- Chủ đề
2k Phổ biến
4k Phổ biến
32k Phổ biến
29k Phổ biến
496 Phổ biến
111k Phổ biến
26k Phổ biến
26k Phổ biến
7k Phổ biến
14k Phổ biến
- Ghim
2k Phổ biến
4k Phổ biến
32k Phổ biến
29k Phổ biến
496 Phổ biến
111k Phổ biến
26k Phổ biến
26k Phổ biến
7k Phổ biến
14k Phổ biến
Cách AIGC khởi xướng “cuộc cách mạng mới” trong dịch vụ khách hàng thông minh
Nguồn: infoq
Tác giả: Lý Đông Mai
Kết hợp với logic kỹ thuật cơ bản của ChatGPT, có khoảng bốn hướng để công nghiệp hóa ChatGPT trong thời gian ngắn và trung hạn trong tương lai: dịch vụ khách hàng thông minh, ứng dụng AIGC ở chế độ văn bản, công việc liên quan đến phát triển mã và tạo hình ảnh. Trong số đó, dự án phù hợp nhất để triển khai trực tiếp là công việc của dịch vụ khách hàng thông minh.
Dịch vụ khách hàng thông minh dựa trên công nghệ mô hình lớn đang thay đổi căn bản quy trình tương tác giữa người và máy tính truyền thống. nhận thức và ý định tương tác giữa người và máy tính Hiệu quả của nội dung hoạt động như hiểu biết, xây dựng quy trình và tạo ra kiến thức.
Chỉ xét từ góc độ tỷ lệ thâm nhập sản phẩm, dịch vụ khách hàng thông minh đã dần phổ biến trong thương mại điện tử, tài chính và các lĩnh vực khác ngay từ bảy hoặc tám năm qua. Hai thay đổi cốt lõi do mô hình lớn mang lại, một là chi phí phát triển các sản phẩm dịch vụ khách hàng thông minh đã giảm đáng kể, hai là cải thiện trải nghiệm người dùng.
Vì vậy, nếu bạn muốn kết hợp mô hình ngôn ngữ lớn LLM với các sản phẩm dịch vụ khách hàng thông minh hoặc đưa mô hình cũ vào lĩnh vực phần mềm ứng dụng ToB SaaS, thì bạn nên bắt đầu xây dựng ngăn xếp công nghệ như thế nào? Các sản phẩm mô hình quy mô lớn sẽ trao quyền cho các sản phẩm dịch vụ khách hàng thông minh như thế nào? Trong số "Hẹn hò với các chuyên viên máy tính" này, chúng tôi đã đặc biệt mời Xu Wenhao, người sáng lập bothub, người sáng lập và CTO của Buqituo Network Technology, làm người điều hành và Jia Haowen, giám đốc công nghệ máy tính của Huayuan và đồng trưởng bộ phận kinh doanh con người kỹ thuật số và Zhongguancun Kejin Wang Suwen, giám đốc nghiên cứu và phát triển tương tác thông minh, trưởng nhóm kỹ thuật dịch vụ khách hàng thông minh Zhongguancun Kejin và Wang Chao, giám đốc sản phẩm JD Yunyanxi KA, đã thảo luận về xu hướng triển khai và phát triển trong tương lai của AIGC trong các sản phẩm dịch vụ khách hàng thông minh.
Sau đây là bản ghi của cuộc phỏng vấn.
Wang Chao: Sự xuất hiện của AIGC đã làm dấy lên mối quan tâm rộng rãi trong toàn bộ lĩnh vực dịch vụ khách hàng thông minh và thúc đẩy các đồng nghiệp có liên quan tiến hành nhiều cuộc thăm dò. Về nhận thức và những thay đổi trong tương lai của dịch vụ khách hàng thông minh, những thay đổi về nhận thức này đang thay đổi từng ngày.
Nhóm JD Cloud Yanxi đã rất chú ý đến tiến độ của các ứng dụng dịch vụ khách hàng thông minh trong và ngoài nước. Ngoài ra, mô hình quy mô lớn Yanxi mà chúng tôi đang phát triển sẽ được phát hành vào tháng 7 và chúng tôi cũng đang tiếp tục tiến hành các thử nghiệm mô hình quy mô lớn khác nhau trong lĩnh vực kinh doanh dịch vụ khách hàng. Trong những tháng gần đây, hiểu biết của cá nhân tôi về AIGC đã khác hoàn toàn so với 3 tháng trước, vì vậy quan điểm tôi muốn chia sẻ hôm nay đại diện cho quan điểm cá nhân và quan điểm hiện tại hơn.
Tác động của AIGC đối với dịch vụ khách hàng thông minh có thể được xem xét từ hai cấp độ. Đầu tiên, từ góc độ của các vấn đề quản lý phổ biến và khó khăn kỹ thuật trong ngành của chúng tôi, AIGC có khả năng giải quyết chúng. Chúng ta đều biết rằng các mô hình lớn sẽ cải thiện đáng kể mức độ phản hồi, nhân cách hóa và trải nghiệm dịch vụ của dịch vụ khách hàng thông minh và có thể giảm đáng kể chi phí vận hành.
Về vấn đề người máy, tôi nghĩ không cần phải bàn nhiều, vì chúng ta đã dành nhiều sự quan tâm cho người máy rồi. Điều tôi muốn nói là mô hình lớn được ứng dụng rộng rãi trong lĩnh vực dịch vụ khách hàng thông minh, đặc biệt là phần xác minh thông tin theo hướng quản lý dịch vụ khách hàng thông minh. Ví dụ, trong thực tiễn hỗ trợ thông minh của chúng tôi, một số công nghệ trước đây đã đề xuất một số điểm chính và trích xuất thông tin chính trong các cuộc hội thoại.Mặc dù có các giải pháp nhưng thường rất khó để đạt được sự cân bằng tốt giữa chi phí và hiệu quả. Tuy nhiên, qua kiểm định mô hình lớn, chúng tôi nhận thấy nó có khả năng giải quyết tốt và có tiềm năng xử lý các bài toán này. Ngoài ra, đối với công việc kiểm tra chất lượng, các phương pháp như chính quy hóa từ khóa hay các phương pháp kiểm tra chất lượng thông minh thường được sử dụng trong ngành cũng có tác dụng nhất định nhưng tỷ lệ chính xác thường thấp, khối lượng công việc cũng nhiều và thời gian để nâng cao tỷ lệ chính xác là dài. .
Tuy nhiên, bằng cách thực hành với các mô hình lớn, chúng tôi thấy rằng nó hoạt động tốt để hiểu các tiêu chí QC trừu tượng và thực hiện công việc QA. Ngoài ra, về đào tạo nhân viên, chúng tôi đã thấy một số ví dụ về việc các ngân hàng hàng đầu giới thiệu robot đối thoại để đào tạo. Ngoài những điều trên, chúng tôi cũng tiến hành phân tích kinh doanh tại trung tâm dịch vụ khách hàng và cần tổng hợp thông tin về nhu cầu của khách hàng, chân dung khách hàng và rủi ro trong quá trình tư vấn khách hàng.Trong thử nghiệm, hiệu quả của mô hình lớn cũng rất tốt. Tôi cho rằng trong lĩnh vực dịch vụ chăm sóc khách hàng thông minh, tiềm năng ứng dụng của các mô hình lớn là rất lớn. Chúng tôi tin rằng trong khoảng nửa năm nữa, các sản phẩm chủ đạo trên thị trường sẽ mở ra một đợt nâng cấp quan trọng.
Dựa trên những gì hiện được hiểu về ngành và lĩnh vực, chúng ta có thể khám phá liệu lĩnh vực rộng lớn hơn có sắp thay đổi hay không. Ví dụ, những thay đổi nào nó có thể mang lại cho dịch vụ khách hàng và dịch vụ khách hàng? Tôi nghĩ câu hỏi này có thể khó hơn và ở giai đoạn này, không ai có thể xác định chính xác những thay đổi cụ thể. Nhưng chúng tôi tin rằng nó sẽ tạo ra sự khác biệt lớn, ít nhất là theo một số hướng, chẳng hạn như các dịch vụ chủ động. Ví dụ, các công ty thương mại điện tử thường thực hiện nhiều hoạt động khác nhau và công việc quảng bá và giải thích các hoạt động thường không thuộc về trung tâm dịch vụ khách hàng. Bởi vì rất khó để thực hiện một loạt các hoạt động như vậy bằng phương pháp thủ công hoặc máy móc truyền thống. Nhưng chúng ta có thể tưởng tượng một tương lai nơi dịch vụ khách hàng của chúng ta có thể giải thích rõ nhiều hoạt động thông qua việc giới thiệu một mô hình lớn và đầu vào của thông tin cơ bản, đại diện cho tiềm năng có thể có của dịch vụ khách hàng trong tương lai về mặt chuyển đổi và nâng cấp tích cực.
