什麼是聊天機器人? 聊天機器人是可以與用戶進行類似人類對話的軟體。使用者可以與它交談或通過聊天應用程式向其發送消息,它將通過說話、鍵入內容或顯示圖形內容來適當地做出回應。主要用例 chatbots 目前在客戶支援中,他們習慣於回答簡單,重複的問題,並將更複雜的問題升級到人工代理。
儘管在廣泛用於客戶支援之前有一些問題需要解決(除了亞馬遜Alexa訂購產品和其他一些示例),但對話介面正在迅速用於 客戶支援 功能。
從 商業 角度來看,聊天機器人專案與任何其他項目一樣,需要根據風險和回報進行評估。
在本文中,我們將研究可能的聊天機器人實施挑戰以及如何避免這些挑戰。
這裏強調的許多風險是可以避免的,因為早期採用者面臨的許多問題現在都是眾所周知的。
不可避免地 chatbots 語音將很快被廣泛用於客戶支援,因為 在許多情況下,聊天機器人的投資回報率 高於1,000%,這不僅是由於節省成本,而且同樣是由於客戶參與度和滿意度的提高以及由此產生的收入機會。
那裡的機器人 平台 已經成熟到現在對企業來說唾手可得的果實。不僅會 chatbots 廣泛用於客戶支援,但用例將迅速擴展到客戶支援,最終將主導客戶支援作為主要用例。
超越炒作
通常很難評估一項新技術,因為你知道圍繞產品的一些炒作就是炒作。科技公司對實施他們的技術時會發生什麼做出了各種大胆的承諾,但你當然知道這並不容易,沒有什麼是可以保證的,他們當然不會強調缺點。這同樣適用於 chatbots.
Chatbots 經歷了許多階段的炒作。很多這種炒作都與高估有關 chatbots 可以做。
的確,在過去幾年中,與聊天機器人相關的AI已經取得了一些真正的突破,需要了解這些突破才能對期望有一個真實的瞭解。 chatbots.
主要突破在於三種主要技術,自然語言處理(NLP),大規模語音辨識(用於語音助手)和自然語言生成。
NLP允許聊天機器人識別具有相同含義的不同自然語言短語背後的共同意圖。例如,「預訂航班」或「我想飛往巴黎」與「預訂航班」具有相同的意圖。一旦確定了該意圖,軟體開發人員可以編寫代碼要做什麼。
語音辨識使用將口語轉換為文本的技術。雖然語音辨識已經存在了很長時間,但它只是計算機性能的進步以及將工作委派給 cloud 這使得這些系統能夠識別數百萬個單詞,因為演算法是非常計算密集型的。
自然語言生成接受一組參數,並以自然語言生成語法正確的句子。
所有這些技術在某種程度上都取得了進步,因為計算能力最近取得了進步。
極端的炒作是 chatbots 將很快完全取代人工代理。現實情況是, chatbots 在上下文有限的狹窄領域中表現得非常好,並且在回答沒有上下文的一次性問題時表現最佳。
這並不意味著底層技術不強大和有用。是的。這並不意味著 chatbots 不能產生巨大的投資回報率(ROI)。他們可以。
然而,這意味著聊天機器人體驗需要在考慮到限制的情況下進行精心設計。
聊天機器人項目的常見錯誤
錯誤的目標
實施聊天機器人時選擇的目標可能有很多種方式是錯誤的。設定目標可能會有很多問題,例如解決不存在的問題,即使用聊天機器人通過圖形介面更好地完成一些事情。
你可能犯的最大錯誤是購買炒作並嘗試實現一個類似人類的聊天機器人,幾乎在人類層面上與客戶進行對話。許多公司都嘗試過這種方法並失敗了。試圖在它做得很好的範圍之外構建一個聊天機器人總是一個問題。
最好的聊天機器人體驗是引導式對話體驗,而不是開放式對話體驗。這 Botpress 例如,軟體定義了一條快樂路徑,這是軟體需要讓使用者保持使用的引導路徑。如果使用者偏離了這條道路,軟體將嘗試將他們帶回快樂的道路,或者為他們提供啟動另一條路徑的機會,但不允許他們偏離正線。
糟糕的設計和開發問題
