让我们从定义AI开始。你会发现人工智能有很多不同的定义，但人们的共识是模仿人类的行为。
对于许多人来说，机器学习（ML）对于真正的人工智能来说是必要的。ML是机器识别不清楚的内容、动作、行为或意图的能力。你可以用统计模型来计算概率；然而，在企业中，人的指导或治理是最好的方法。如果你正在考虑企业中的人工智能，请务必理解你将如何管理ML流程。
学习是人类的特性，但在某些情况下，ML可能是有问题的。想想Tay，微软在Twitter上推出的通用聊天机器人。在24小时内，微软不得不取消Tay，因为一些Twitter用户教它一些非常糟糕的种族主义习惯。正如我前面提到的，确保你知道ML流程如何为你可能选择的AI工具工作。
客户参与推论是使用对话录音培训网络聊天机器人或语音助理。如果座席能够正确地以恰当的方式处理每个客户的交互，那就太好了，但事实并非如此。当提供一个会话人工智能接口时，使用先前记录的交互，确保你能够编辑错误的行为和错误的答案。
在探索人工智能的过程中，你还需要了解认知处理和规模。
认知处理器是指支持人工智能应用的计算平台。这个平台可以包含一个处理器或多个处理器，甚至是数千个处理器的神经网络。其中任何一种都适用于联络中心，并且能够运行本文中讨论的任何应用程序--但是，规模是一个问题。
关于规模，最好的做法是从有限的生产实现开始--在联络中心，这意味着限制你的机器人可以支持的并发用户的数量。你可能从10或50个并发用户开始，但不是数百个。原因是每个用例都是不同的，在最初的几个月里，你将不得不测量机器人的性能，以便了解如何最好地增加处理能力以满足企业的规模。
此外，随着时间的推移，ML将倾向于减少处理器负载。在几个月内运行有限的实现将允许每个交互的处理器需求稳定，这样你就可以计算生产规模。使用基于云计算的“租赁”处理器，按月或按年计算，将降低购买过多处理器的风险。
在客户参与环境中有用的人工智能工具分为以下几类：
自动语音识别和文本到语音（ASR/TTS）
机器人过程自动化（RPA）
基于AI的分析（基于对自然语言和/或元数据的分析）
会话人工智能--自然语言处理（NLP）及其组成部分：自然语言理解和自然语言生成。
自动语音识别和语音合成
ASR/TTS，它提供了机器翻译语音到文本的能力，相反，将文本转换为语音，这是几十年来一直常用的。例如，我在1995年实现了我的第一个ASR/TTS解决方案，为强生公司（Johnson & Johnson）提供服务。对于这个用例，我们培训了一台机器来识别60000个不同的组件号码，以便在电话订单上提供更好的准确性。我们需要帮助的大部分ML用于处理重复的组件编号和组件标签，它们使用了声音相似的字母和数字（B、3、G、Z…）。几周内，我们在识别特定组件方面达到了99%的准确度。
Nuance Communications的Dragon自然语音识别软件是一个商业ASR/TTS工具的例子，自1982年以来就一直存在。这篇文章的其中某些部分是利用它写成的，口述--然后转换成文字。首先，该软件使用ML的概念称为“培训”。基本上，它为你提供了一些阅读的文件，它可以学习你的声音是如何发音的，就像你已经知道的单词一样。而且，它会在你每次使用它的时候学习，并且有能力阅读你的电子邮件和存储的文档来学习你的写作方式。如果你有背部或颈部的毛病，整天都趴在键盘上，我强烈建议你试试。但是要注意的是：正确地拼写每一个单词，但这并不意味着它永远是正确的单词。
机器人过程自动化
RAP（机器人过程自动化）则是计算机脚本的使用，即移动数据或处理事务，需要多个计算机系统或计算机系统内创建函数。几年前，企业开始在RPA上花钱。它在几个方面与脚本不同，最明显的是它使用了ML；具有业务规则的集中式存储库；而且，在大多数情况下，有能力使用NLP来改善它的效用。
RPA在处理与CRM相关的工作或在联络中心的额外工作时特别有用。一个完美的例子是使用RPA消除客户关系管理和订购系统之间的手动复制和粘贴案例说明。RPA不太容易出错，并且允许联络中心座席专注于更有意义的工作。
有了ML，机器人就有机会通过识别新的产品和流程来提高自身，从而引入客户参与环境。例如，当一个新产品出现在电子采购订单上时，机器人可能不知道它是什么；但是，它将知道字段的内容是分类法的一部分，它将其标识为产品，而不是名称或地址。这使得ML管理过程更容易。此外，在合适的条件下，使用ML的机器人可以处理新产品的购买订单，而无需将其重写为脚本。
当多个RPA进程处理相似的数据并将这些数据移动到类似或相同的信息系统平台时，业务规则库非常有用。例如，知道一个已知的实体，比如地址总是在同一个地方，可以方便地部署新的RPA解决方案。
