyonlarına yardımcı olmak için büyük ölçekli modeller sunuyoruz. Ayrıca kalite kontrol, yardım ve eğitim gibi çalışan yönetimi yönünde de oldukça aktiftir.
Büyük model "sadece gerekli" mi yoksa "trendleri takip et" mi?
Wang Chao: Büyük modellerin uygulanması farklı çalışma projelerinde farklı davrandığından, bu sorunla ilgili henüz özel hesaplamalar yapmadık. Örneğin, komut dosyası oluşturma ve metin yazarlığı konusunda birkaç kat daha hızlı olabilir. Ancak, günlük analiz ve kalite kontrol yapısı açısından, etki durumdan duruma değişebilir. Bu nedenle, mevcut aşamada, doğru bir sonuç çıkarmak ve ölçmek bizim için zor, ancak büyük modellerin uygulanmasının gerçekten verimliliği artırdığından eminiz.
Wang Suwen: İş alanımızda ağırlıklı olarak ToB pazarını hedefliyoruz ve finans ve sigorta sektörleri gibi çeşitli alanlardaki müşterilere hizmet veriyoruz. Bu müşterilerin, maliyetleri düşürmeye ve verimliliği artırmaya yönelik teşvikler de dahil olmak üzere, yenilik açısından çeşitli ihtiyaçları vardır. Müşterilerle bazı ortak oluşturma işbirlikleri yürüttük ve onları doğruladık. Örneğin, bir müşterimiz için otomatik olarak bazı kopyalar oluşturan bir pazarlama asistanı oluşturduk. Geleneksel olarak, pazarlama becerileri açısından standardizasyon ve birlik eksikliği de dahil olmak üzere her çalışanın seviyesi eşit değildir. Pazarlama asistanımız aracılığıyla, önce birleşik bir kopya oluşturmalarına ve tarihteki mükemmel deneyime dayanarak kopyalamalarına yardımcı olabiliriz. İkincisi, maliyetleri azaltmak ve verimliliği artırmak, artık eğitim, öğrenme ve hafıza için çok fazla zaman harcamalarına gerek yok. Büyük modellerimiz endüstride yaygın olarak kullanılmaktadır.
Ayrıca bazı soruları doğrudan yanıtlayabilen telefonla pazarlama botları da geliştirdik. Elbette, ilgili yasalara uymak ve veri güvenliğini korumak da dahil olmak üzere uyumluluk konularını dikkate almak zorundayız. Bu standardizasyon sorunlarını çözmek için Xinchuang Enstitüsü ile birlikte çalışıyoruz.
Wang Chao: Dijitalleşme dalgasının etkisiyle, finansal kurumların akıllı müşteri hizmetleri uygulamasını gerçekleştirmesi daha kolay. Finans alanında, akıllı müşteri hizmetleri yaygın bir şekilde kullanılmış ve finans kuruluşlarının en yaygın ürünlerinden biri haline gelmiştir. Finansal kurumlar için, akıllı müşteri hizmetlerinin temel ihtiyaçları, insan kaynaklarını sıkıcı işlerden kurtarabilen maliyetleri azaltmak ve verimliliği artırmaktır. Akıllı müşteri hizmetleri, özellikle otomatik soru-cevap, bazı sık sorulan sorular için bildirim ve tekrar ziyaretler gibi iş senaryolarında, insan kaynaklarından tasarruf sağlayabilir ve tekrarlayan, sık ve düşük değerli işler yerine daha profesyonel ve yaratıcı işlere odaklanmalarını sağlayabilir. . Yüksek net değerli müşteriler geliştirmek ve sürdürmek için yatırım yapacak kaynaklara sahip olmalarını ve daha değerli görevleri yerine getirmeye daha fazla odaklanmalarını sağlayın. Ayrıca, büyük modellerin ortaya çıkması gibi yeni nesil temel atılımlarla, akıllı müşteri hizmetleri de güçlü doğal dil oluşturma yetenekleri elde ederek onu daha akıllı ve verimli hale getirebilir.
**Jia Haowen: **Finans alanının yanı sıra sigorta, hukuk ve sağlık gibi dikey alanlarda da büyük modellere talep var. Özellikle kurumsal bir bakış açısıyla, bilgi üretme ve çıkarma ihtiyacı giderek daha belirgin hale geliyor. Bankalar veya sigorta şirketleriyle konuştuğumuzda veya hukukçularla sorunları tartıştığımızda, sağladıkları bilgilerin doğası gereği gerçeklere dayalıdır. Büyük model sayesinde, kullanıcının sorusunun amacını daha iyi belirleyebilir ve kümeleme veya bölme işlemini gerçekleştirebiliriz.
Bay Wang Su'nun dediği gibi, finans, sigortacılık ve hukuk gibi sektörler, verimliliği artırmak için büyük bir potansiyele sahiptir.Bu, maliyetleri düşürme ve verimliliği artırma sürecidir. Kişisel bakış açıma göre bu, özellikle verimlilik açısından katı bir ihtiyaç. Bununla birlikte, finans, sigorta ve hukukla ilgili işler oldukça hassas olduğundan ve güçlü derecede uzmanlık gerektirdiğinden, bu sektörler aşırı agresif bir yaklaşım benimsemeyebilir. Bu bağlamda, büyük modeller tarafından üretilen sonuçların olgunluk değerlendirmesi olan bir başka konu ortaya çıkmaktadır. GPT-4 gibi büyük modeller Amerika Birleşik Devletleri'ndeki bazı profesyonel sınavlarda iyi performans gösterse de, Çin'deki ilgili sınavları, özellikle Çince gibi daha fazla araştırma gerektirebilecek büyük ve karmaşık anlamsal bağlamda geçip geçemeyeceği hala bir sorundur. Araştırma. Bu bağlamda şirketimiz, bu özel alana daha iyi çözümler sağlamak için yasal dikey alanın büyük bir modelini yayınlamak üzere Temmuz ayında Zhejiang Üniversitesi ile işbirliği yapmayı planlıyor.