Wang Suwen: Như vừa đề cập, phạm vi dịch vụ khách hàng thông minh rất rộng. Các công nghệ như dịch vụ khách hàng thông minh và rô-bốt thực sự có thể thay đổi quy trình tương tác giữa người và máy tính truyền thống. Thông qua việc sử dụng các mô hình lớn, đặc biệt là việc sử dụng các quy trình đối thoại tự động, hoạt động của dịch vụ khách hàng thông minh truyền thống có thể được thực hiện hiệu quả hơn. Theo cách truyền thống, chúng ta thường cần cấu hình cơ sở tri thức theo cách thủ công, nhưng hiệu quả không rõ ràng. Tuy nhiên, khả năng giải quyết các vấn đề phức tạp và tỷ lệ trả lời trực tiếp của các câu hỏi có thể được cải thiện trực tiếp thông qua việc tạo ra các quy trình đối thoại tự động thông qua các mô hình lớn, đây là một tác động đột phá đáng kể.
Điểm thứ hai là các mô hình lớn cũng có thể đạt được mục tiêu giảm chi phí và nâng cao hiệu quả. Từ góc độ trí thông minh, chi phí lao động luôn tương đối cao, bởi vì nó đòi hỏi máy móc hỗ trợ con người. Thông qua việc áp dụng các mô hình lớn, nó có thể hỗ trợ nâng cao hiệu quả của việc xây dựng và vận hành cơ sở tri thức, từ đó đạt được hiệu quả đáng kể trong việc giảm chi phí và tăng hiệu quả.
Điểm thứ ba là về tính nhân học và trải nghiệm người dùng của robot. Robot truyền thống thường không đạt được những điều này. Tuy nhiên, sự xuất hiện của các mô hình lớn khiến cuộc đối thoại trở nên mượt mà hơn, nhân cách hóa hơn và giống giao tiếp giữa người với người hơn. Đây là một hiệu ứng phá vỡ rất mạnh mẽ.
Tất nhiên, đối với dịch vụ khách hàng nói chung, bao gồm kiểm tra chất lượng, trợ lý và đấu tập, mô hình lớn cũng sẽ mang lại những tác động đột phá tương ứng và các sản phẩm khác nhau sẽ có những tác động khác nhau.
**Jia Haowen:**Trước khi trả lời câu hỏi này, tôi muốn quay trở lại lĩnh vực dịch vụ khách hàng thông minh. Sự phát triển của dịch vụ khách hàng thông minh có thể bắt nguồn từ lịch sử của trí tuệ nhân tạo, dựa trên sự tích lũy ngôn ngữ. Tôi nhớ khoảng mười năm trước, có một số tầng đầy nhân viên dịch vụ khách hàng dành phần lớn thời gian làm việc của họ để giải quyết các vấn đề của người dùng. Vào thời điểm đó, ngay cả những công cụ như nền tảng kiến thức mà hai thầy đã đề cập cũng chưa thật đầy đủ.
Bây giờ nhìn lại, Alipay và các sản phẩm dịch vụ khách hàng khác đã dần dần mở rộng từ cơ sở tri thức ban đầu sang các trợ lý cấp cao sau này và các công cụ bắt nguồn như khung Rasa để mô phỏng nhiều vòng đối thoại. Tuy nhiên, như hai giáo viên vừa nói, tất cả những cuộc đối thoại này vẫn còn thiếu nhân cách hóa. Tất cả các công cụ dịch vụ khách hàng trước đây về cơ bản đều thất bại trong các bài kiểm tra tiêu chuẩn của ngành máy tính. Nhưng khi những người mẫu lớn xuất hiện, đặc biệt là những thứ như ChatGPT hoặc Vicuna, họ có một mức độ cá tính, mặc dù có lẽ ở cấp độ của một đứa trẻ 10 hoặc 11 tuổi. Theo một cách nào đó, họ có thể vượt qua bài kiểm tra Turing.
Bây giờ quay trở lại câu hỏi trước của bạn, sự kết hợp giữa dịch vụ khách hàng thông minh và con người kỹ thuật số sẽ mang lại một số cải tiến mới. Trong giai đoạn đầu của lĩnh vực con người kỹ thuật số, việc hỏi và đáp hình người với con người dựa trên cơ sở tri thức và các mô hình lớn không thể hoàn thành trong thời gian thực. Tuy nhiên, khi công nghệ ngày càng mở rộng, chúng tôi đã có thể đạt được các hình nhân hóa, kết hợp với các mô hình lớn để mô phỏng cảnh thực. Khi chúng tôi áp dụng nó cho các tình huống như cơ sở tri thức, dịch vụ khách hàng và nhân viên kỹ thuật số, lĩnh vực con người kỹ thuật số có thể đối mặt với hai thách thức. Đầu tiên là tính đầy đủ của dữ liệu. Mặc dù ChatGPT và những thứ tương tự trông rất bắt mắt, nhưng về cơ bản chúng được tạo dựa trên dữ liệu lịch sử trong quá khứ, tương tự như quá trình tạo cloze. Mặc dù cách tiếp cận này tăng hiệu quả và giảm chi phí viết kịch bản, chất lượng của nội dung được tạo hầu như không thể kiểm soát được. Trong nội dung đầu ra của các lĩnh vực toàn diện như con người kỹ thuật số và dịch vụ khách hàng thông minh, chúng tôi không thể hoàn toàn chắc chắn về nội dung được tạo. Do đó, chúng tôi có thể cần đưa ra các biện pháp xác minh và biện pháp bảo vệ khác nhau để đảm bảo rằng những gì con người kỹ thuật số hoặc ChatGPT, v.v. nói giống như lời nói của con người hơn là vô nghĩa.
Tóm lại, mặc dù hiện tại mô hình lớn có thể tương đối phổ biến và triển vọng tương lai cũng rất sáng sủa, nhưng nó vẫn ở trạng thái từ 0 đến 1 ở giai đoạn hiện tại. Trong tương lai, chúng ta có thể kỳ vọng nó sẽ phát triển thành một cây cao chót vót, nhưng hiện tại, dù là vì toàn ngành hay vì sự kỳ vọng của mọi người đối với nó, vẫn phải để nó dần dần lớn lên ở một vùng đất tốt hơn, mới thực sự có thể cung cấp dịch vụ khách hàng thông minh. , Mang lại những cải tiến hiệu quả cho các lĩnh vực như con người kỹ thuật số.
Jia Haowen: Việc giới thiệu một mô hình lớn hay không tùy thuộc vào tình huống kinh doanh cụ thể và nhu cầu của người dùng. Đối với các công ty lớn như Ant Financial hoặc JD.com với các hệ thống lớn và trưởng thành, việc giới thiệu một mô hình lớn một cách mù quáng có thể làm tăng thêm chi phí. Chúng tôi cần thực hiện một số biện pháp tương thích để tránh sự không chắc chắn do nội dung do AI tạo ra. Đối với các công ty nhỏ hơn, sử dụng các mô hình lớn như một phần bổ sung cho cơ sở tri thức của họ, với một số mức độ xem xét của con người, có thể là một cách tốt để tăng hiệu quả. Nó có thể giúp dịch vụ khách hàng thông minh hiểu rõ hơn về ngữ nghĩa của người dùng, cải thiện chất lượng của cơ sở tri thức và thậm chí cải thiện trải nghiệm người dùng. Ngoài ra, đối với các ứng dụng cấp cao hơn như trí thông minh nhận thức, việc giới thiệu các mô hình lớn có thể giúp hiểu và nhận dạng người dùng tốt hơn. Trong ngành Internet, có một khái niệm quan trọng gọi là "nghìn người, nghìn mặt", có nghĩa là mỗi dịch vụ khách hàng có thể cung cấp dịch vụ được cá nhân hóa. Do đó, chúng ta cần xem xét có nên giới thiệu một mô hình lớn theo quan điểm biện chứng hay không và đưa ra quyết định dựa trên các trường hợp cụ thể.
**Wang Chao: **Đối với các công ty lớn, việc thận trọng áp dụng các mô hình lớn trên các sản phẩm C-end là không cân nhắc đến việc đảm bảo trải nghiệm của khách hàng và bảo mật dịch vụ. Trong một doanh nghiệp hướng tới người tiêu dùng, thận trọng là rất quan trọng. Về vấn đề này, cả xác nhận và thử nghiệm đều được tiến hành hết sức cẩn thận.
Trong lĩnh vực định hướng kinh doanh hay vận hành, bạn “dũng cảm” hơn trong việc thử nghiệm và kiểm chứng. Chúng tôi giới thiệu các mô hình quy mô lớn để giúp các hoạt động xây dựng bản sao và kịch bản, hỗ trợ tốt cho các hoạt động để giải quyết các vấn đề về tính sáng tạo và hiệu quả. Ngoài ra, nó cũng rất tích cực trong việc chỉ đạo quản lý nhân viên như kiểm tra chất lượng, hỗ trợ và đào tạo.
