任務型對話機器人

隨著人工智能' target='_blank'>人工智能不斷的擺脫人工而達到智能，人們對人工智能的產物充滿期待，其中最大的方向之一便是對話機器人方向。本文將簡單介紹人工智能的發展與聊天機器人的設計，并通過在電銷場景的應用，手把手的教讀者如何一個月內實現對話機器人。

1. 人工智能

2016年，一個圍棋少年，橫空出世，打敗各路高手，站在了圍棋領域的世界之巔，這位少年就是Alpha Go，而由此引發了人工智能的新一輪浪潮。回顧人工智能的發展歷程，最早可以追溯到1956年，是在美國的Dartmouth學會上提出的，這一年也被認定為全球人工智能研究的元年。

經過數十年的研究，目前，人工智能已進入高速發展時期，就在今年的九月十七號，舉世矚目的2018世界人工智能大會，在上海正式拉開帷幕。34場主題論壇、10位頂尖科學家、150家領袖企業齊聚一堂，甚至，李彥宏馬云馬化騰雷軍等互聯網巨頭悉數到場，激辯人工智能。無論是國際巨頭，還是BAT——都把人工智能列為了最核心的戰略。

2. 任務型人機對話系統

作為人工智能的一個載體，聊天機器人被廣泛的關注，并不斷得到發展，可以說，聊天機器人是最能讓我們切實感受到人工智能的重要產物之一。世界上首個聊天機器人誕生于19世紀60年代，它的名字叫Eliza，是一款定位于精神診療的機器人，雖然現在看來Eliza只是一種初步的、簡單的嘗試，卻奠定了機器人的不斷發展的基礎。自2010年喬布斯將Siri引入iphone4，聊天機器人呈現出井噴式增長的趨勢，國內的聊天機器人也如火如荼地開展，微軟小冰，度秘，Siri，微軟Cortana等不斷出現在人們的視野，受到工業界和科研界的廣泛青睞。

以上提到的度秘、Siri、微軟Cortana這類機器人稱為個人助理，因為他們的目標更多的是完成人們指定的任務，而像微軟小冰則稱為聊天機器人。更為專業的稱呼是前者為特定領域的聊天機器人，即Task-Oriented Chatbot或Closed-Domain Chatbot；后者主要以閑聊為主，被稱為None Task Oriented Chatbot或Open Domain Chatbot。這種劃分是從機器人的功能上進行的，而在聊天機器人的技術實現上又可以劃分為檢索式聊天機器人和生成式的聊天機器人。

領域任務型人機對話系統是一個閉環的雙向連續信息交換系統，傳統觀點往往把它粗略地分為輸入、理解和輸出3個模塊，其中輸入輸出和理解之間進行的是確定信息的交換，理解被籠統地認為是采用自然語言處理技術對輸入文本進行分析。這種分割方式忽視了信息的不確定性和人腦對各個模塊進行整體的、系統的調度協調的認知能力，也沒有把信息內容本身的管理與信息的調度和控制區分開來，而這些恰恰是現實的自然人機對話中不可回避的主要問題。因而，本文將任務型人機對話系統分為3個層次，進而討論其實現原理。

其中最外部的IO層是對物理層面信號的處理。中間的控制層對IO層得到的編碼進行語義解釋，維護對話系統的認知狀態空間，管理知識的交互式提取和交換，并進行對話推理和決策。最內部的知識層是對領域任務相關知識的管理，目標是對特定的知識進行對話前的離線預處理。

3. 電銷的業務場景應用

在了解了任務型人機對話系統的原理之后，結合部門的電話銷售' target='_blank'>電話銷售場景，本文覺得完全可以將銷售與客戶交流的過程交由機器人去處理。目前，電話銷售是企業開發新客戶的重要手段，電話銷售對銷售線索進行電話撥打，從而開發出新客戶訂單。

通過開發設計智能銷售機器人，可以更好的覆蓋銷售線索，挖掘篩選出潛在意向線索分發給銷售人員跟進，提升銷售線索的覆蓋度與成交率，更大發揮銷售人員價值，提升新客戶開發量。