Wang Chao: İster e-ticaret ister finans sektörü olsun, akıllı müşteri hizmetleri için gereksinimlerin çok katı olduğunu düşünüyorum. Ek olarak, e-ticaret akıllı müşteri hizmetleri için büyük promosyon dönemi ve günlük danışmanlık çok etkileyici. JD.com'daki ekibimizin kendi kendine yürüttüğü işinde, yoğun dönemde günlük danışma hacmi %70 ve %90'dır. Danışma hacminin bu %70'lik kısmı şimdiden çok değerli. Bu mantığın bankalar gibi çeşitli kurumlar için de geçerli olduğuna inanıyorum. Bazı bankaların akıllı müşteri hizmetleri yeteneklerinin hala yetersiz olduğunu da fark ettik. Bu nedenle, akıllı müşteri hizmetlerinin olgunluğunu nasıl geliştireceğimizi düşünmemiz ve işletmenin veya bankanın gelişim aşamasına uyum sağlaması gerekiyor. Şu anda birçok banka, akıllı müşteri hizmetlerinin başlangıç aşamasında olup, esas olarak SSS'ye ve basit çok yönlü diyalog oluşturmaya odaklanırken, hizmet yetenekleri ve kullanıcı deneyimi henüz tatmin edici bir düzeye ulaşmayabilir.
E-ticaret alanındaki tecrübemize dayanarak, bankanın akıllı müşteri hizmetlerinin, özellikle büyük ölçüde yükseltilmesi gereken işletim sisteminde daha da geliştirilmesi gerektiğine inanıyoruz. Örneğin, işletim sistemimizin reformu üzerinde büyük etkisi olan hizmet standartları ve becerileri açısından tabandan müşteri hizmetlerinin yapay seviyelere yakın olmasını şart koşuyoruz. Ancak, bankalarla işbirliği sürecinde, birçok bankanın akıllı müşteri hizmetleri oluşturmada zorluklarla karşılaştığını gördük. Teknoloji tedarikçileri ve bankalar arasındaki iş birliği, bizim iş birliği modelimizden farklı olarak Taraf B ile Taraf A arasındaki ilişkiye daha çok benziyor. Bankalar ile bizim ihtiyaçlarımız arasında organizasyon yapısı ve personel eğitimi açısından hala bir boşluk var. Birçok bankacılık ortağımızla konuştuk ve geliştirme metodolojimizle aynı fikirde olduklarını ancak aynı zamanda bunu zor bulduklarını gördük. Bankalar için dahili reformları ilerletmek karmaşıktır ve daha fazla çaba gerektirir. Büyük modelin bir fırsat olduğuna inanıyorum, çünkü akıllı müşteri hizmetlerinin operasyonel zorluğunu azaltabilir ve organizasyon yapısını basitleştirebilir.
Wang Suwen: Bence bu üç açıdan ele alınabilir: kişileştirme, insanlaştırma ve bireyselleştirme.
Birincisi antropomorfizmdir. Akıllı müşteri hizmetleri alanında, antropomorfizm her zaman sorunlu bir nokta olmuştur çünkü bu alandaki geleneksel robotların performansının iyileştirilmesi gerekmektedir. İnsanbiçimli diyalog etkileşimlerinin nasıl kurulacağını araştırıyoruz. Bu, durumsal diyalogların nasıl tasarlanacağını, problemlerin nasıl ayrıştırılacağını, bağlamın nasıl miras alınacağını ve çoklu diyalog turlarının nasıl anlaşılacağını içerir. Genel olarak, robotların daha alakalı ve doğal konuşma ve etkileşim biçimleri sağlayabileceğini umuyoruz.
Bunu insan hizmetleri takip eder. Sahneyi veya niyeti doğru bir şekilde tanımlama temelinde, hizmeti antropomorfizm temelinde daha da geliştirmemiz gerekiyor. Çok modlu duygusal bilgi işlemin bu amaca ulaşmak için etkili bir yol olduğunu düşünüyorum. Örneğin şirketimiz, duygusal bilgi işlemle birlikte insan-bilgisayar etkileşimli diyalogları yürütebilen ve video, ses ve metin gibi multimedya yöntemleri aracılığıyla kullanıcının duygusal ifadelerini tanıyan sanal bir dijital insan müşteri hizmeti geliştirmiştir. Bu şekilde, akıllı müşteri hizmetleri kullanıcılara karşılık gelen duygusal geri bildirimi verebilir, duygusal anlayış ve sıcaklıkla insan-bilgisayar etkileşimi yaratabilir ve daha insancıllaştırılmış hizmetler gerçekleştirebilir. Duygusal bilgi işlem açısından, geleneksel yöntemlerin iki modu vardır: kurallar ve makine öğrenimi. Makine öğrenimi sayesinde, farklı alan ve bağlamlara daha iyi uyum sağlamak için modelleri otomatik olarak duygusal durumları öğrenecek ve sınıflandırma standartlarına ulaşacak şekilde eğitebiliriz. Bu sayede daha iyi duygu ifade etkileri elde edilebilir ve daha insancıllaştırılmış hizmetler sunulabilir.
Son olarak, kişiselleştirilmiş hizmet var. "Binlerce yüze sahip binlerce insan" etkisini elde etmek için kullanıcının portresine dayalı kişiselleştirilmiş hizmetler uygulamamız gerekiyor. Örneğin, geçmiş konuşmalar sırasında temel kullanıcı portresi bilgileri ve içgörü analizi aracılığıyla kullanıcıları işaretleyebilen ve portreler biriktirebilen bir kullanıcı içgörü platformu geliştirdik. Takip diyalogunda, daha doğru kişiselleştirilmiş hizmetlere ulaşmak, kullanıcıların ve işletmelerin memnuniyetini artırmak için kullanıcının portresine göre farklı diyalog süreçleri, yanıt yöntemleri ve öneriler sağlayabiliriz.