Mô hình lớn là "cần thiết" hay "chạy theo xu hướng"?
Wang Chao: Chúng tôi vẫn chưa tính toán cụ thể về vấn đề này, bởi vì việc áp dụng các mô hình lớn hoạt động khác nhau trong các dự án công việc khác nhau. Ví dụ: nó có thể nhanh hơn nhiều lần trong việc tạo tập lệnh và viết quảng cáo. Tuy nhiên, về phân tích hàng ngày và kiểm tra chất lượng xây dựng, hiệu quả có thể khác nhau tùy theo từng trường hợp. Vì vậy, ở giai đoạn hiện nay, chúng tôi khó định lượng và đưa ra kết luận chính xác, nhưng chúng tôi chắc chắn rằng việc áp dụng các mô hình lớn đã thực sự nâng cao hiệu quả.
Wang Suwen: Trong lĩnh vực kinh doanh của mình, chúng tôi chủ yếu nhắm đến thị trường ToB và chúng tôi phục vụ khách hàng trong nhiều lĩnh vực khác nhau, chẳng hạn như ngành tài chính và bảo hiểm. Những khách hàng này có một số nhu cầu về đổi mới, bao gồm các khuyến khích để giảm chi phí và nâng cao hiệu quả. Chúng tôi đã thực hiện một số hợp tác đồng sáng tạo với khách hàng và đã kiểm chứng chúng. Ví dụ: chúng tôi đã tạo trợ lý tiếp thị cho khách hàng để tự động tạo một số bản sao. Theo truyền thống, trình độ của mỗi nhân viên là không đồng đều, bao gồm cả việc thiếu tiêu chuẩn hóa và thống nhất về kỹ năng tiếp thị. Thông qua trợ lý tiếp thị của chúng tôi, trước tiên chúng tôi có thể giúp họ tạo một bản sao thống nhất và sao chép nó dựa trên kinh nghiệm xuất sắc trong lịch sử. Thứ hai là giảm chi phí, nâng cao hiệu quả, họ không còn phải mất quá nhiều thời gian cho việc đào tạo, học tập, ghi nhớ. Các mô hình lớn của chúng tôi được sử dụng rộng rãi trong công nghiệp.
Chúng tôi cũng đã phát triển các chương trình tiếp thị qua điện thoại có thể trả lời trực tiếp một số câu hỏi. Tất nhiên, chúng tôi phải tính đến các vấn đề tuân thủ, bao gồm tuân thủ các luật liên quan và bảo vệ an toàn dữ liệu. Chúng tôi đang hợp tác với Viện Xinchuang để giải quyết các vấn đề tiêu chuẩn hóa này.
Wang Chao: Được thúc đẩy bởi làn sóng số hóa, các tổ chức tài chính dễ dàng nhận ra việc triển khai dịch vụ khách hàng thông minh hơn. Trong lĩnh vực tài chính, dịch vụ khách hàng thông minh đã được sử dụng rộng rãi và trở thành một trong những sản phẩm phổ biến hơn của các tổ chức tài chính. Đối với các tổ chức tài chính, nhu cầu cốt lõi của dịch vụ khách hàng thông minh chủ yếu là giảm chi phí và nâng cao hiệu quả, điều này có thể giải phóng nguồn nhân lực khỏi công việc tẻ nhạt. Đặc biệt trong các tình huống kinh doanh như hỏi và trả lời tự động, thông báo và truy cập lại đối với một số câu hỏi có tần suất cao, dịch vụ khách hàng thông minh có thể tiết kiệm nguồn nhân lực và cho phép họ tập trung vào công việc chuyên nghiệp và sáng tạo hơn thay vì công việc lặp đi lặp lại, thường xuyên và có giá trị thấp . Hãy để họ có nguồn lực để đầu tư vào việc phát triển và duy trì các khách hàng có giá trị ròng cao, đồng thời tập trung nhiều hơn vào việc thực hiện các nhiệm vụ có giá trị hơn. Ngoài ra, với một thế hệ đột phá cơ bản mới, chẳng hạn như sự xuất hiện của các mô hình lớn, dịch vụ khách hàng thông minh cũng có thể có được khả năng tạo ngôn ngữ tự nhiên mạnh mẽ, khiến dịch vụ trở nên thông minh và hiệu quả hơn.
**Jia Haowen: **Ngoài lĩnh vực tài chính, còn có nhu cầu về người mẫu lớn trong các lĩnh vực dọc như bảo hiểm, luật và y tế. Đặc biệt là từ góc độ doanh nghiệp, nhu cầu tạo ra và trích xuất kiến thức ngày càng trở nên rõ ràng hơn. Khi chúng tôi nói chuyện với các ngân hàng hoặc công ty bảo hiểm hoặc thảo luận các vấn đề với những người hành nghề luật, thông tin họ cung cấp về bản chất là có thật. Thông qua mô hình lớn, chúng tôi có thể xác định rõ hơn ý định câu hỏi của người dùng và thực hiện phân cụm hoặc chia tách.
Như ông Wang Su đã nói, các ngành như tài chính, bảo hiểm và luật có tiềm năng lớn để nâng cao hiệu quả, đây là một quá trình giảm chi phí và nâng cao hiệu quả. Theo quan điểm của cá nhân tôi, đây là một nhu cầu cứng nhắc, nhất là về mặt hiệu quả. Tuy nhiên, những ngành này có thể không áp dụng cách tiếp cận quá tích cực, vì các doanh nghiệp liên quan đến tài chính, bảo hiểm và luật rất nhạy cảm và đòi hỏi mức độ chuyên môn cao. Về vấn đề này, một vấn đề khác nảy sinh, đó là đánh giá mức độ trưởng thành của các kết quả do các mô hình lớn tạo ra. Mặc dù các mô hình lớn như GPT-4 thể hiện tốt trong một số kỳ thi chuyên nghiệp ở Hoa Kỳ, nhưng việc nó có thể vượt qua các kỳ thi tương ứng ở Trung Quốc hay không vẫn là một vấn đề, đặc biệt là trong bối cảnh ngữ nghĩa lớn và phức tạp như tiếng Trung Quốc, điều này có thể cần nghiên cứu thêm. Nghiên cứu. Về vấn đề này, công ty chúng tôi có kế hoạch hợp tác với Đại học Chiết Giang vào tháng 7 để phát hành một mô hình lớn về lĩnh vực pháp lý theo chiều dọc nhằm cung cấp các giải pháp tốt hơn cho lĩnh vực cụ thể này.
Wang Chao: Tôi nghĩ cho dù đó là thương mại điện tử hay ngành tài chính, các yêu cầu đối với dịch vụ khách hàng thông minh đều rất nghiêm ngặt. Ngoài ra, đối với dịch vụ khách hàng thông minh thương mại điện tử, thời gian khuyến mãi lớn và tư vấn hàng ngày là rất ấn tượng. Trong hoạt động kinh doanh tự điều hành của nhóm chúng tôi tại JD.com, khối lượng tư vấn hàng ngày chiếm 70% và 90% trong thời kỳ cao điểm. 70% khối lượng tư vấn này đã có giá trị rất lớn. Tôi tin rằng logic này cũng áp dụng cho các tổ chức khác nhau như ngân hàng. Chúng tôi cũng nhận thấy rằng năng lực dịch vụ khách hàng thông minh của một số ngân hàng vẫn chưa đủ. Do đó, chúng ta cần suy nghĩ về cách cải thiện sự trưởng thành của dịch vụ khách hàng thông minh và nó cần thích ứng với giai đoạn phát triển của doanh nghiệp hoặc ngân hàng. Hiện tại, nhiều ngân hàng đang ở giai đoạn đầu của dịch vụ khách hàng thông minh, chủ yếu tập trung vào Hỏi đáp và xây dựng đối thoại đa vòng đơn giản, trong khi khả năng phục vụ và trải nghiệm người dùng có thể chưa đạt mức thỏa đáng.
Dựa trên kinh nghiệm trong lĩnh vực thương mại điện tử, chúng tôi cho rằng dịch vụ khách hàng thông minh của ngân hàng cần được phát triển hơn nữa, đặc biệt là hệ thống vận hành cần được nâng cấp mạnh mẽ. Ví dụ: chúng tôi yêu cầu dịch vụ khách hàng cơ sở gần với mức nhân tạo về tiêu chuẩn và kỹ năng dịch vụ, điều này có tác động lớn đến việc cải cách hệ thống điều hành của chúng tôi. Tuy nhiên, trong quá trình hợp tác với các ngân hàng, chúng tôi nhận thấy nhiều ngân hàng gặp khó khăn trong việc xây dựng dịch vụ khách hàng thông minh. Mối quan hệ hợp tác giữa nhà cung cấp công nghệ và ngân hàng giống với mối quan hệ giữa Bên B và Bên A hơn, khác với mô hình hợp tác của chúng tôi. Vẫn còn khoảng cách giữa các ngân hàng và yêu cầu của chúng ta về tổ chức bộ máy và đào tạo nhân sự. Chúng tôi đã nói chuyện với nhiều đối tác ngân hàng của mình và thấy rằng họ đồng ý với phương pháp phát triển của chúng tôi nhưng cũng thấy khó khăn. Đẩy mạnh cải cách nội bộ là công việc phức tạp đối với các ngân hàng và đòi hỏi nhiều nỗ lực hơn. Tôi tin rằng mô hình lớn là một cơ hội, bởi vì nó có thể giảm bớt khó khăn trong hoạt động của dịch vụ khách hàng thông minh và đơn giản hóa cơ cấu tổ chức. Tôi rất mong chờ nó.