NLP与RPA定期合作。举一个简单的例子，再考虑一下电子采购订单。只有一个typo意味着一个简单的脚本将会失败，并且订单需要手工处理。NLP有能力使用“库存”或编程语言元素来减轻输入错误的影响。此外，你可以使用NLP来总结在采购订单上用简单英语描述的注释或异常。机器人可以适应航运术语、交付要求和特殊请求，但是脚本工具只能标记手动处理的异常。
您可以从数百个供应商中找到你所想要的RPA工具，包括BluePrism、IBM、Microsoft、Pegasystems和UiPath。
基于人工智能的分析
联络中心有几种方法来使用基于AI的分析。在联络中心中，基于AI的分析通常使用元数据来描述交互，而不是交互本身。另一方面，基于NLP的分析应用于交互本身的内容。为了设置语境，NLP由两部分组成：自然语言理解（NLU）和自然语言生成（NLG）。NLU可以做以下操作，但不限于：辨别意图、消除歧义、术语提取、翻译、解析、词干、命名实体提取、主题分割、识别情绪（感情）、总结内容、标记内容和分类。NLG只生成基于语言的响应。（NLP将是另一篇文章的主题）
使用的操作决策标准是：你是否关心客户已经做了什么，还是关心客户现在正在做什么？
在我看来，知道客户现在做什么比知道客户上周做了什么，甚至仅仅是刚才的事情更重要。例如，银行客户使用IVR来转账，然后按“0”到达座席。在大多数情况下，IVR会把客户转移到处理转账的呼叫队列。然而，现实情况是，转账很可能已经完成，客户可能想做些别的事情，比如申请抵押贷款。在这种情况下，元数据有其局限性。基于NLU的路由解决方案将询问客户他或她希望下一步做什么，然后路由到适当的呼叫队列--或者甚至可能调用NLP来处理贷款应用程序。
令我的客户感到惊讶的是，他们可以用最少的滞后时间来执行分析（有些人可能会称之为实时分析，但我认为这更像是一种接近实时的分析）。
元数据分析，如可能使用像Altocloud这样的平台（现在是Genesys），可以使用子秒延迟执行。分析文本可能需要更长的时间，因为机器可能无法理解真正的意图，直到背诵完成。AmazonLex、GridspaceSift和IBMWatson都是可以执行NLP分析的解决方案的例子。
情绪分析也是我的大多数客户感兴趣的方面，通常，这些分析是在会话接口建立之后实现的。在会话接口之前，我看到客户实现NLP分析的唯一地方是对遵从性的研究。这样做的一个例子就是分析经纪人在金融业务中与法定要求的相关表现。
对于许多人来说，机器学习（ML）对于真正的人工智能来说是必要的。ML是机器识别不清楚的内容、动作、行为或意图的能力。你可以用统计模型来计算概率；然而，在企业中，人的指导或治理是最好的方法。如果你正在考虑企业中的人工智能，请务必理解你将如何管理ML流程。
学习是人类的特性，但在某些情况下，ML可能是有问题的。想想Tay，微软在Twitter上推出的通用聊天机器人。在24小时内，微软不得不取消Tay，因为一些Twitter用户教它一些非常糟糕的种族主义习惯。正如我前面提到的，确保你知道ML流程如何为你可能选择的AI工具工作。
客户参与推论是使用对话录音培训网络聊天机器人或语音助理。如果座席能够正确地以恰当的方式处理每个客户的交互，那就太好了，但事实并非如此。当提供一个会话人工智能接口时，使用先前记录的交互，确保你能够编辑错误的行为和错误的答案。
在探索人工智能的过程中，你还需要了解认知处理和规模。
认知处理器是指支持人工智能应用的计算平台。这个平台可以包含一个处理器或多个处理器，甚至是数千个处理器的神经网络。其中任何一种都适用于联络中心，并且能够运行本文中讨论的任何应用程序--但是，规模是一个问题。
关于规模，最好的做法是从有限的生产实现开始--在联络中心，这意味着限制你的机器人可以支持的并发用户的数量。你可能从10或50个并发用户开始，但不是数百个。原因是每个用例都是不同的，在最初的几个月里，你将不得不测量机器人的性能，以便了解如何最好地增加处理能力以满足企业的规模。
此外，随着时间的推移，ML将倾向于减少处理器负载。在几个月内运行有限的实现将允许每个交互的处理器需求稳定，这样你就可以计算生产规模。使用基于云计算的“租赁”处理器，按月或按年计算，将降低购买过多处理器的风险。
在客户参与环境中有用的人工智能工具分为以下几类：
自动语音识别和文本到语音（ASR/TTS）
机器人过程自动化（RPA）
基于AI的分析（基于对自然语言和/或元数据的分析）
会话人工智能--自然语言处理（NLP）及其组成部分：自然语言理解和自然语言生成。
自动语音识别和语音合成