Wang Chao: Deneyimi ve kişiselleştirilmiş hizmeti geliştirmeye çok fazla yatırım yaptık. Yanxi ekibi tarafından geliştirilen duygusal zekaya sahip müşteri hizmeti, endüstrinin ilk büyük ölçekli ticari duygusal zekaya sahip müşteri hizmetidir. 2018'den beri, robot tepki yeteneğinde duygu tanıma ve tepki verme yeteneğini tanıttık. Bu teknoloji sadece müşteri hizmetleri alanında değil, kalite kontrol ve personel yönetimi hizmetlerinde de kullanılmaktadır.
Bu soruyu cevaplamak iki yönü içerir. Birinci yön, mevcut akıllı müşteri hizmetleri teknolojisinin ana gelişme yönleri olan çok yönlü diyalog gibi en son teknolojiler gibi teknolojidir. Diğer bir önemli yön operasyondur, yani ayrıntılı olay yeri sökümünün nasıl yürütüleceği, insan-makine farklılıklarının nasıl analiz edileceği ve insan müşteri hizmetleriyle kıyaslama yoluyla izleme ve araç sistemleri yoluyla insan-makine hizmet farklılıklarının otomatik sorun keşfi ve karşılaştırmasının nasıl gerçekleştirileceği. Bu şekilde, genel deneyim ve kitle hizmeti deneyiminin genel fark analizinden rafine kalabalık hizmeti deneyimi analizini kademeli olarak gerçekleştiriyoruz. Böyle bir sistemle, genel hizmet deneyimini optimize etmeye devam edebilir ve son olarak promosyon döneminde JD.com'un mevcut günlük makine alım hacminin %70 ve %90'lık makine hizmet kapsamını gerçekleştirebiliriz.
**Jia Haowen:**Bu akşamki canlı yayının teması, dijital insan müşteri hizmetleri anlayışı ve büyük modeller hakkında. İster manuel müşteri hizmeti ister SSS olsun, geleneksel müşteri hizmetleri anlayışımız, düşük kaliteli akıllı müşteri hizmetleri olarak kabul edilebilir. Kullanıcılar olarak, müşteri hizmetlerinin yetkin olmasını ve sorunların çözümünde yardım sağlayabilmesini bekliyoruz. Aynı zamanda müşteri hizmetleri antropomorfik özellikler gösterebilir ve kişiselleştirilmiş hizmetler sunabilirse kullanıcı deneyimi daha iyi olacaktır.
Büyük modeller alanında antropomorfizm ve kişileştirme çok önemlidir. Şirketimiz daha çok bilişsel zeka ve psikoloji araştırma yönüne eğilimlidir. Daha iyi hizmet verebilmek için kullanıcıların psikolojik etiketlerini hızlı bir şekilde nasıl elde edeceğimize ve kullanıcıları psikolojik bir bakış açısıyla nasıl değerlendireceğimize odaklanıyoruz. Marvel filmi "Iron Man"deki Jarvis gibi bir sahne hayal edebiliriz. Gelecekteki büyük modelin, o günkü ruh halimize ve tercihlerimize göre en uygun cevapları ve tavsiyeleri verebilecek bir asistan gibi olabilmesi ideal bir durum olacaktır.
Şu anda, büyük modeller ve dijital insanların kombinasyonu üzerine yapılan araştırmalarda henüz başlangıç aşamasındayız. Ancak multimodalite alanında akademik araştırma sonuçlarının ortaya çıkması ile daha iyi ve daha düşük maliyetli bazı deneyim ürünleri ortaya çıkabilir.
Jia Haowen: Yüksek kaliteli bir diyalog sistemi oluşturmak istiyorsak, bu aslında geleneksel İnternet proje onayı meselesini içerir. Bu süreçte iş ürün mimarisi seçimini, teknik mimariyi ve ürünün gerçek iniş şeklini dikkate almamız gerekiyor. Aynı zamanda, birçok büyük kuruluşun veya orta ölçekli kuruluşun halihazırda birçok müşteri hizmetleri ürününe sahip olduğunu da hesaba katmamız gerekir. Bu mevcut müşteri hizmetleri ürünlerinin yeteneklerini büyük modeller aracılığıyla geliştirmek istiyorsak, daha muhafazakar bir yaklaşım benimsememiz gerekebilir. Örneğin, büyük modeller, bilgi girişi sağlamak için harici bir bilgi tabanı aracı olarak kullanılabilir. Az önce bahsedilen mimari yöne geri dönersek, hem ürün mimarisi hem de alet seçimi önemli hususlardır. İlk giriş noktası için, anahtar sözcük etiketleme sistemleri ve geleneksel düzenli ifadeler gibi araçlar kullanılabilir. Ancak bu paradigmanın özel seçimi için genel bir standart paradigma yoktur, çünkü her işletmenin özelliği ile ilgilidir.
Jia Haowen: Sorunun kapsamını daraltıp daha verimli ve yüksek kaliteli akıllı müşteri hizmeti içeriği çıktısı sağlamaya odaklanırsak, büyük modeli gelişmiş bir diyalog hizmeti olarak görebiliriz. Akıllı müşteri hizmetleri ürünlerinde, kullanıcıların karşılaşmayı umdukları şey akıllı, empati kurabilen ve iletişim kurabilen bir robottur.Aynı zamanda, yanıtların içeriğinin müşteri hizmetleri pazarlaması ve diğer senaryolar gibi belirli iş alanlarına odaklanabileceğini umarlar. Bu durumda, büyük modelin amaç tanıma, diyalog akışı ve çok turlu diyalog yeteneklerini geleneksel SSS gibi harici veri kaynaklarıyla birleştirebiliriz. Bu, ziyaretçi soru verilerini özetlemek ve bunları kullanıcı sorularıyla karşılaştırmak ve hatta geleneksel akıllı robotları, sesi desteklemek için kullanıcılar soru sorarken büyük miktarda özelleştirilmiş veri girmek gibi tüm dil işleme sürecini birleştirmemiz gerektiği anlamına gelir. robotlar ve içerik Harici bilgi tabanlarının yetenekleri. Bu kombinasyon sayesinde, kullanıcı deneyiminin verimliliği kısa sürede önemli ölçüde iyileştirilebilir. Ayrıca, antropomorfik yeteneklerin geliştirilmesini düşünebiliriz, ancak diyalog sistemi yeteneklerini yükseltmek isteyen şirketler için zorluklar daha yüksek olabilir, bu nedenle bunları dikkatli bir şekilde tanıtmanız önerilir. Bir giriş noktası olarak, büyük modelleri dış bilgi girişinin bir parçası olarak düşünmek, düşük maliyetli ve hızlı bir giriş noktası olabilir.