Wang Suwen: Tôi nghĩ rằng nó có thể được thảo luận từ ba khía cạnh: nhân cách hóa, nhân bản hóa và cá nhân hóa.
Đầu tiên là thuyết nhân hóa. Trong lĩnh vực dịch vụ khách hàng thông minh, nhân hình học luôn là một điểm nhức nhối, bởi vì hiệu suất của rô-bốt truyền thống trong lĩnh vực này cần phải được cải thiện. Chúng tôi đã khám phá cách xây dựng các tương tác đối thoại hình người. Điều này liên quan đến cách thiết kế các cuộc đối thoại theo tình huống, cách tháo gỡ các vấn đề, cách kế thừa ngữ cảnh và cách hiểu nhiều vòng đối thoại. Nhìn chung, chúng tôi hy vọng rằng các bot có thể cung cấp các chế độ trò chuyện và tương tác tự nhiên và phù hợp hơn.
Tiếp theo là các dịch vụ của con người. Trên cơ sở xác định chính xác khung cảnh hoặc ý định, chúng tôi cũng cần cải thiện hơn nữa dịch vụ trên cơ sở nhân hóa học. Tôi nghĩ rằng điện toán tình cảm đa phương thức là một cách hiệu quả để đạt được mục tiêu này. Ví dụ: công ty chúng tôi đã phát triển dịch vụ khách hàng kỹ thuật số ảo, có thể thực hiện các cuộc đối thoại tương tác giữa người và máy tính, kết hợp với điện toán cảm xúc và nhận dạng các biểu hiện cảm xúc của người dùng thông qua các phương pháp đa phương tiện như video, giọng nói và văn bản. Bằng cách này, dịch vụ khách hàng thông minh có thể đưa ra phản hồi cảm xúc tương ứng cho người dùng, tạo ra sự tương tác giữa người và máy tính với sự hiểu biết và ấm áp về cảm xúc, đồng thời hiện thực hóa các dịch vụ nhân bản hơn. Về tính toán tình cảm, các phương pháp truyền thống có hai chế độ: quy tắc và học máy. Thông qua học máy, chúng ta có thể đào tạo các mô hình tự động học các trạng thái cảm xúc và đạt được các tiêu chuẩn phân loại, để thích ứng tốt hơn với các lĩnh vực và bối cảnh khác nhau. Bằng cách này, có thể thu được các hiệu ứng biểu đạt cảm xúc tốt hơn và có thể cung cấp nhiều dịch vụ nhân bản hơn.
Cuối cùng, có dịch vụ cá nhân hóa. Chúng ta cần triển khai các dịch vụ được cá nhân hóa dựa trên ảnh chân dung của người dùng để đạt được hiệu quả “nghìn người vạn mặt”. Ví dụ: chúng tôi đã phát triển nền tảng thông tin chi tiết về người dùng, có thể đánh dấu người dùng và tích lũy chân dung thông qua thông tin cơ bản về chân dung người dùng và phân tích thông tin chi tiết trong các cuộc trò chuyện lịch sử. Trong cuộc đối thoại tiếp theo, chúng tôi có thể cung cấp các quy trình đối thoại, phương thức trả lời và đề xuất khác nhau tùy theo chân dung của người dùng, để đạt được các dịch vụ được cá nhân hóa chính xác hơn và cải thiện sự hài lòng của người dùng và doanh nghiệp.
Wang Chao: Chúng tôi đã đầu tư rất nhiều vào việc cải thiện trải nghiệm và dịch vụ được cá nhân hóa. Dịch vụ khách hàng thông minh về cảm xúc do nhóm Yanxi phát triển là dịch vụ khách hàng thông minh về cảm xúc thương mại quy mô lớn đầu tiên trong ngành. Kể từ năm 2018, chúng tôi đã giới thiệu khả năng nhận dạng và phản hồi cảm xúc trong khả năng phản ứng của robot. Công nghệ này không chỉ được ứng dụng trong lĩnh vực dịch vụ khách hàng mà còn được ứng dụng trong dịch vụ kiểm tra chất lượng và quản lý nhân sự.
Trả lời câu hỏi này liên quan đến hai khía cạnh. Hướng đầu tiên là công nghệ, chẳng hạn như các công nghệ tiên tiến như đối thoại nhiều vòng, là hướng phát triển chính của công nghệ dịch vụ khách hàng thông minh hiện nay. Một hướng quan trọng khác là vận hành, nghĩa là cách tiến hành tháo dỡ cảnh chi tiết, phân tích sự khác biệt giữa người và máy và thực hiện phát hiện vấn đề tự động và so sánh sự khác biệt về dịch vụ giữa người và máy thông qua hệ thống giám sát và công cụ thông qua điểm chuẩn với dịch vụ khách hàng của con người. Bằng cách này, chúng tôi dần dần nhận ra phân tích trải nghiệm dịch vụ đám đông tinh tế từ phân tích sự khác biệt tổng thể của trải nghiệm tổng thể và trải nghiệm dịch vụ đám đông. Với hệ thống như vậy, chúng tôi có thể tiếp tục tối ưu hóa trải nghiệm dịch vụ tổng thể và cuối cùng đạt được mức độ bao phủ dịch vụ máy của khối lượng tiếp nhận máy hàng ngày hiện tại của JD.com là 70% và 90% trong thời gian khuyến mãi.
**Jia Haowen:**Chủ đề của buổi phát sóng trực tiếp tối nay là về sự hiểu biết về dịch vụ khách hàng của con người kỹ thuật số và các mô hình lớn. Sự hiểu biết của chúng tôi về dịch vụ khách hàng truyền thống, cho dù đó là dịch vụ khách hàng thủ công hay Câu hỏi thường gặp, có thể được coi là dịch vụ khách hàng thông minh cấp thấp. Với tư cách là người dùng, chúng tôi mong đợi dịch vụ khách hàng có thẩm quyền và có thể cung cấp hỗ trợ giải quyết vấn đề. Đồng thời, nếu dịch vụ khách hàng có thể hiển thị các đặc điểm nhân học và cung cấp các dịch vụ được cá nhân hóa, trải nghiệm người dùng sẽ tốt hơn.
Trong lĩnh vực mô hình lớn, nhân hóa và nhân cách hóa là rất quan trọng. Công ty chúng tôi thiên về hướng nghiên cứu trí tuệ nhận thức và tâm lý học. Chúng tôi tập trung vào cách nhanh chóng có được các thẻ tâm lý của người dùng và đánh giá người dùng từ góc độ tâm lý để cung cấp dịch vụ tốt hơn. Chúng ta có thể tưởng tượng một cảnh, chẳng hạn như Jarvis trong bộ phim Marvel "Iron Man". Sẽ là một trạng thái lý tưởng nếu mô hình lớn trong tương lai có thể giống như một trợ lý có thể đưa ra những câu trả lời và khuyến nghị phù hợp nhất tùy theo tâm trạng và sở thích của chúng ta ngày hôm đó.
Hiện tại, chúng tôi vẫn đang trong giai đoạn sơ bộ nghiên cứu về sự kết hợp giữa mô hình lớn và con người kỹ thuật số. Tuy nhiên, với sự xuất hiện của các kết quả nghiên cứu học thuật trong lĩnh vực đa phương thức, một số sản phẩm trải nghiệm tốt hơn và chi phí thấp hơn có thể xuất hiện.
