什么是聊天机器人? 聊天机器人是一种能与用户进行类似人类对话的软件。用户可以通过聊天应用程序与聊天机器人对话或发送信息,聊天机器人会通过说话、打字或显示图形等方式做出适当回应。chatbots 目前的主要用途是客户支持,用于回答简单、重复的问题,并将更复杂的问题上报给人工代理。
虽然在广泛应用于客户赋能之前还有一些问题需要解决(除了亚马逊 Alexa 订购产品和其他几个例子之外),但对话界面正被迅速应用于客户支持功能。
从商业角度来看,聊天机器人项目和其他项目一样,需要从风险和回报的角度进行评估。
本文将探讨实施聊天机器人可能遇到的挑战以及如何避免这些挑战。
这里强调的许多风险都是可以避免的,因为早期采用者所面临的许多问题现在已众所周知。
chatbots 和语音将很快被广泛应用于客户支持,这是不可避免的,因为聊天机器人的投资回报率在很多情况下都超过了 1,000%,这不仅仅是因为节省了成本,同样也是因为提高了客户参与度和满意度,以及由此带来的收入机会。
现在的机器人平台已经非常成熟,对于企业来说,这已经是 "低垂的果实 "了。chatbots 不仅将广泛应用于客户支持,其使用案例还将迅速扩展到客户支持,并最终取代客户支持成为主要的使用案例。
超越炒作
评估一项新技术往往很困难,因为你知道该产品的某些炒作只是炒作而已。科技公司会做出各种大胆的承诺,告诉你采用他们的技术后会发生什么,但你当然知道这并不容易,没有什么是有保证的,而且他们肯定不会强调缺点。chatbots 也是如此。
Chatbots 已经经历了许多炒作阶段。这种炒作很大程度上与高估了chatbots 的能力有关。
过去几年,聊天机器人相关的人工智能确实取得了一些真正的突破,但要真正了解chatbots ,还需要了解这些突破。
主要的突破体现在三项主要技术上,即自然语言处理(NLP)、大规模语音识别(用于语音助手)和自然语言生成。
NLP 可以让聊天机器人识别含义相同的不同自然语言短语背后的共同意图。例如,"预订航班 "或 "我想飞往巴黎 "与 "预订航班 "的意图相同。一旦识别出这种意图,软件开发人员就可以编写代码,确定要做什么。
语音识别使用的是将口语翻译成文字的技术。虽然语音识别技术由来已久,但由于算法的计算量非常大,只有计算机性能和将工作委托给cloud 的能力不断进步,这些系统才有可能识别数百万个单词。
自然语言生成器接收一组参数,用自然语言生成语法正确的句子。
在某种程度上,所有这些技术的发展都得益于近年来计算能力的进步。
最夸张的说法是,chatbots 很快就会完全取代人类代理。现实情况是,chatbots 在上下文有限的狭窄领域内表现极为出色,在回答没有上下文的一次性问题时表现最佳。
这并不意味着底层技术不强大、不有用。的确如此。这并不意味着chatbots 不能带来巨大的投资回报(ROI)。它们可以。
不过,这意味着聊天机器人的体验需要考虑到其局限性。
聊天机器人项目的常见错误
目标错误
实施聊天机器人时选择的目标有很多可能是错误的。在设定目标时可能会遇到很多问题,比如解决一个不存在的问题,即用聊天机器人做一些图形界面能更好完成的事情。
您可能犯的最大错误就是相信炒作,并试图实现一个类似人类的聊天机器人,几乎以人类的水平与客户进行对话。很多公司都尝试过,但都失败了。试图在聊天机器人真正擅长的领域之外构建聊天机器人始终是个问题。
最好的聊天机器人体验是引导式对话体验,而不是开放式对话体验。例如,Botpress 软件定义了快乐路径,这是软件需要让用户保持的引导路径。如果用户偏离了这一路径,软件会尝试将他们带回快乐路径,或为他们提供启动另一条路径的机会,但不会允许他们走弯路。
糟糕的设计和开发问题