Büyük modellerin diyalog kalitesi nasıl geliştirilir
Wang Suwen: Diyalog sisteminin kalitesini iyileştirmek için aşağıdaki noktaları dikkate alabiliriz.
Veri etiketleme maliyetlerinin azaltılması: Geleneksel veri etiketleme yöntemleri, zaman ve kaynak maliyetleri getirecek olan çok sayıda manuel etiketleme gerektirir. Bu bağımlılığı azaltmak için, denetimsiz eğitim için büyük miktarda etiketlenmemiş verinin nasıl kullanılacağını inceleyebilir, böylece manuel olarak etiketlenmiş verilere olan ihtiyacı azaltabiliriz. Böyle bir yaklaşım, veri toplamanın verimliliğini artırabilir ve maliyetleri azaltabilir.
Genelleme yeteneğinin geliştirilmesi: Tek bir soruya cevap vermek yeterli değildir, diyalog sisteminin farklı senaryolara ve kullanıcı ihtiyaçlarına uyum sağlayabilmesi için belirli bir genelleme yeteneğine sahip olması gerekir. Dilin çeşitliliğini ve düzenliliğini öğrenerek, modelin genelleme yeteneğini geliştirerek daha fazla sorun ve durumla başa çıkabiliriz.
Diyalog modellerinin oluşturulması ve seçimi: Bir diyalog modeli seçerken, modelin farklı senaryolarda uygulanabilirliğini göz önünde bulundurmamız gerekir. Şu anda aralarından seçim yapabileceğiniz birçok büyük model var, bu nedenle daha yüksek doğruluk ve etki elde etmek için özel ihtiyaçlara göre uygun bir model seçmemiz gerekiyor.
Sürekli öğrenme ve optimizasyon: İlk çevrimiçi modelin etkisi mükemmel olmadığı için diyalog sistemi sürekli öğrenmeye ve optimizasyona ihtiyaç duyar. Sistem kendi kendini yineleme ve kendi kendini optimize etme yeteneğine sahip olmalı ve sürekli kullanım ve geri bildirim yoluyla etkiyi ve performansı kademeli olarak geliştirmelidir. Bu sürekli öğrenme ve optimizasyon süreci, müşterilerin ihtiyaçlarını karşılayabilir ve sistemi giderek daha akıllı ve verimli hale getirebilir.
**Wang Chao:**Bence bu sorunun anahtarı, müşteriler ve iş tarafları açısından olduğu kadar, platform ürün geliştiricileri ve tasarımcıları olarak bizim bakış açımızdan da aynı hedefi işaret ediyor. Hangi açıdan bakılırsa bakılsın, hizmet sunumunda işletmenin temel ihtiyaçlarına ve akıllı müşteri hizmetleri sisteminin beklentilerine dikkat etmemiz gerekiyor. Farklı hizmet formları ve modelleri altında, ürünün teknik mimarisi ve tanıtılan teknik yetenekler farklı olabilir, ancak genel olarak çok fazla fark yoktur.
Örneğin, bazı iş tarafları için, robotların temel soru-cevap ve bilgi sorgulama yetenekleri sağlayabileceğini umabilirler.Şu anda, ihtiyaçları karşılamak için yalnızca bazı SSS'ler ve bazı basit diyalog araçları ve algoritma modelleri sağlamamız gerekebilir. . Bazı iş ortakları, robotların kendi adlarına işleri yürütme ve takip etme yeteneğine sahip olmasını ve hatta senaryo tabanlı diyalog hizmetleri ve tam refakat hizmeti sunmasını umuyorlar. Farklı müşteri gereksinimleri seviyelerine yanıt olarak, ürünleri tasarlamamız ve buna göre teknik mimari oluşturmamız ve ilgili yetenekleri tanıtmamız gerekiyor. Bu nedenle iş tarafını takip etmenin, istişare ile işletmeye yardımcı olmanın, işlerini derinlemesine kavramanın çok önemli olduğunu düşünüyorum. Farklı müşteri ihtiyaçlarına göre, ürün tasarımı ve teknik mimari inşaatı gerçekleştirin ve ihtiyaçlarını karşılamak için ilgili yetenekleri tanıtın.
Wang Suwen: ChatGPT veya benzeri büyük modelleri kullanırken, bunları aşağıdaki adımlara göre uygulayabilir ve dağıtabilirsiniz.
Model eğitimi ve ayarlama: Zhipu ChatGLM, Baichuan büyük modeli, vb. gibi piyasada bulunan açık kaynaklı büyük bir model seçin. Modelin performansını kendi ihtiyaçlarınıza ve işinize göre doğrulayın ve test edin. Etki alanıyla ilgili verileri toplayın ve bu verileri açık kaynaklı büyük modellerde alan eğitimi yürütmek için kullanın ve ayrıca yarı otomatik komut setleri oluşturabilirsiniz. Çok sayıda diyalog verisinin ince ayarını yaparak ve tarayarak, geniş alan modellerinin diyalog yeteneği geliştirilir. Modelin, teknik özelliklere ve değerlere göre güvenlik, ince ayar ve son işleme açısından gereksinimleri karşıladığından emin olun.
Model mühendisliği ve performans optimizasyonu: Üretken modeller için, model muhakemesinin hızını, kapasitesini ve sıkıştırmasını göz önünde bulundurun. Model, tek bir kart tarafından barındırılamayacak kadar büyükse, tek bir makinede birden çok kartla veya birden çok makinede birden çok kartla paralel muhakeme düşünülebilir. Daha iyi performans için basınç düşürme, sıkıştırma ve hızlanma dahil olmak üzere modellerde performans optimizasyonları gerçekleştirin.