Jia Haowen: Nếu chúng ta muốn xây dựng một hệ thống đối thoại chất lượng cao, nó thực sự liên quan đến vấn đề phê duyệt dự án Internet truyền thống. Trong quá trình này, chúng ta cần xem xét việc lựa chọn kiến trúc sản phẩm kinh doanh, kiến trúc kỹ thuật và hình thức hạ cánh thực tế của sản phẩm. Đồng thời, chúng ta cũng cần tính đến việc nhiều doanh nghiệp lớn hoặc doanh nghiệp vừa và nhỏ đã có sẵn nhiều sản phẩm dịch vụ khách hàng. Nếu chúng tôi muốn cải thiện khả năng của các sản phẩm dịch vụ khách hàng hiện có này thông qua các mô hình lớn, chúng tôi có thể cần phải áp dụng một cách tiếp cận thận trọng hơn. Ví dụ, các mô hình lớn có thể được sử dụng như một công cụ cơ sở tri thức bên ngoài để cung cấp đầu vào tri thức. Quay trở lại khía cạnh kiến trúc vừa được đề cập, cả kiến trúc sản phẩm và lựa chọn công cụ đều là những cân nhắc quan trọng. Đối với điểm vào ban đầu, các công cụ như hệ thống gắn thẻ từ khóa và biểu thức chính quy truyền thống có thể được sử dụng. Tuy nhiên, không có một mô hình chuẩn chung nào cho sự lựa chọn cụ thể của mô hình này, bởi nó liên quan đến đặc thù của từng doanh nghiệp.
Jia Haowen: Nếu chúng ta thu hẹp phạm vi của vấn đề và tập trung vào việc cung cấp đầu ra nội dung dịch vụ khách hàng thông minh chất lượng cao và hiệu quả hơn, thì chúng ta có thể coi mô hình lớn là một dịch vụ đối thoại nâng cao. Trong các sản phẩm dịch vụ khách hàng thông minh, những gì người dùng mong đợi gặp phải là một robot thông minh, đồng cảm và giao tiếp, đồng thời, họ hy vọng rằng nội dung của câu trả lời có thể tập trung vào các lĩnh vực kinh doanh cụ thể, chẳng hạn như tiếp thị dịch vụ khách hàng và các tình huống khác. Trong trường hợp này, chúng ta có thể kết hợp khả năng nhận dạng ý định, luồng đối thoại và khả năng đối thoại nhiều lượt của mô hình lớn với các nguồn dữ liệu bên ngoài như Câu hỏi thường gặp truyền thống. Điều này có nghĩa là chúng tôi cần hội tụ toàn bộ quy trình xử lý ngôn ngữ, chẳng hạn như tổng hợp dữ liệu câu hỏi của khách truy cập và so sánh với câu hỏi của người dùng, thậm chí nhập một lượng lớn dữ liệu được cá nhân hóa trong khi người dùng đặt câu hỏi, để bổ sung cho robot thông minh truyền thống, giọng nói robot và nội dung Khả năng của cơ sở tri thức bên ngoài. Thông qua sự kết hợp này, hiệu quả của trải nghiệm người dùng có thể được cải thiện đáng kể trong một khoảng thời gian ngắn. Hơn nữa, chúng ta có thể xem xét việc cải thiện khả năng nhân hình học, nhưng đối với các công ty muốn nâng cấp khả năng hệ thống đối thoại của họ, thách thức có thể cao hơn, vì vậy nên giới thiệu chúng một cách cẩn thận. Là một điểm khởi đầu, việc coi các mô hình lớn là một phần của đầu vào kiến thức bên ngoài có thể là một điểm vào nhanh và chi phí thấp.
Cách cải thiện chất lượng hội thoại của các mô hình lớn
Wang Suwen: Chúng ta có thể xem xét các điểm sau để cải thiện chất lượng của hệ thống đối thoại.
Giảm chi phí ghi nhãn dữ liệu: Các phương pháp ghi nhãn dữ liệu truyền thống yêu cầu nhiều thao tác ghi nhãn thủ công, điều này sẽ gây tốn thời gian và tài nguyên. Để giảm sự phụ thuộc này, chúng ta có thể nghiên cứu cách sử dụng một lượng lớn dữ liệu không được gắn nhãn để đào tạo không được giám sát, do đó giảm nhu cầu về dữ liệu được gắn nhãn thủ công. Cách tiếp cận như vậy có thể cải thiện hiệu quả của việc thu thập dữ liệu và giảm chi phí.
Nâng cao khả năng khái quát hóa: Trả lời một câu hỏi thôi là chưa đủ, hệ thống đối thoại cần phải có khả năng khái quát hóa nhất định để thích ứng với các tình huống và nhu cầu khác nhau của người dùng. Bằng cách tìm hiểu tính đa dạng và quy luật của ngôn ngữ, chúng ta có thể cải thiện khả năng khái quát hóa của mô hình để nó có thể giải quyết được nhiều vấn đề và tình huống hơn.
Xây dựng và lựa chọn mô hình đối thoại: Khi lựa chọn mô hình đối thoại, chúng ta cần xem xét khả năng ứng dụng của mô hình trong các tình huống khác nhau. Hiện tại có rất nhiều model lớn để lựa chọn nên chúng ta cần tùy theo nhu cầu cụ thể mà lựa chọn model phù hợp để đạt độ chính xác và hiệu quả cao hơn.
Liên tục học hỏi và tối ưu hóa: Hệ thống đối thoại cần liên tục học hỏi và tối ưu hóa, vì hiệu quả của mô hình trực tuyến ban đầu không hoàn hảo. Hệ thống phải có khả năng tự lặp lại và tự tối ưu hóa, đồng thời cải thiện dần hiệu quả và hiệu suất thông qua việc sử dụng và phản hồi liên tục. Quá trình học hỏi và tối ưu hóa liên tục này có thể đáp ứng nhu cầu của khách hàng và làm cho hệ thống ngày càng thông minh và hiệu quả hơn.
**Wang Chao:**Tôi nghĩ mấu chốt của câu hỏi này là từ quan điểm của khách hàng và các bên kinh doanh, cũng như quan điểm của chúng tôi với tư cách là nhà phát triển và thiết kế sản phẩm nền tảng, tất cả đều hướng đến cùng một mục tiêu. Dù nhìn từ quan điểm nào, chúng ta cũng cần quan tâm đến nhu cầu cốt lõi của doanh nghiệp và kỳ vọng của hệ thống dịch vụ khách hàng thông minh trong việc cung cấp dịch vụ. Dưới các hình thức và mô hình dịch vụ khác nhau, cấu trúc kỹ thuật của sản phẩm và khả năng kỹ thuật được giới thiệu có thể khác nhau, nhưng nhìn chung không có nhiều khác biệt.
Ví dụ, đối với một số bên kinh doanh, họ có thể hy vọng rằng robot có thể cung cấp khả năng hỏi đáp và truy vấn thông tin cơ bản, lúc này chúng tôi có thể chỉ cần cung cấp một số Câu hỏi thường gặp và một số công cụ đối thoại đơn giản và mô hình thuật toán để đáp ứng nhu cầu . Đối với một số bên kinh doanh, họ hy vọng rằng robot có khả năng thay mặt họ xử lý và theo dõi công việc kinh doanh, thậm chí cung cấp dịch vụ đối thoại dựa trên kịch bản và hộ tống đầy đủ. Để đáp ứng các mức độ nhu cầu khác nhau của khách hàng, chúng tôi cần thiết kế sản phẩm và xây dựng kiến trúc kỹ thuật phù hợp, đồng thời giới thiệu các khả năng tương ứng. Do đó, tôi cho rằng việc theo sát phía doanh nghiệp, giúp doanh nghiệp tư vấn và hiểu sâu hơn về hoạt động kinh doanh của họ là rất quan trọng. Theo các nhu cầu khác nhau của khách hàng, tiến hành thiết kế sản phẩm và xây dựng kiến trúc kỹ thuật, đồng thời giới thiệu các khả năng tương ứng để đáp ứng nhu cầu của họ.
Wang Suwen: Khi sử dụng ChatGPT hoặc các mô hình lớn tương tự, bạn có thể áp dụng và triển khai chúng theo các bước sau.
Đào tạo và điều chỉnh mô hình: Chọn mô hình lớn mã nguồn mở có sẵn trên thị trường, chẳng hạn như Zhipu ChatGLM, mô hình lớn Baichuan, v.v. Xác minh và kiểm tra hiệu suất của mô hình theo nhu cầu của riêng bạn và doanh nghiệp. Thu thập dữ liệu liên quan đến miền và sử dụng những dữ liệu này để tiến hành đào tạo miền trên các mô hình lớn nguồn mở và cũng có thể thực hiện việc tạo tập lệnh bán tự động. Bằng cách tinh chỉnh và sàng lọc nhiều vòng dữ liệu đối thoại, khả năng đối thoại của các mô hình miền lớn được nâng cao. Đảm bảo mô hình đáp ứng các yêu cầu về an toàn, tinh chỉnh và xử lý hậu kỳ theo thông số kỹ thuật và giá trị.
Kỹ thuật mô hình và tối ưu hóa hiệu suất: Đối với các mô hình tổng quát, hãy xem xét tốc độ, dung lượng và khả năng nén của lý luận mô hình. Nếu mô hình quá lớn để có thể chứa một thẻ duy nhất, thì có thể xem xét xử lý song song với nhiều thẻ trên một máy hoặc nhiều thẻ trên nhiều máy. Thực hiện tối ưu hóa hiệu suất trên các mô hình, bao gồm giảm áp, nén và tăng tốc để có hiệu suất tốt hơn.