设计不当的聊天机器人会导致用户以一种非预期的方式使用它。这显然会造成挫败感,并带来各种负面影响。
Chatbots 设计时要保守,范围要非常明确,对话要经常升级到人工对话,而不是不够频繁(或针对相关用例使用同等的策略)。
不言而喻,开发机器人的开发人员必须有能力并熟悉这方面的最佳实践。
错误的技术方法
Chatbots 今天,我们将 NLP 和决策树结合在一起。NLP 允许用户在一个非常狭窄的领域内提出开放式问题,而决策树则通过决策树(幸福之路)引导用户解决问题或完成任务。正如上文提到的 "迂回",用户偏离 "快乐路径 "的范围是有限的。
选择黑盒对话方法是一个错误。黑盒解决方案是数据驱动型解决方案,其逻辑基本上由人工智能算法掌握。这样做的问题是,没有人知道人工智能解决方案会做什么,调试起来非常困难,无法对其进行全面测试,而且新的信息可能会改变其行为。
虽然Botpress 也使用了一些这种技术,但它将这种 "黑盒子 "人工智能的操作范围限制在了快乐路径周围的狭小范围内。因此,人工智能的目标是始终将用户带回快乐路径,或让他们过渡到新的路径。这样更容易理解和调试。
我想说的是,这种 "黑盒 "人工智能在有边界的领域和围绕手头任务有大量相关数据的领域运行得非常好。这就是为什么人工智能可以玩得这么好。语言的问题在于它有无限的维度,因为任何语句都会根据上下文(包括之前的语句和对话代理应该了解的其他相关信息)的不同而产生不同的含义。
利用现有技术为对话实施黑盒子人工智能与试图实施开放式聊天机器人的错误类似。
此外,尽管存在上述缺陷,但这种黑盒子方法的数据密集度极高,因此实施成本也很高。而且,由于是黑盒子,因此很难更换供应商,这就意味着更换成本极高,从而导致锁定。
最好的办法是使用简单的 NLP 和决策树技术来构建机器人,然后在边缘使用范围有限的人工智能,让用户回到完成手头任务的状态。我们发现,企业实际上会惊讶于这项技术的易用性和简易性。一个有能力的开发人员只需几个小时就能学会如何使用 NLP 和决策树构建一个机器人。
同样重要的是要明白,与chatbots 的对话不应是与人类对话的翻版。例如,在许多情况下,图形界面的使用效率要比文字或语音高得多。点击选项按钮要比输入或语音回复更快。即使有可能创造出人类级别的聊天机器人,情况也是如此。在使用黑盒或主要基于文字的人工智能方法时,这一现实往往被忽视。
错误的平台
选择错误的机器人框架所带来的问题可能不会立即显现,但随着时间的推移会逐渐显现。
构建聊天机器人的最快方法是使用拖放平台。这样做的问题是,在大多数情况下,开发人员很快就会遇到硬性限制。此外,所使用的通用方法意味着本应简单的功能被黑进了系统,使管理员在使用机器人时变得笨拙和困难。
另一方面,基于代码的专有平台允许开发人员从头开始编写机器人代码。这种方法的问题在于,即使是简单的机器人,也需要花费很长的时间来构建。
最好的方法是提供一个框架,开箱即提供所有必要的组件和可视化界面,包括拖放界面,但同时允许根据手头的任务轻松定制所有这些组件和界面。
这一点尤为重要,因为机器人赞助商通常会把大部分精力放在机器人如何为最终用户服务上。这样做的问题是,还有很多其他组件和界面对机器人的其他用户很重要,比如管理员(需要监控聊天机器人分析并管理后台访问)、技术和非技术创建者(需要修改机器人行为和内容)以及人工代理(回应机器人升级的对话)。
从头开始构建这些组件非常耗时。当然,简单的拖放框架也有非常通用和有限的此类功能,无法轻松定制。
定制能力对最终用户机器人本身至关重要,即使它在前期并不明显。例如,在使用拖放流程生成器构建流程时,可能会有一些任务需要在不同的流程中重复执行,如通过公司系统验证用户身份或处理付款。