Wang Suwen: Bir model seçerken herkesin kendi ihtiyaçlarına ve standartlarına göre ödün vereceğine inanıyorum. Her modelin kendine has özellikleri ve avantajları vardır. İş gereksinimlerimizde birden fazla modeli test ettik ve sonunda Zhipu ve Baichuan'ın iki büyük modelini seçtik çünkü Zhipu ve Baichuan'ın büyük modelleri ticarileştirmede belirli bir olgunluğa ulaştı. Kısa bir süre önce, sürekli olarak optimize ettiklerini ve yinelediklerini gösteren yeni bir model yayınladılar. Bu modellerin sürekli iyileştirilmesi ile bu büyük modellere dayalı alan modellerinin geliştirilmesinin daha iyi sonuçlar getireceğine inanıyorum.
**Jia Haowen:**Küçük ve orta ölçekli şirketler için sıfırdan geliştirme yapmak veya mevcut modellerde komut seti ayarı yapmak zor olabilir. Modeller genellikle tek bir grafik kartına veya makineye sığamayacak kadar büyüktür. Ek olarak, yapılandırılmış verilerin, özellikle belirli iş alanlarıyla ilgili verilerin toplanması da kritik öneme sahiptir. Çünkü ChatGPT'nin orijinal eğitim sürecinde, talimat seti ayarlama sürecinde modele ince ayar yapmak için kendi alanındaki verilerin kullanılmasını gerektiren birçok veri toplama ve düzenleme işlemi yapılmıştır. Bu, algoritma ve model eğitmenlerinin tensör hızlandırma ölçüleri ve gradyan biriktirme ölçüleri gibi yüksek düzeyde bilgiye sahip olmasını gerektirebilecek bazı çok makineli ve çok kartlı paralel hesaplamayı içerir.
Modellerin devreye alınması ve çalıştırılması sürecinde, işletme ve bakım ortamı için yüksek gereksinimleri olan model eğitimi, sabit disk seçimi (Zata veya SSD gibi), depolama ve veri aktarım hızlandırma araçları için ağ hızını dikkate almak gerekebilir. . Genel olarak konuşursak, mevcut büyük modelin eğitim süreci nispeten zor olabilir, ancak basit dağıtım ve çıkarım süreci için, 6B veya 13B gibi büyük bir modele dayalı olarak V100'e yerleştirmek temelde mümkündür.
Model ayarı ve eğitimi tamamlanır ve çevrimiçi sisteme dağıtılırsa, genellikle tüm mimariyi yükseltmeyi düşünürüz. Şu anda, endüstride popüler olan Milvus vektör veri tabanıdır ve bu veritabanı, genellikle kullandığımız Redis önbelleğine benzer şekilde, vektör alımı yoluyla oluşturulan sonuçları ara sıra önbelleğe alabilir. Klozet oluşturma mekanizmasının özelliklerinden dolayı her kuşağın kendine özgü tarzı farklı olsa da genel anlamı aynıdır. Çevrimiçi maliyetleri azaltmak için böyle bir mekanizmayı benimseyebiliriz. Aynı zamanda, içerik inceleme sistemi, eğitim verisi hazırlama sistemi ve etiketleme sistemi için de eksiksiz bir çözüm seti gereklidir.
Genel olarak, büyük bir modeli eğitmek ille de korkunç değil, ancak önceki teknoloji yığınımızın gereksinimlerini artırabilir, ancak bu iyileştirmenin de üstesinden gelinebilir, ancak biraz zor olabilir, ancak bunları karşılamayı tamamen öğrenebilir ve uygulayabiliriz. zorluklar.
Wang Chao: Bu soruda, geliştirilmekte olan büyük model hakkında bazı bilgiler paylaşabilirim. Kendi endüstriyel modelimizi geliştiriyoruz ve işletmeler ve meslektaşlarımızla işbirliği yapmayı dört gözle bekliyoruz. Ortaklık fırsatları hakkında daha fazla bilgi Temmuz ayından sonra duyurulacaktır. Ayrıca, hangi büyük modellerin daha iyi olduğunu nasıl doğrulayacağınızdan da bahsedin. Bu bağlamda, Baichuan ve diğer modeller gibi kanıtlanmış büyük ölçekli modellerin platformda başarılı bir şekilde nasıl uygulanacağıyla daha çok ilgileniyoruz ve herkesi bunlara dikkat etmeye ve anlamaya teşvik ediyoruz.
Wang Suwen: Büyük modelleri geliştirme ve dağıtma sürecinin tamamı belirli bir süre alıyor. Özellikle modellerin sıkıştırılması, hızlandırılması ve optimizasyonunda, çok zaman alabilen yinelemeli deneyler ve ayarlamalar gerekir. Örneğin, bir zamanlar 7B ölçeğinde bir model geliştirdik A800 sunucusundaki 4 kartlı b tipi yapılandırmada optimizasyondan sonra, önceki 28 milisaniye olan çıkarım hızı yaklaşık 5 milisaniyeye düşürüldü. Toplam insan çabası, yaptığınız işe bağlıdır.
İlk olarak, temel çerçevenin tamamının oluşturulması ve modelin, operatör optimizasyonu dahil olmak üzere sıkıştırılması ve nicelendirilmesi gerekir. Nvidia'nın FastarTransformer'ını temel alarak optimize ettik, bu nedenle optimizasyon operatörünü özelleştirmemiz, Nvidia'nın Triton'u gibi ihtiyaçlara uygun bir çıkarım motoru seçmemiz ve farklı arka uçlara göre hizmetler sağlamamız gerekiyor. Son olarak, modelin farklı cihazlarda en iyi performansını belirlemek ve nihai dağıtım için genel performans testi gereklidir. Deneyimlerimize göre, tüm adaptasyon süreci en az bir ay sürüyor. Ek olarak, belirli iş gereksinimlerine ve talimat sayısına bağlı olarak, talimatları ayarlama görevini optimize etmek biraz zaman alacaktır. İşin türüne bağlı olarak, bunu yapmak için genellikle bir düzineden fazla kişiden oluşan bir ekip gerekir.