Wang Suwen: Tôi tin rằng mọi người sẽ đánh đổi theo nhu cầu và tiêu chuẩn của riêng mình khi chọn mẫu. Mỗi mô hình đều có những đặc điểm và ưu điểm riêng. Theo yêu cầu kinh doanh của mình, chúng tôi đã thử nghiệm nhiều mô hình và cuối cùng chọn hai mô hình lớn là Zhipu và Baichuan, vì các mô hình lớn của Zhipu và Baichuan đã đạt đến độ chín nhất định trong quá trình thương mại hóa. Gần đây, họ đã phát hành một mô hình mới, điều này cũng cho thấy rằng họ không ngừng tối ưu hóa và lặp lại. Tôi tin rằng với sự cải tiến liên tục của các mô hình này, việc phát triển các mô hình miền dựa trên các mô hình lớn này sẽ mang lại kết quả tốt hơn.
**Jia Haowen:**Đối với các công ty vừa và nhỏ, có thể khó phát triển từ đầu hoặc thực hiện điều chỉnh tập lệnh trên các mô hình hiện có. Các mô hình thường quá lớn để vừa với một card đồ họa hoặc máy. Ngoài ra, việc thu thập dữ liệu có cấu trúc, đặc biệt là dữ liệu liên quan đến các lĩnh vực kinh doanh cụ thể, cũng rất quan trọng. Bởi vì trong quá trình đào tạo ban đầu của ChatGPT, rất nhiều việc thu thập và tổ chức dữ liệu đã được thực hiện, điều này yêu cầu sử dụng dữ liệu trong trường của chính nó để tinh chỉnh mô hình trong quá trình điều chỉnh tập lệnh. Điều này liên quan đến một số tính toán song song nhiều máy và nhiều thẻ, có thể yêu cầu người đào tạo mô hình và thuật toán phải có kiến thức cao, chẳng hạn như các phép đo gia tốc tensor và các phép đo tích lũy gradient.
Trong quá trình triển khai và vận hành mô hình, có thể cần xem xét tốc độ mạng để đào tạo mô hình, lựa chọn ổ cứng (như Zata hoặc SSD), lưu trữ và các công cụ tăng tốc truyền dữ liệu, những công cụ có yêu cầu cao đối với môi trường vận hành và bảo trì . Nói chung, quá trình đào tạo mô hình lớn hiện tại có thể tương đối khó khăn, nhưng đối với quá trình triển khai và suy luận đơn giản, về cơ bản có thể triển khai nó trên V100 dựa trên mô hình lớn như 6B hoặc 13B.
Nếu quá trình điều chỉnh và đào tạo mô hình được hoàn thành và triển khai cho hệ thống trực tuyến, chúng tôi thường xem xét việc nâng cấp toàn bộ kiến trúc. Hiện tại, cơ sở dữ liệu phổ biến trong ngành là cơ sở dữ liệu vectơ Milvus, cơ sở dữ liệu này có thể tạm thời lưu trữ các kết quả được tạo thông qua truy xuất vectơ, tương tự như bộ đệm Redis mà chúng ta thường sử dụng. Do các đặc điểm của cơ chế tạo cloze, mặc dù phong cách cụ thể của từng thế hệ có thể khác nhau, nhưng ý nghĩa chung là như nhau. Để giảm chi phí trực tuyến, chúng ta có thể áp dụng cơ chế như vậy. Đồng thời, cũng cần có một bộ giải pháp hoàn chỉnh cho hệ thống rà soát nội dung, hệ thống chuẩn bị dữ liệu đào tạo và hệ thống dán nhãn.
Nói chung, đào tạo một mô hình lớn không hẳn là khủng khiếp, nhưng nó có thể làm tăng yêu cầu của ngăn xếp công nghệ trước đây của chúng ta, nhưng cải tiến này cũng có thể khắc phục được, tuy có thể hơi khó khăn nhưng chúng ta hoàn toàn có thể học hỏi và rèn luyện để đáp ứng được những thử thách.
Wang Chao: Trong câu hỏi này, tôi có thể chia sẻ một số thông tin về mô hình lớn đang được phát triển. Chúng tôi đang phát triển mô hình công nghiệp của riêng mình và mong muốn được hợp tác với các doanh nghiệp và đồng nghiệp. Thông tin thêm về các cơ hội hợp tác sẽ được công bố sau tháng Bảy. Ngoài ra, hãy đề cập đến cách xác minh mô hình lớn nào tốt hơn. Về vấn đề này, chúng tôi quan tâm nhiều hơn đến cách áp dụng thành công các mô hình quy mô lớn đã được chứng minh trên nền tảng, chẳng hạn như Baichuan và các mô hình khác, đồng thời khuyến khích mọi người chú ý và hiểu chúng.
Wang Suwen: Toàn bộ quá trình phát triển và triển khai các mô hình lớn cần một khoảng thời gian nhất định. Đặc biệt trong quá trình nén, tăng tốc và tối ưu hóa các mô hình, việc thử nghiệm và điều chỉnh lặp đi lặp lại là bắt buộc, điều này có thể rất tốn thời gian. Ví dụ: chúng tôi đã từng phát triển một mô hình có thang điểm 7B, sau khi tối ưu hóa, trên cấu hình loại b 4 thẻ trên máy chủ A800, tốc độ suy luận đã giảm từ 28 mili giây trước đó xuống còn khoảng 5 mili giây. Tổng nỗ lực của con người phụ thuộc vào công việc bạn làm.
Đầu tiên, toàn bộ khung cơ bản cần được xây dựng và mô hình phải được nén và lượng tử hóa, bao gồm cả việc tối ưu hóa người vận hành. Chúng tôi đã tối ưu hóa dựa trên FastarTransformer của Nvidia, vì vậy chúng tôi cần tùy chỉnh toán tử tối ưu hóa, chọn một công cụ suy luận phù hợp với nhu cầu, chẳng hạn như Triton của Nvidia và cung cấp dịch vụ theo các phụ trợ khác nhau. Cuối cùng, cần phải kiểm tra hiệu suất tổng thể để xác định hiệu suất tốt nhất của mô hình trên các thiết bị khác nhau và để triển khai lần cuối. Theo kinh nghiệm của chúng tôi, toàn bộ quá trình thích ứng mất ít nhất một tháng. Ngoài ra, sẽ mất một thời gian để tối ưu hóa tác vụ điều chỉnh hướng dẫn, tùy thuộc vào nhu cầu kinh doanh cụ thể và số lượng hướng dẫn. Tùy thuộc vào loại hình kinh doanh, thường cần một nhóm hơn chục người để thực hiện.
Wang Suwen: Có, một mô hình được đào tạo bài bản và tối ưu hóa trong một ngành cụ thể có thể nhanh chóng được triển khai và nhân rộng cho các khách hàng trong ngành đó. Bằng cách này, chúng tôi có thể tận dụng công việc trước đây của mình và cung cấp cho khách hàng các giải pháp tùy chỉnh. Ví dụ: chúng tôi có các mô hình được tối ưu hóa trong lĩnh vực tài chính, bảo hiểm, quản lý tài sản và ngành bán lẻ, vì vậy chúng tôi có thể nhanh chóng nhân rộng các mô hình được tối ưu hóa này và cung cấp dịch vụ cho khách hàng một cách nhanh chóng. Khả năng tái sử dụng này có thể cải thiện đáng kể hiệu quả và tăng tốc độ cung cấp các giải pháp.
Jia Haowen: Để phát triển các mô hình miền lớn, việc thu thập dữ liệu là cần thiết cho các mô hình miền cụ thể. Đối với những lĩnh vực mang tính chuyên môn cao (chẳng hạn như luật), việc thu thập dữ liệu có thể mất nhiều thời gian, có thể nửa tháng, thậm chí cả tháng. Sau khi hoàn thành việc thu thập dữ liệu và xử lý có cấu trúc, các liên kết sau có thể bắt đầu, chẳng hạn như điều chỉnh tập lệnh và quy trình đào tạo đa cấp và đa thẻ. Sau khi hoàn thành các bước này, nhiều vòng đánh giá hiệu ứng mô hình thường được thực hiện vì kết quả do cơ chế Máy biến áp tạo ra có thể không đủ tin cậy và cần phải thực hiện một số lượng lớn các thử nghiệm hiệu ứng để đảm bảo độ tin cậy của mô hình. Khi quá trình đào tạo mô hình về cơ bản hoàn tất và sẵn sàng cho mục đích sử dụng thương mại ban đầu, chúng tôi có thể tiến hành công việc sản xuất thêm theo nhu cầu của khách hàng và đóng gói thành một sản phẩm hoàn chỉnh để cung cấp cho người dùng các dịch vụ toàn diện.