智能銷售機器人有三個場景作用，即通話前、通話中和通話后。通話前可以通過線索特征來配對相應特征的機器人，通話中機器人需要做的事情就是主題識別和對話管理，生成推薦的語音合成，通話后，機器人還可以對話題點進行總結，生成意向度得分，實施現場轉接和掛機分配等操作。

當然，這套產品方案只是為了給讀者從全局角度展示機器人的業務邏輯與模塊功能，讀者想要在一個月內實現一個智能電銷機器人產品肯定是不太可能的，但是本文接下來提到的，如果讀者想要自己實現一個智能機器人，那就必須得要仔細研讀了。

智能銷售機器人系統層次圖

本文根據領域任務型人機對話系統層次圖設計了智能銷售機器人技術系統的層次圖。IO層是由百度對外開放的呼叫云平臺和AI開發平臺上的語音技術部分構成，讀者可以方便的自己實現IO層的核心技術，其中讀者需要實現freeswitch模塊與語音網關和語音技術的交互，freeswitch需要從語音網關獲取到客戶語音，然后傳給ASR client（AI開放平臺語音技術的語音識別模塊）去實時的獲取語音識別的結果，最終將識別結果傳輸給控制層的意圖識別模塊，當機器人給出答案（Action）后，通過語音合成，freeswitch將語音流再發給語音網關進行播放。

知識層是智能銷售機器人的基礎，需要對行業場景進行分析，設計自己行業的場景與話述，并且對現有的銷售與客戶的對話數據進行標注，作為控制層模型的訓練數據。

控制層是智能銷售機器人技術實現方案中最核心的部分，可以說是機器人的大腦，控制中樞，決定機器人是否智能的重要環節。本文將詳細介紹智能銷售機器人的控制層技術。下圖是智能銷售機器人的核心對話方案。

智能對話方案

上述對話方案最核心的兩大模塊是NLU（Natural Language Understanding）和DM（DialogManagement）。NLU模塊負責理解客戶說的每一句話，DM模塊負責結合對話的上下文邏輯，給出應答，這也對應于控制層的語義理解和對話管理，而控制層的內容生成模塊，目前采用的是檢索式的應答方案，當對話管理得到action后，通過檢索生成銷售機器人要說的話，當然，本文后續會涉及到基于生成式的任務型機器人設計方案。為了讓讀者更清晰的了解對話機器人的核心技術設計方案，本文將詳細介紹NLU模塊和DM模塊的技術設計方案。

SIMNET模型框架

智能銷售機器人的NLU模塊采用的是百度從2013年便自主研發的語義匹配框架SimNet，它通過構建文本語義相似度，克服了傳統基于字面匹配方法的局限。SimNet支持PaddlePaddle和Tensorflow兩種平臺訓練。基于SimNet語義匹配框架，開發者可以快速訓練已有的語義匹配網絡模型。這樣，智能銷售機器人在了解客戶每句話的意圖之后，通過對話管理模塊，控制對話過程。

DM模塊技術實現方案

DM模塊是通過LSTM模型對現有的銷售與客戶間對話進行訓練，得到Action決策模型，當傳來NLU模塊已識別的意圖之后，DM模塊的DST組件會記錄客戶歷史的說話意圖，從而實現結合上下文給出應答。

至此，一個身懷絕技的智能銷售機器人便設計出來了。通過部門的呼叫中心調用，就可以實現機器人外呼與客戶進行交流，識別客戶意圖，促進客戶成單了。當然，只要知識庫語料更換，場景也可以隨之更換，應用十分廣泛。

4. 展望未來

文章寫到這，基本已經把智能機器人的前世今生都闡述了一遍，甚至還給出了一個實際的應用場景，當然還有細節沒有涉及到。在設計一款智能機器人的這條路上，還有很長的路要走，需要更多的科研學者不斷的探索與實踐，我相信，未來，智能機器人會更加智能、更加準確的服務人類，會有更多的智能機器人定位，從而使人類的生活更加美好。