Wang Suwen: Evet, belirli bir sektördeki iyi eğitilmiş ve optimize edilmiş bir model, o sektördeki müşterilere hızla dağıtılabilir ve çoğaltılabilir. Bu şekilde, önceki çalışmalarımızdan yararlanabiliyor ve müşterilerimize özelleştirilmiş çözümler sunabiliyoruz. Örneğin finans, sigorta, varlık yönetimi ve perakende sektörlerinde optimize edilmiş modellere sahibiz, böylece bu optimize edilmiş modelleri hızlı bir şekilde çoğaltabilir ve müşterilere hızlı bir şekilde hizmet sunabiliriz. Bu yeniden kullanım yeteneği, verimliliği büyük ölçüde artırabilir ve çözümlerin sunulmasını hızlandırabilir.
Jia Haowen: Büyük etki alanı modellerinin geliştirilmesi için, alana özgü modellerde veri toplanması çok önemlidir. Son derece uzmanlaşmış alanlar için (hukuk gibi), veri toplama uzun zaman alabilir, belki yarım ay, hatta bir ay olabilir. Veri toplama ve yapılandırılmış işleme tamamlandıktan sonra, komut setinin ayarlanması ve çok seviyeli ve çoklu kartın eğitim süreci gibi aşağıdaki bağlantılar başlayabilir. Bu adımları tamamladıktan sonra, Transformer mekanizması tarafından üretilen sonuçlar yeterince güvenilir olmayabileceğinden ve modelin güvenilirliğini sağlamak için çok sayıda etki testi gerektiğinden, genellikle çok sayıda model etkisi değerlendirmesi gerçekleştirilir. Model eğitimi temel olarak tamamlandığında ve ilk ticari kullanıma hazır olduğunda, müşterilerin ihtiyaçlarına göre daha fazla ürünleştirme çalışması yapabilir ve kullanıcılara kapsamlı hizmetler sunmak için eksiksiz bir ürün halinde paketleyebiliriz.
Maliyet açısından bakıldığında, 6B veya 7B ölçekli nispeten küçük bir modeli eğitmek için veri harmanlama yarım aydan bir aya kadar sürebilir. Ancak bu da önemli bir önkoşul gerektirir, yani model eğitiminden sorumlu ekibin çok makineli çoklu kart eğitim yöntem ve yöntemlerine, çeşitli veri hızlandırma stratejilerine ve bellek hızlandırma stratejilerine aşina olması gerekir. Ayrıca ortamın hazırlanması da önemlidir. Bazı küçük şirketler, eğer büyük modelleri eğitmek istiyorlarsa, Alibaba Cloud veya Tencent Cloud gibi platformlarda makine kiralamaları ve kendi ortamlarını kurmaları gerekebilir. Bu ek maliyetin de dikkate alınması gerekir.
Büyük bir model geliştirin, girdi-çıktı oranı nedir?
Jia Haowen: Girdi-çıktı oranını değerlendirmek için belirli iş senaryolarının ve ihtiyaçlarının dikkate alınması gerekir. Yaratıcı senaryo üretimi gibi geleneksel metin yazarlığı, reklamcılık ve film ve televizyon endüstrileri için AIGC ve diğer büyük modeller hızla büyük miktarda malzeme üretebilir. Güvenilirlik eksik olsa da, üretim verimliliğini önemli ölçüde artırabilir. Bu yaratıcı üretim görevleri için, girdi Çıktı oranı çok uygun maliyetli olabilir. Bununla birlikte, yasal bilgi üretimi, vaka analizi, sigorta poliçesi analizi vb. gibi diğer alanlar için, çıktı sonuçları mükemmel olmayabileceğinden, çok sayıda insan kaynağına yatırım yapılması ve bir sonuca ulaşmak için çok sayıda model ayarından geçmesi gerekir. daha ideal çıktı. Bu nedenle girdi-çıktı oranı daha yüksek olabilir.
Denetime gelince, derin üretimle ilgili son zamanlarda uygulamaya konulan düzenleyici politikaları da dikkate almamız gerekiyor. Esas olarak birkaç yönü içerir. Öncelikle bestecilerin, yazarların, ressamların vb. fikri mülkiyet veya telif haklarını ihlal edip etmeyeceğine ve yanlış bilgi üretmenin kolay olup olmadığına dikkat etmemiz gerekiyor. Üretilen sonuçların düzenlenmesi açısından, oluşturulan metin ve görüntülerin fikri mülkiyet haklarını ihlal etmemesini sağlamak için içerik inceleme ve yönetim mekanizmalarını desteklememiz gerekir. Aynı zamanda, geleneksel endüstriler için uyumluluk ve risk kontrolü de önemli hususlardır. Deneyler geliştikçe, bazıları büyük model üretimi için üretim araçları üzerinde çalışan ve diğerleri kontrolden çıkmış büyük model üretimini önlemek için önlemler üzerinde çalışan bir büyük model endüstri zinciri oluşabilir. Kanun, yönetmelik ve etik çerçevesinde büyük modellerin oluşturulması ve denetlenmesi arasında iyi bir dengenin sağlanması için bu yazışmaların kurulması zaman içinde tekrarlanacaktır.
Wang Suwen: Her şeyden önce, etki alanı modellerini veya büyük modelleri eğitirken verilerin uyumluluğu ve yasallığı çok önemlidir. Verileri resmi kanallardan almalı, verilerin güvenliğini ve gizliliğini sağlamalıyız.
İkinci olarak, müşteriler için etki alanı modeli eğitimi gerçekleştirirken, kuruluş içindeki verilerin güvenliğini ve uyumluluğunu sağlamalıyız ve farklı kuruluşlar arasındaki veriler izole edilmeli ve istenildiği zaman eğitimde yeniden kullanılmamalı veya kullanılmamalıdır. Ek olarak, müşteriler için etki alanı modellerini eğitirken, çıktı modellerinin uyumluluk gereksinimlerini karşıladığından emin olmak için ince ayar ve hizalama da yapmamız gerekir.