Từ quan điểm chi phí, việc đối chiếu dữ liệu có thể mất nửa tháng đến một tháng để đào tạo một mô hình tương đối nhỏ với quy mô 6B hoặc 7B. Tuy nhiên, điều này cũng đòi hỏi một điều kiện tiên quyết quan trọng, đó là nhóm chịu trách nhiệm đào tạo mô hình phải quen thuộc với các phương pháp và phương pháp đào tạo đa thẻ đa máy, đồng thời quen thuộc với các chiến lược tăng tốc dữ liệu và chiến lược tăng tốc bộ nhớ khác nhau. Ngoài ra, việc chuẩn bị môi trường cũng rất quan trọng. Đối với một số công ty nhỏ, nếu muốn đào tạo các mô hình lớn, họ có thể phải thuê máy trên các nền tảng như Alibaba Cloud hay Tencent Cloud và xây dựng môi trường của riêng mình. Chi phí bổ sung này cũng cần được tính đến.
Phát triển mô hình lớn, tỷ lệ đầu vào đầu ra là bao nhiêu?
Jia Haowen: Để đánh giá tỷ lệ đầu vào-đầu ra, cần xem xét các kịch bản và nhu cầu kinh doanh cụ thể. Đối với các ngành công nghiệp viết quảng cáo, quảng cáo và điện ảnh và truyền hình truyền thống như tạo kịch bản sáng tạo, AIGC và các mô hình lớn khác có thể nhanh chóng tạo ra một lượng lớn tài liệu.Mặc dù độ tin cậy có thể thiếu nhưng nó có thể cải thiện đáng kể hiệu quả sản xuất.Đối với các nhiệm vụ sản xuất sáng tạo này , đầu vào Tỷ lệ đầu ra có thể rất tiết kiệm chi phí. Tuy nhiên, đối với các lĩnh vực khác như kiến tạo kiến thức pháp lý, phân tích tình huống, phân tích hợp đồng bảo hiểm… do kết quả đầu ra có thể không hoàn hảo nên cần đầu tư nhiều nhân lực và trải qua nhiều vòng điều chỉnh mô hình để đạt được hiệu quả cao. đầu ra lý tưởng hơn. Do đó, tỷ lệ đầu vào-đầu ra có thể cao hơn.
Đối với việc giám sát, chúng ta cũng cần xem xét các chính sách quy định được đưa ra gần đây liên quan đến việc tạo ra sâu. Nó chủ yếu liên quan đến một số khía cạnh. Trước hết, chúng ta cần chú ý xem nó có vi phạm quyền sở hữu trí tuệ, bản quyền của các nhà soạn nhạc, nhà văn, họa sĩ, v.v. hay không và có dễ tạo ra thông tin sai lệch hay không. Về quy định đối với kết quả tạo ra, chúng ta cần đảm bảo cơ chế hỗ trợ rà soát, quản lý nội dung để đảm bảo văn bản, hình ảnh tạo ra không vi phạm quyền sở hữu trí tuệ. Đồng thời, đối với các ngành công nghiệp truyền thống, việc tuân thủ và kiểm soát rủi ro cũng là những điểm cần cân nhắc quan trọng. Khi các thử nghiệm phát triển, một chuỗi ngành công nghiệp mô hình lớn có thể hình thành, với một số nghiên cứu về phương tiện sản xuất để tạo ra mô hình lớn và những người khác nghiên cứu các biện pháp để ngăn chặn việc tạo ra mô hình lớn quá mức. Việc thiết lập sự tương ứng này sẽ được lặp đi lặp lại theo thời gian để đạt được sự cân bằng tốt giữa việc tạo và giám sát các mô hình lớn trong khuôn khổ luật pháp, quy định và đạo đức.
Wang Suwen: Trước hết, khi chúng ta đào tạo mô hình miền hoặc mô hình lớn, tính tuân thủ và tính hợp pháp của dữ liệu là rất quan trọng, chúng ta nên lấy dữ liệu thông qua các kênh chính thức và đảm bảo tính an toàn và bảo mật của dữ liệu.
Thứ hai, khi chúng tôi tiến hành đào tạo mô hình miền cho khách hàng, chúng tôi phải đảm bảo tính bảo mật và tuân thủ của dữ liệu trong doanh nghiệp và dữ liệu giữa các doanh nghiệp khác nhau phải được cách ly và không thể sử dụng lại hoặc tùy ý sử dụng trong đào tạo. Ngoài ra, khi đào tạo mô hình miền cho khách hàng, chúng ta cũng cần thực hiện tinh chỉnh và căn chỉnh để đảm bảo mô hình đầu ra đáp ứng yêu cầu tuân thủ.
Từ góc độ quy định, các cơ quan chính phủ cần có kiến thức chuyên môn liên ngành và liên lĩnh vực khi xây dựng khung quy định. Chúng tôi hợp tác với Học viện Công nghệ Thông tin để cùng thiết lập một khung pháp lý hợp lý và tiến hành hợp tác sâu rộng với nó. Chúng tôi cũng đang tiến hành chứng nhận an toàn với Viện Hàn lâm Khoa học và Công nghệ để đảm bảo rằng các mẫu xe lớn của chúng tôi đã được kiểm tra và xác minh nghiêm ngặt.
Chỉ thông qua sự hợp tác của chính phủ, các chuyên gia và doanh nghiệp, chúng ta mới có thể thúc đẩy sự phát triển lành mạnh của AIGC, đáp ứng nhu cầu của người dùng và đảm bảo sử dụng an toàn các mô hình lớn.
Trong lĩnh vực chăm sóc khách hàng thông minh, đâu là rào cản cốt lõi đối với doanh nghiệp?
Wang Chao: Đối với ngành dịch vụ khách hàng thông minh, vấn đề đồng nhất hóa có liên quan mật thiết đến mục tiêu mua dịch vụ khách hàng thông minh và ROI dự kiến. Tại JD.com, khi xây dựng dịch vụ khách hàng thông minh, doanh nghiệp nên chia mục tiêu phát triển thành 3 giai đoạn: sơ cấp, trung cấp và cao cấp (hoặc trưởng thành). Nếu mục tiêu của khách hàng còn sơ khai, tức là mới chỉ có chức năng hỏi đáp, hỏi đáp đơn giản, thì nhu cầu mua dịch vụ khách hàng thông minh có thể cũng tương tự. Trong trường hợp này, mức độ đồng nhất có thể cao hơn. Tuy nhiên, nếu nhu cầu của khách hàng được định vị ở cấp độ cao hơn, chẳng hạn như cung cấp dịch vụ chủ động, theo dõi đầy đủ và dịch vụ theo kịch bản đầy đủ, thì cần xem xét liệu nhà cung cấp dịch vụ khách hàng thông minh có phương pháp điều hành phù hợp và hoàn thiện liên quan hay không. hệ thống công cụ điều hành. Dựa trên logic này, tôi nghĩ rằng một trong những rào cản cốt lõi của thế hệ sản phẩm dịch vụ khách hàng thông minh hiện tại là liệu nhà cung cấp có kinh nghiệm dự án robot phức tạp và trưởng thành cũng như kinh nghiệm vận hành phong phú hay không.
Một điểm quan trọng khác là liệu một công ty dịch vụ khách hàng thông minh có thể cung cấp phương pháp điều hành hướng dẫn và lập kế hoạch dài hạn, cũng như các hệ thống công cụ điều hành hỗ trợ liên quan, ngoài việc cung cấp các sản phẩm và công nghệ có liên quan hay không. Đồng thời, liệu chúng tôi có thể giúp khách hàng xây dựng tiếng vang tài năng và cung cấp dịch vụ đào tạo hay không. Những yếu tố này rất quan trọng trong thế hệ bot hiện tại.
Còn tương lai, những mẫu xe phân khối lớn sẽ là một rào cản quan trọng. Đối với sản phẩm bạn đã đề cập, liệu các loại mô hình lớn khác nhau có thể được tích hợp hiệu quả với khả năng của sản phẩm ban đầu hay không sẽ là yếu tố chính. Đồng thời, khả năng phát triển mô hình lớn cũng sẽ trở thành lợi thế cạnh tranh riêng.
**Jia Haowen:**Từ dịch vụ khách hàng truyền thống đến dịch vụ khách hàng mô hình quy mô lớn, toàn bộ quá trình có thể được coi là rào cản đối với cạnh tranh. Mặc dù chúng tôi không thể cạnh tranh với các công ty lớn về sức mạnh tính toán và khối lượng dữ liệu, nhưng chúng tôi có thể cạnh tranh trong các lĩnh vực liên ngành, chẳng hạn như ứng dụng kiến thức tâm lý trong đào tạo mô hình quy mô lớn và sự giao thoa của trí thông minh nhận thức và các ứng dụng mô hình quy mô lớn.Có lợi thế của người đi đầu. Đối với các công ty khác, họ cũng có thể kết hợp những đặc điểm riêng của mình để trở nên nổi bật trong quy trình đào tạo và dịch vụ mô hình lớn ngày càng đồng nhất.