框架应允许您将这些组件作为可视化组件添加到流程生成器中,这样技术含量较低的内容创建者就可以轻松地将这些功能添加到流程中。
一个不容易定制的平台很难为非技术用户提供更新内容的方法,因为更新内容的方法需要 "侵入 "框架。一个允许定制所有内容的框架,应能轻松为非技术用户创建易于使用且直观的专用屏幕。
此外,开发人员能够访问系统的底层源代码也是非常有益的。这将使他们能够更快地了解如何做事,并在出现问题时能够迅速发现。
对于一个框架来说,控制和迁移数据的能力至关重要。平台应允许企业将机器人部署到他们选择的任何地方,无论是私有cloud 还是内部部署(内部服务器)。
投资回报率也是平台方面的一个重要考虑因素。平台应能为其他机器人重复使用一个机器人的工作,即通过为一个机器人构建功能,可以更容易地构建下一个机器人。这样,从一个机器人扩展到多个机器人的成本就会逐步降低,从而提高整体投资回报率。
其中一个例子是,设计不佳的平台会让你为每一种新添加的语言创建一个新的机器人,而不是简单地允许你以不同的语言提供相同的内容。即使不将流程设计与内容分开,也会使内容管理变得更加困难和容易出错,因为非技术人员需要编辑实际流程,而不是简单地更新内容。
让管理员和其他后台用户高效、轻松地完成工作,还能节省时间,减少错误,从而提高投资回报率。
供应商锁定
供应商锁定是一个多方面的问题。
如果你被迫使用他们的技术,即平台不允许你使用第三方组件,那么你就是在赌他们的所有组件永远是同类产品中最好的。否则,当市场上的其他产品不断向前发展或进行代价高昂的转换时,你将被迫使用过时的技术。
如果他们缺少任何组件,或者如果你需要改变某些东西的工作方式,你就需要依靠他们进行定制开发,这不仅会造成延误,而且可能是一项昂贵的工作。
最后,如果你是固定客户,他们可以制定价格,而价格可能会非常昂贵。他们知道,满负荷的转换成本可能非常高,尤其是如果他们让数据和代码难以迁移到其他平台。
与开放式系统相比,使用专有系统更容易被锁定,转换成本也更高。此外,选择只能由数据专家实施的复杂chatbots 方法,意味着更难摆脱锁定,锁定成本更高。
没有让利益相关者参与进来
对于任何需要改变现有行为的软件项目来说,这都是一个常见且明显的错误,其解决方案也是众所周知的。当然,客户服务人员在机器人世界中尤为重要,因为他们可能会感到这种技术的威胁。他们需要接受再培训,以便提供一套与机器人服务相辅相成的服务,尤其是为那些有机器人无法解决的更复杂需求的客户提供更深入的服务。
忽视投资回报率
忽视投资回报率会导致两种失败。第一种情况是,如果没有一个令人信服的投资回报率数字,项目就不会得到赞助,即使有赞助进行 POC 以证明该技术。第二种情况是,项目的利益相关者意识到,一旦项目启动并运行,就不会有投资回报率。
没有理由不预先计算预期投资回报率,然后在获得有关用例和背景的更多信息后更新这一数字。有很多用例的投资回报率都非常高,因此寻找用例并不困难。
没有循序渐进地构建机器人
当然,采用渐进式实施机器人的方法可以避免上述许多风险。
构建可逐步测试的解决方案非常容易。从单一用例的 POC 开始,让一些终端用户使用机器人来评估性能。这样,就能以低成本测试和改进解决方案的有效性,包括用户的反应。
当然,在为这项工作选择用例时,一定要选择对 "风险 "最大的假设提出挑战的用例,以便预先测试最不确定和最关键的假设。
许多供应商都想让你采用一种大爆炸式的方法,即在向用户展示一个可用的机器人(即使是 POC)之前,先做大量的工作和努力。不仅如此,供应商还坚持只有高价聘请的顾问才能为你管理和监控机器人。这一点应该引起警惕。
结论
构建聊天机器人有很多注意事项。只要您意识到主要风险,并采取循序渐进的方法来实施,您就有很大机会打造一个成功的聊天机器人,并实现惊人的投资回报率。