Düzenleyici bir perspektiften bakıldığında, devlet daireleri düzenleyici çerçeveler formüle edilirken disiplinler arası ve alanlar arası uzman bilgisine ihtiyaç duyar. Ortaklaşa sağlam bir düzenleyici çerçeve oluşturmak ve onunla derinlemesine işbirliği yapmak için Bilgi Teknolojileri Akademisi ile işbirliği yapıyoruz. Ayrıca, büyük modellerimizin titizlikle test edildiğinden ve doğrulandığından emin olmak için Bilim ve Teknoloji Akademisi ile güvenlik sertifikası yürütüyoruz.
Yalnızca hükümet, uzmanlar ve işletmelerin işbirliği yoluyla AIGC'nin sağlıklı gelişimini destekleyebilir, kullanıcı ihtiyaçlarını karşılayabilir ve büyük modellerin güvenli kullanımını sağlayabiliriz.
Akıllı müşteri hizmetleri alanında işletmelerin önündeki temel engeller nelerdir?
Wang Chao: Akıllı müşteri hizmetleri sektörü için homojenleştirme sorunu, akıllı müşteri hizmeti satın alma hedefi ve beklenen yatırım getirisi ile yakından ilgilidir. JD.com'da, akıllı müşteri hizmetleri oluştururken işletmeler geliştirme hedeflerini üç aşamaya ayırmalıdır: birincil, orta ve yüksek (veya olgun). Müşterinin hedefi henüz emekleme aşamasındaysa, yani yalnızca basit soru-cevap ve sorgulama işlevleri varsa, akıllı müşteri hizmeti satın alma gereksinimleri benzer olabilir. Bu durumda homojenlik derecesi daha yüksek olabilir. Bununla birlikte, müşterinin ihtiyaçları proaktif hizmetler, tam takip ve tam senaryo hizmetleri sağlamak gibi daha yüksek bir seviyede konumlanıyorsa, akıllı müşteri hizmetleri sağlayıcısının eşleşen bir işletim metodolojisine ve ilgili eksiksizliğe sahip olup olmadığının dikkate alınması gerekir. işletim aracı sistemi. Bu mantığa dayanarak, mevcut nesil akıllı müşteri hizmetleri ürünlerinin temel engellerinden birinin, tedarikçinin karmaşık ve olgun robot proje deneyimine ve zengin operasyon deneyimine sahip olup olmadığı olduğunu düşünüyorum.
Diğer bir kilit nokta, akıllı bir müşteri hizmetleri şirketinin, ilgili ürün ve teknolojileri sağlamanın yanı sıra uzun vadeli planlama ve rehberlik işletim metodolojisinin yanı sıra ilgili destekleyici işletim aracı sistemlerini sağlayıp sağlayamayacağıdır. Aynı zamanda, müşterilerin bir yetenek kademesi oluşturmasına ve eğitim hizmetleri sunmasına yardımcı olup olamayacağımız. Bu faktörler, mevcut nesil botlarda çok önemlidir.
Geleceğe gelince, büyük modeller önemli bir engel olacaktır. Bahsettiğiniz ürün için, farklı tipte büyük modellerin orijinal ürün yetenekleri ile etkili bir şekilde entegre edilip edilemeyeceği önemli bir faktör olacaktır. Aynı zamanda, büyük modeller geliştirme yeteneği de benzersiz bir rekabet avantajı haline gelecektir.
**Jia Haowen:**Geleneksel müşteri hizmetlerinden büyük ölçekli model müşteri hizmetlerine kadar tüm süreç, rekabetin önünde bir engel olarak görülebilir. Bilgi işlem gücü ve veri hacmi açısından büyük şirketlerle rekabet edemesek de, psikolojik bilginin büyük ölçekli model eğitiminde uygulanması ve bilişsel zekanın kesişimi gibi disiplinler arası alanlarda rekabet edebiliriz. ve büyük ölçekli model uygulamaları İlk hamle avantajına sahip olun. Diğer şirketler için, giderek homojenleşen büyük model hizmet ve eğitim sürecinde öne çıkmak için kendi özelliklerini birleştirebilirler.
Wang Suwen: Bu sorun aslında iki temel noktaya indirgeniyor: Akıllı müşteri hizmetleri şirketlerinin nasıl kâr elde edeceklerini ve brüt kâr marjlarını nasıl artıracaklarını düşünmeleri gerekiyor. Bunu başarmak için öncelikle üzerinde durulması gereken iki husus vardır. İlk olarak, işletmenizin uzun süre gelişebilmesi için müşterileri memnun etmek için yüksek kaliteli akıllı müşteri hizmetleri sağlamanız gerekir. Bu nedenle, kullanıcı deneyimini ve memnuniyetini artırmak için ürün gücünün ve akıllı etkinin iyileştirilmesi de dahil olmak üzere ürünün etkisine dikkat etmek çok önemlidir. İkincisi, verimliliği artırmaya odaklanın, girdi-çıktı oranı konusunu göz önünde bulundurun, maliyetleri azaltın ve projenin brüt kar marjını artırın. Proje tesliminin ve operasyonel verimliliğin iyileştirilmesi anahtardır ve ürün memnuniyeti, devreye alma ve uygulama verimliliği ve müşteri iş sistemleriyle hızlı entegrasyon ve operasyonel içeriğin yerleştirilmesi dikkate alınmalıdır. Kârlılığa ulaşmak ve sürdürülebilir kalkınmayı sürdürmek için projenin brüt kar marjını iyileştirmek için eksiksiz bir teslimat metodolojisine ve operasyonel araçlara sahip olmanız gerekir.
Akıllı müşteri hizmetleri şirketleri, biri dikey alanlarda profesyonel üreticiler, diğeri ise genel amaçlı üreticiler olmak üzere iki kategoriye ayrılabilir. Dikey alanlardaki akıllı müşteri hizmetleri sağlayıcıları, e-ticaret veya sigorta gibi belirli alanlara odaklanır.Avantajları ve engelleri, sektöre odaklanma, sektör bilgi haritalarının ve verilerinin sürekli optimizasyonu ve özel çözümler ve temel rekabet gücü sağlamada yatmaktadır. Zhongguancun Kejin, sohbet odaklı bir AI çözüm sağlayıcısıdır. Finans, devlet işleri, perakende ve diğer sektörlere odaklanıyoruz. 900'den fazla sektör liderine hizmet sağladık ve zengin sektör bilgisi biriktirdik. Ayrıca sektördeki rekabet gücümüzü artırmak için genel amaçlı ve büyük ölçekli etki alanı modelleri başlatmayı ve akıllı müşteri hizmetleri, giden arama robotları, fikir tartışması ve kalite kontrol asistanları gibi ürünleri diyalog motorlarını entegre ederek yükseltmeyi planlıyoruz.