設計不佳的聊天機器人會導致使用者以非預期的方式使用它。這顯然會導致挫敗感,併產生各種負面影響。
Chatbots 需要保守設計,範圍需要非常明確,對話需要過於頻繁地升級到人類,而不是不夠頻繁(或者需要對所討論的用例使用等效的策略)。
不言而喻,在機器人上工作的開發人員需要有能力並熟悉該領域的最佳實踐。
錯誤的技術方法
Chatbots 今天是NLP和決策樹的混合體。NLP允許使用者在非常狹窄的領域提出開放式問題,決策樹引導使用者通過決策樹(快樂路徑)來解決問題或完成任務。如上所述,關於繞道,使用者偏離快樂道路的空間有限。
選擇黑匣子進行對話是錯誤的。黑盒解決方案是數據驅動的解決方案,其中邏輯基本上保存在 AI 演算法中。這樣做的問題是,沒有人確切知道人工智慧解決方案會做什麼,調試起來非常困難,無法進行全面測試,新資訊可能會改變其行為。
雖然甚至 Botpress 確實使用了其中一些技術,它將這種「黑匣子」AI可以操作的領域限制在快樂路徑周圍的狹窄範圍內。因此,人工智慧的目標是始終將使用者帶回快樂的道路或允許他們過渡到新的路徑。這更容易理解和調試。
我應該提到,這種「黑匣子」人工智慧在有界的領域以及手頭任務周圍有大量相關數據的領域工作得非常好。這就是為什麼人工智慧可以這麼好地玩遊戲。語言的問題在於它具有無限的維度,因為任何語句的含義都取決於上下文,其中包括先前所做的語句以及會話代理應該注意的其他相關信息。
使用當前的技術水準為對話實施黑盒人工智慧類似於嘗試實現開放式聊天機器人的錯誤。
此外,儘管存在上述缺陷,但這種黑盒方法非常耗費數據,因此實施起來要花費大量資金。而它是一個黑匣子的事實意味著很難切換供應商,這意味著極高的轉換成本,因此鎖定。
最好使用簡單的NLP和決策樹技術來構建機器人,然後在邊緣使用範圍有限的AI,讓使用者回到手頭的任務。我們發現,公司實際上對該技術的可訪問性和易用性感到驚訝。一個稱職的開發人員可以在短短幾個小時內學習如何構建一個使用 NLP 和決策樹的機器人。
瞭解與 chatbots 不應複製與人類的對話。例如,在許多情況下,圖形介面比文本或語音更有效。按兩下選項按鈕比鍵入或說出回應更快。即使有可能創建一個人類級別的聊天機器人,這也是真的。在使用黑匣子或主要基於單詞的AI方法時,這一現實經常被忽視。
錯誤的平臺
選擇錯誤的機器人框架的問題可能不會立即顯現出來,但會隨著時間的推移而變得明顯。
構建聊天機器人的最快方法是使用拖放平臺。這樣做的問題是,在大多數情況下,開發人員很快就會遇到硬性限制。此外,使用的通用方法意味著本應簡單的功能被駭客入侵到系統中,使管理員無法使用機器人變得笨拙且困難。
另一方面是基於代碼的專有平臺,允許開發人員從頭開始編寫機器人代碼。這種方法的問題在於,即使是簡單的機器人也需要很長時間。
最好的方法是提供一個框架,它提供所有必要的元件和可視化介面,包括拖放介面,開箱即用,但同時允許所有這些元件和介面輕鬆定製手頭的任務。
這一點尤其重要,因為機器人贊助者通常將大部分注意力集中在機器人如何為最終使用者工作上。這樣做的問題是,還有許多其他元件和介面對機器人的其他使用者很重要,例如管理員(想要 監控聊天機器人分析 並管理後端訪問)、技術和非技術建立者(想要修改機器人行為和內容)和人工代理(他們回應機器人升級的對話)。
從頭開始構建這些元件是一項非常耗時的工作。當然,簡單的拖放框架具有此功能的非常通用和有限的版本,並且無法輕鬆自定義。
自定義功能對於最終用戶機器人本身至關重要,即使前期並不明顯。例如,使用拖放流構建器構建流時,可能需要在不同的流中反覆重複一些任務,例如使用公司系統對用戶進行身份驗證或處理付款。
該框架應允許您將這些元件作為可視元件添加到流產生器中,以便技術含量較低的內容建立者可以輕鬆地將這些功能添加到流程中。
