有公開資料表明，人工智能行業從業者規模將迎來爆發式增長。預計2022年，國內外相關從業者有望達到500萬。
其實很早之前，我們就已經接觸了人工智能，只是當時還處于初級階段，我們也沒有意識到這就是人工智能，比如10086的“查詢通話賬單請按1”等等。近幾年生活中我們最熟悉的莫過于Siri、小愛等智能產品的誕生和普及，人們也越來越接受智能帶來的高效。但這些都僅限于簡單的語音指令。
隨著NLP領域的快速發展，許多呼叫中心已經逐步開始去人工化，轉型為AI智能化服務，通過智能語音服務進行高效的篩選，更快的定位“商機”，如產品的意愿篩選，可以簡單的做一到兩輪對話，搜集客戶的意愿，從而給人工服務提供有效的數據，以更高效的觸達機會客群，避免過多的人力浪費。畢竟，智能外呼的效率至少有1：20，且不受情緒、生理因素等影響。
近幾年人工智能技術高速發展，就呼叫中心行業而言，結合了外呼平臺、 NLP 、ASR等系統，多輪對話技術也迅速發展?，F在的人工智能可以與客戶有效的進行非常多的交互，對于IB業務，可以替代部分人工工作，準確定位，高效解決客戶問題，對于OB業務，也可以為公司在做調研、金融產品介紹、營銷等方面，達到和人工回訪不相上下的效果。
對于所有好的人工智能產品來說，核心技術、產品化、商業化是最重要的三要素。
人工智能核心技術，現在市面上已經有非常多成熟的產品可供行業內所有公司自由使用。那么我們如何才能做到利用同樣的技術實現最佳的高效服務？
在筆者看來，就像使用office一樣，最重要的是深入了解其操作方法，運用這些技術、技巧，對我們自己產品的邏輯不斷地進行打磨，通過可視化編輯，依托于公司大量客戶數據的分析結論，設計準確的交互流程，最終形成區別于其他友商同類型的產品，成為行業內擬人度最高的一款人工智能產品。
而我們就是這一群學習研究操作方法、技巧，并最終將我們的智能機器人對話流程化、產品化的人。相比于office這樣穩定成熟的產品而言，功能的快速迭代幾乎是不可能的，但是我們能夠利用的技術和交互流程設計都還在高速發展、優化中，想要對平臺的功能、流程隨時做優化、修改甚至匹配我們的產品做定制化，都更容易實現在這些設計上大展拳腳，我們這群人就是人工智能訓練師！
圖片
人工智能行業還在飛速發展過程中，深度學習還遠未達到我們預期的效果。一方面是因為神經網絡系統太過于復雜，還需要一些時日去做研究，另一方面是中國語言文化的博大精深，人工智能對于漢語的準確理解還存在難點。但即便是還在機器學習的時代，我們仍然能利用好的數據分析模型去彌補機器算法的欠缺。
就以現在的OB為例，多輪對話的設計在特定客群不發生變化的情況下，可以說是一勞永逸，無需迭代。但無論是銷售，還是調研，在保證有效降低人工成本的同時，我們還要確保數據回收的有效性、可分析性。
01
首先，了解產品的背景、場景后對邏輯的梳理是個技術活，它是一個有多條出口的迷宮，路徑是由我們來設計的，我們是引路人，當客戶走錯了路徑以后，除非“自我放棄”，否則我們會一直引領客戶走在正確的道路上，直至抵達出口。路徑的規劃就是核心邏輯，我們不能把自己繞暈了、一定是有正確路徑且每個路徑都有正確的引導。就像超市促銷定價、心理醫生暗示一樣，要抓住客戶的回答圍繞著呼叫目的前進，即使出錯，我們也要有Plan-B去應對甚至暗門來跨過。當然前提是，你要如何用話術讓客戶回答出我們需要的答案。無論是封閉的問答還是開放的問答，都需要能達到呼叫的目的，且能分析。
02
其次，我們的路徑我們做主，明確每個路徑的意圖及定義，模擬標準答案，也就是如何去有效的定義我們NLP的路徑。當然客戶的回答肯定不是完全標準的答案，口語也不會像打字一樣精煉準確，同時還要受到ASR的影響，那我們的NLP必然大打折扣，所以針對這個既定的標準答案，我們還需要做足夠的發散擴寫以及ASR轉譯補充，讓意圖明確且飽滿，這些數據大都來源于實際的客戶回答，搜集、整理、清洗這些數據，并投放到我們定義好的意圖中，以確保其正確觸達，才能彌補算法的缺陷。
03
最后，這是個持續的過程，智能語音訓練師不僅要設定路徑，更重要的是分析數據，并進行快速迭代，當出現較大比例的客戶都在相同路徑下碰壁，那一定是我們的多輪對話出現了問題，需要重新梳理邏輯。
產品邏輯更有效，服務觸達更多客戶的需求，團隊擁有快速迭代的能力，我們的產品才能真正實現商業化。
人工智能是未來科技賦能的發展趨勢，人工智能訓練師是推動這個趨勢不可或缺的角色。