İkinci olarak, teslimat ve operasyonel verimliliğin iyileştirilmesi de önemlidir. Ürün memnuniyeti, proje teslimat maliyetlerini azaltmak için çok önemlidir ve verimli dağıtım ve uygulamanın yanı sıra müşteri iş sistemleri ve operasyonel içerik yerleştirme ile hızlı entegrasyon, operasyonel verimliliği artıracaktır. Projenin maksimum brüt kar marjını sağlamak için bir dizi teslimat metodolojisine ve operasyonel araçlara sahip olmanız gerekir. Bunu yapmak, uzun vadede karlı ve sürdürülebilir olmanızı sağlayacaktır.
*AIGC, geleneksel müşteri hizmetleri personelinin yerini tamamen alacak mı? *
Wang Chao: Bir uygulayıcı olarak AIGC'nin geleceği konusunda iyimserim ve değiştirme konusu farklı bakış açıları içeriyor. Bir bakış açısı borsa perspektifindendir ve müşteri hizmetleri endüstrisinin pazar alanının sınırlı olduğuna, bu nedenle AIGC'nin geleneksel insan gücünün yerini alabileceğine inanmaktadır. Ancak, ben bunu artımlı bir bakış açısıyla düşünmeyi tercih ediyorum.
Her şeyden önce, akıllı müşteri hizmetleri hala insan operasyon desteğine ihtiyaç duyuyor ve operatörler, geleneksel müşteri hizmetlerinden akıllı müşteri hizmetlerine geçiş sürecinde hala önemli bir rol oynuyor. İkincisi, gelecekteki operasyon modu değişebilir ve akıllı müşteri hizmetleri ile manuel operasyon personeli arasındaki işbirliği yeni bir operasyon modu oluşturacaktır. Bu modelde, az sayıda operatör daha düşük maliyetle 24 saat yüksek kaliteli hizmet sağlamak için akıllı müşteri hizmetleri robotları taşıyabilir, bu da daha fazla küçük ve mikro işletmenin müşteri hizmetlerini yeni yollarla sunmasına ve pazar boyutunu genişletmesine olanak tanır. Kısacası, artımlı bir bakış açısıyla akıllı müşteri hizmetleri, geleneksel müşteri hizmetlerinin yerini tamamen almayacak, onu tamamlayarak pazara yeni fırsatlar ve gelişme alanı getirecektir.
Wang Suwen: Öngörülebilir gelecekte insan müşteri hizmetlerinin yerini tamamen almayacak çünkü karmaşık, düşünce ve duygusal sorunlarla başa çıkmada benzersiz avantajlara sahipler. Özellikle yüksek değerli müşterilerle, potansiyel müşterilerle ilişkilerde ve müşteri dönüşüm oranlarının iyileştirilmesinde, insan müşteri hizmetleri hala önemli bir rol oynamaktadır. Müşteri edinmenin yüksek maliyeti nedeniyle, birçok şirketin insan müşteri hizmetleri yoluyla etkin bir şekilde takip edilmesi ve işlemin sağlanması umudu hala devam etmektedir. Bu nedenle, insan müşteri hizmetleri ile akıllı müşteri hizmetleri arasındaki ilişki, daha çok birbirini birleştiren bir işbirliği modelidir. İşletmeler insan müşteri hizmeti ve akıllı müşteri hizmetinin avantajlarını kendi koşullarına göre değerlendirmeli ve en iyi müşteri hizmet modelini formüle etmelidir.
Genel olarak, AIGC'nin gelecekteki geliştirme alanının geniş olduğunu düşünüyorum ve tüm endüstri de bunu gördü. Önümüzdeki iki ila üç yıl içinde, AIGC ve ChatGPT gibi teknolojiler yüksek bir hızla gelişecek ve tüm kurumsal hizmet endüstrisinin yükseltilmesini destekleyecektir. Hem İnternet hem de kurumsal hizmet endüstrileri, destekleyici tesislerin iyileştirilmesi de dahil olmak üzere büyük ölçekli yükseltmeler ve değişikliklerden geçecek. Şu anda AIGC'de içerik kalitesi, yatırım maliyeti, veri güvenliği ve telif hakkı gibi bazı sorunlar devam etmektedir. Bu nedenle, bu sorunları iyileştirmek için daha karmaşık ve etkili modelleme yöntemlerini keşfetmek de dahil olmak üzere daha uzun vadeli geliştirmelere ihtiyacımız var. Teknolojinin ilerlemesiyle büyük modellerin geliştirme alanının sonsuz geniş olacağına inanıyorum.
**Jia Haowen: **Aslında ikameye çok fazla önem vermemeli, gelecekte çalışma ve iş modellerinde meydana gelecek değişikliklere odaklanmalıyız. İş geliştirme sürecinde, özellikle müşteri hizmetlerinin tanıtımında, girdilerin çıktılara oranını ölçmemiz gerekiyor, kullanıcı verilerinin gizliliğinin güvenliğini, yasa ve yönetmeliklere uyumu ve senaryolar arası ve çapraz- endüstri antropomorfik hizmetleri. Büyük modeller, geleneksel müşteri hizmetleri personeline yüksek değer katabilir Niteliksel değişiklikler getirecektir, ancak insan müşteri hizmetlerinin yerini alması anlamına gelmez. Genel olarak, büyük modelin şu anda bazı sorunları olsa da, gelecekte büyük umutları var. Daha edebi bir ifadeyle, büyük modellerin gelişimi yakın gelecekte bir hayalden gerçeğe dönüşecek ve yakında bunu bizzat deneyimleyebileceğiz.