一個不容易定製的平臺將很難為非技術使用者提供更新內容的方法,因為這樣做的方法需要被「駭客入侵」到框架中。允許自定義所有內容的框架應該可以輕鬆為非技術使用者創建易於使用且直觀的專用螢幕。
此外,對於您的開發人員來說,訪問系統的底層原始程式碼也非常有益。這將使他們能夠更快地瞭解如何做事,並使他們能夠在出現問題時快速識別問題。
對於框架來說,控制和遷移數據的能力至關重要。該平臺應該允許企業將機器人部署到他們選擇的任何地方,無論是在私有設備上。 cloud 或本地(在內部伺服器上)。
就平臺而言,投資回報率也是一個重要的考慮因素。該平臺應該能夠將一個機器人的工作重用於其他機器人,即通過為一個機器人構建功能可以更輕鬆地構建下一個機器人。這使得從一個機器人擴展到多個機器人的成本越來越低,從而提高了整體投資回報率。
這方面的一個例子是,設計不佳的平臺會讓你為添加的每種新語言創建一個新的機器人,而不是簡單地允許你用不同的語言提供相同的內容。即使不將流設計與內容分離,也會使內容管理更加困難且容易出錯,因為非技術人員需要編輯實際流,而不是簡單地更新內容。
允許管理員和其他後端使用者以高效和簡單的方式完成工作還可以節省時間並減少錯誤,從而提高投資回報率。
供應商鎖定
供應商鎖定在很多方面都是一個問題。
如果您被迫使用他們的技術,即該平臺不允許您使用第三方元件,那麼您打賭他們的所有元件將永遠是同類產品中最好的。否則,您將被迫使用過時的技術,而市場的其餘部分將繼續前進或經歷非常昂貴的轉換練習。
如果它們缺少任何元件,或者如果您需要更改某些工作方式,則需要依靠它們來進行自定義開發,這不僅會導致延遲,而且可能是一項昂貴的練習。
最後,如果您是專屬客戶,他們可以設置可能非常昂貴的定價。他們知道滿載的轉換成本可能非常高,特別是如果它們使數據和代碼難以遷移到其他平臺。
與開放系統相比,使用專有系統更容易鎖定,轉換成本更高。此外,選擇一種複雜的方法 chatbots 這只能由數據專家實施,這意味著鎖定將更難逃脫,鎖定的成本更高。
沒有讓利益相關者參與進來
對於任何需要改變現有行為的軟體項目來說,這是一個常見且明顯的錯誤,解決方案是眾所周知的。當然,客戶服務代理在機器人世界中尤為重要,因為他們會感受到這項技術的威脅。他們需要接受再培訓,以便提供一組服務來補充機器人提供的服務,特別是為具有機器人無法解決的更複雜需求的客戶提供更深入的服務。
忽略投資回報率
忽略投資回報率有兩種方式會導致失敗。首先,如果沒有令人信服的投資回報率數位,即使有贊助POC來證明該技術,該專案也不會得到贊助。其次,專案中的利益相關者意識到,一旦項目啟動並運行,就沒有投資回報率。
沒有理由不預先計算預期投資回報率[計算投資回報率],然後在獲得有關用例和上下文的更多資訊時更新此數位。有許多案例具有極高的投資回報率,因此找到用例應該不難。
不以增量方式構建機器人
當然,通過遵循增量實現機器人的方法可以避免上述許多風險。
構建可增量測試的解決方案非常容易。從單個用例 POC 開始,將一些最終使用者路由到機器人以評估性能。通過這種方式,解決方案的有效性,包括用戶的回應,可以在每一步進行廉價的測試和改進。
當然,在為本練習選擇用例時,選擇挑戰最「風險」假設的用例非常重要,以便預先測試最不確定和最關鍵的假設。
許多供應商希望讓您參與一種大爆炸式的方法,在向使用者展示工作機器人(甚至是 POC)之前,預先投入大量工作和精力。不僅如此,供應商堅持認為只有高價顧問才能為您管理和監控機器人。這應該是一個很大的危險信號。
結論
構建聊天機器人時,需要考慮許多注意事項。只要您意識到主要風險並採取漸進式實施方法,您就有很大的機會 構建一個成功的聊天機器人 並實現這樣做所帶來的驚人投資回報率。