Wang Suwen: Vấn đề này thực ra tóm lại ở hai điểm cốt lõi: Các công ty dịch vụ khách hàng thông minh cần xem xét cách tạo ra lợi nhuận và tăng tỷ suất lợi nhuận gộp. Để đạt được điều này, có hai khía cạnh cần tập trung vào đầu tiên. Đầu tiên, bạn cần cung cấp dịch vụ khách hàng thông minh chất lượng cao để làm hài lòng khách hàng, để doanh nghiệp của bạn có thể phát triển lâu dài. Do đó, điều rất quan trọng là phải chú ý đến tác dụng của sản phẩm, bao gồm cả việc cải thiện sức mạnh sản phẩm và hiệu ứng thông minh, để cải thiện trải nghiệm và sự hài lòng của người dùng. Thứ hai, tập trung nâng cao hiệu quả, xem xét vấn đề tỷ lệ đầu vào - đầu ra, tiết giảm chi phí và tăng biên lợi nhuận gộp của dự án. Việc cải thiện phân phối dự án và hiệu quả hoạt động là chìa khóa, và sự hài lòng của sản phẩm, hiệu quả triển khai và triển khai cũng như tích hợp nhanh chóng với các hệ thống kinh doanh của khách hàng và kết nối nội dung hoạt động phải được xem xét. Bạn cần có một phương pháp phân phối hoàn chỉnh và các công cụ vận hành để cải thiện tỷ suất lợi nhuận gộp của dự án nhằm đạt được lợi nhuận và duy trì sự phát triển bền vững.
Các công ty dịch vụ khách hàng thông minh có thể được chia thành hai loại, một là nhà sản xuất chuyên nghiệp trong các lĩnh vực dọc và loại còn lại là nhà sản xuất đa năng. Các nhà cung cấp dịch vụ khách hàng thông minh trong các lĩnh vực dọc tập trung vào các lĩnh vực cụ thể, chẳng hạn như thương mại điện tử hoặc bảo hiểm. Lợi thế và rào cản của họ nằm ở sự tập trung vào ngành, tối ưu hóa liên tục bản đồ và dữ liệu kiến thức ngành, đồng thời cung cấp các giải pháp đặc biệt và khả năng cạnh tranh cốt lõi. Zhongguancun Kejin là nhà cung cấp giải pháp AI đàm thoại. Chúng tôi tập trung vào tài chính, các vấn đề của chính phủ, bán lẻ và các ngành khác. Chúng tôi đã cung cấp dịch vụ cho hơn 900 nhà lãnh đạo ngành và tích lũy kiến thức phong phú về ngành. Chúng tôi cũng có kế hoạch ra mắt các mô hình miền quy mô lớn và mục đích chung, đồng thời nâng cấp các sản phẩm như dịch vụ khách hàng thông minh, robot cuộc gọi đi, trợ lý kiểm tra chất lượng và đấu tập bằng cách tích hợp các công cụ đối thoại để nâng cao khả năng cạnh tranh của chúng tôi trong ngành.
Thứ hai, cải thiện hiệu quả giao hàng và hoạt động cũng là chìa khóa. Sự hài lòng về sản phẩm là rất quan trọng để giảm chi phí phân phối dự án, triển khai và thực hiện hiệu quả, cũng như tích hợp nhanh chóng với hệ thống kinh doanh của khách hàng và kết nối nội dung vận hành, sẽ cải thiện hiệu quả hoạt động. Bạn cần có một bộ phương pháp phân phối và các công cụ vận hành để đảm bảo tỷ suất lợi nhuận gộp tối đa của dự án. Làm như vậy sẽ cho phép bạn có lợi nhuận và bền vững trong thời gian dài.
*AIGC sẽ thay thế hoàn toàn nhân viên dịch vụ khách hàng truyền thống? *
Wang Chao: Là một học viên, tôi lạc quan về triển vọng của AIGC và vấn đề thay thế liên quan đến các quan điểm khác nhau. Một quan điểm là từ góc độ của thị trường chứng khoán và tin rằng không gian thị trường của ngành dịch vụ khách hàng là có hạn, vì vậy AIGC có thể thay thế nhân lực truyền thống. Tuy nhiên, tôi thích nghĩ về nó từ góc độ gia tăng.
Trước hết, dịch vụ khách hàng thông minh vẫn cần sự hỗ trợ vận hành của con người và nhân viên vận hành vẫn đóng vai trò quan trọng trong quá trình chuyển đổi từ dịch vụ khách hàng truyền thống sang dịch vụ khách hàng thông minh. Thứ hai, chế độ vận hành trong tương lai có thể thay đổi và sự hợp tác giữa dịch vụ khách hàng thông minh và nhân viên vận hành thủ công sẽ hình thành một chế độ vận hành mới. Trong mô hình này, một số ít nhà khai thác có thể mang theo robot dịch vụ khách hàng thông minh để cung cấp dịch vụ 24 giờ chất lượng cao với chi phí thấp hơn, điều này sẽ cho phép nhiều doanh nghiệp nhỏ và siêu nhỏ cung cấp dịch vụ khách hàng theo những cách mới và mở rộng quy mô thị trường. Nói tóm lại, từ quan điểm gia tăng, dịch vụ khách hàng thông minh sẽ không thay thế hoàn toàn dịch vụ khách hàng truyền thống, nhưng sẽ bổ sung cho nó, mang lại những cơ hội và dư địa phát triển mới cho thị trường.
Wang Suwen: Trong tương lai gần, dịch vụ khách hàng của con người sẽ không bị thay thế hoàn toàn, bởi vì họ có những lợi thế riêng trong việc xử lý các vấn đề phức tạp, có tính tư duy và cảm xúc. Đặc biệt trong việc giao dịch với khách hàng giá trị cao, khách hàng tiềm năng và cải thiện tỷ lệ chuyển đổi khách hàng, dịch vụ khách hàng con người vẫn đóng một vai trò quan trọng. Do chi phí cao để có được khách hàng, nhiều công ty vẫn hy vọng có thể theo dõi và đảm bảo giao dịch hiệu quả thông qua dịch vụ khách hàng của con người. Do đó, mối quan hệ giữa dịch vụ khách hàng con người và dịch vụ khách hàng thông minh là một mô hình hợp tác kết hợp lẫn nhau. Các doanh nghiệp cần xem xét lợi thế của dịch vụ khách hàng con người và dịch vụ khách hàng thông minh theo điều kiện của mình và xây dựng mô hình dịch vụ khách hàng tốt nhất.
Nhìn chung, tôi nghĩ rằng không gian phát triển trong tương lai của AIGC là rộng lớn và toàn ngành cũng đã nhìn thấy điều này. Trong hai đến ba năm tới, AIGC và các công nghệ như ChatGPT sẽ phát triển với tốc độ cao và thúc đẩy nâng cấp toàn bộ ngành dịch vụ doanh nghiệp. Cả Internet và ngành dịch vụ doanh nghiệp sẽ trải qua những nâng cấp và thay đổi quy mô lớn, bao gồm cả việc cải thiện các cơ sở hỗ trợ. Hiện AIGC vẫn còn tồn tại một số vấn đề như chất lượng nội dung, chi phí đầu tư, bảo mật dữ liệu và bản quyền. Do đó, chúng ta vẫn cần phát triển lâu dài hơn, bao gồm khám phá các phương pháp lập mô hình phức tạp và hiệu quả hơn, để cải thiện những vấn đề này. Tôi tin rằng với sự tiến bộ của công nghệ, không gian phát triển của những mẫu xe cỡ lớn sẽ rộng vô hạn.
**Jia Haowen: **Thật vậy, chúng ta không nên quá chú trọng vào sự thay thế, mà hãy tập trung vào những thay đổi trong mô hình làm việc và kinh doanh sẽ xảy ra trong tương lai. Trong quá trình thúc đẩy kinh doanh, chúng ta cần đo lường tỷ lệ đầu vào so với đầu ra, đặc biệt là trong việc thúc đẩy dịch vụ khách hàng, chúng ta cần xem xét tính bảo mật của quyền riêng tư dữ liệu người dùng, tuân thủ luật pháp và các quy định cũng như các kịch bản chéo và chéo công nghiệp dịch vụ nhân hình. Các mô hình lớn có thể mang lại giá trị cao cho nhân viên dịch vụ khách hàng truyền thống, sẽ mang lại những thay đổi về chất nhưng không có nghĩa là thay thế dịch vụ khách hàng của con người. Nhìn chung, mặc dù hiện tại mô hình lớn có một số vấn đề nhưng nó có triển vọng lớn trong tương lai. Nói một cách văn hoa hơn, sự phát triển của các mô hình lớn sẽ biến giấc mơ thành hiện thực trong tương lai gần, và chúng ta sẽ sớm có thể tự mình trải nghiệm điều đó.