ASR/TTS，它提供了机器翻译语音到文本的能力，相反，将文本转换为语音，这是几十年来一直常用的。例如，我在1995年实现了我的第一个ASR/TTS解决方案，为强生公司（Johnson & Johnson）提供服务。对于这个用例，我们培训了一台机器来识别60000个不同的组件号码，以便在电话订单上提供更好的准确性。我们需要帮助的大部分ML用于处理重复的组件编号和组件标签，它们使用了声音相似的字母和数字（B、3、G、Z…）。几周内，我们在识别特定组件方面达到了99%的准确度。
Nuance Communications的Dragon自然语音识别软件是一个商业ASR/TTS工具的例子，自1982年以来就一直存在。这篇文章的其中某些部分是利用它写成的，口述--然后转换成文字。首先，该软件使用ML的概念称为“培训”。基本上，它为你提供了一些阅读的文件，它可以学习你的声音是如何发音的，就像你已经知道的单词一样。而且，它会在你每次使用它的时候学习，并且有能力阅读你的电子邮件和存储的文档来学习你的写作方式。如果你有背部或颈部的毛病，整天都趴在键盘上，我强烈建议你试试。但是要注意的是：正确地拼写每一个单词，但这并不意味着它永远是正确的单词。
机器人过程自动化
RAP（机器人过程自动化）则是计算机脚本的使用，即移动数据或处理事务，需要多个计算机系统或计算机系统内创建函数。几年前，企业开始在RPA上花钱。它在几个方面与脚本不同，最明显的是它使用了ML；具有业务规则的集中式存储库；而且，在大多数情况下，有能力使用NLP来改善它的效用。
RPA在处理与CRM相关的工作或在联络中心的额外工作时特别有用。一个完美的例子是使用RPA消除客户关系管理和订购系统之间的手动复制和粘贴案例说明。RPA不太容易出错，并且允许联络中心座席专注于更有意义的工作。
有了ML，机器人就有机会通过识别新的产品和流程来提高自身，从而引入客户参与环境。例如，当一个新产品出现在电子采购订单上时，机器人可能不知道它是什么；但是，它将知道字段的内容是分类法的一部分，它将其标识为产品，而不是名称或地址。这使得ML管理过程更容易。此外，在合适的条件下，使用ML的机器人可以处理新产品的购买订单，而无需将其重写为脚本。
当多个RPA进程处理相似的数据并将这些数据移动到类似或相同的信息系统平台时，业务规则库非常有用。例如，知道一个已知的实体，比如地址总是在同一个地方，可以方便地部署新的RPA解决方案。
NLP与RPA定期合作。举一个简单的例子，再考虑一下电子采购订单。只有一个typo意味着一个简单的脚本将会失败，并且订单需要手工处理。NLP有能力使用“库存”或编程语言元素来减轻输入错误的影响。此外，你可以使用NLP来总结在采购订单上用简单英语描述的注释或异常。机器人可以适应航运术语、交付要求和特殊请求，但是脚本工具只能标记手动处理的异常。
您可以从数百个供应商中找到你所想要的RPA工具，包括BluePrism、IBM、Microsoft、Pegasystems和UiPath。
基于人工智能的分析
联络中心有几种方法来使用基于AI的分析。在联络中心中，基于AI的分析通常使用元数据来描述交互，而不是交互本身。另一方面，基于NLP的分析应用于交互本身的内容。为了设置语境，NLP由两部分组成：自然语言理解（NLU）和自然语言生成（NLG）。NLU可以做以下操作，但不限于：辨别意图、消除歧义、术语提取、翻译、解析、词干、命名实体提取、主题分割、识别情绪（感情）、总结内容、标记内容和分类。NLG只生成基于语言的响应。（NLP将是另一篇文章的主题）
使用的操作决策标准是：你是否关心客户已经做了什么，还是关心客户现在正在做什么？
在我看来，知道客户现在做什么比知道客户上周做了什么，甚至仅仅是刚才的事情更重要。例如，银行客户使用IVR来转账，然后按“0”到达座席。在大多数情况下，IVR会把客户转移到处理转账的呼叫队列。然而，现实情况是，转账很可能已经完成，客户可能想做些别的事情，比如申请抵押贷款。在这种情况下，元数据有其局限性。基于NLU的路由解决方案将询问客户他或她希望下一步做什么，然后路由到适当的呼叫队列--或者甚至可能调用NLP来处理贷款应用程序。
令我的客户感到惊讶的是，他们可以用最少的滞后时间来执行分析（有些人可能会称之为实时分析，但我认为这更像是一种接近实时的分析）。
元数据分析，如可能使用像Altocloud这样的平台（现在是Genesys），可以使用子秒延迟执行。分析文本可能需要更长的时间，因为机器可能无法理解真正的意图，直到背诵完成。AmazonLex、GridspaceSift和IBMWatson都是可以执行NLP分析的解决方案的例子。
情绪分析也是我的大多数客户感兴趣的方面，通常，这些分析是在会话接口建立之后实现的。在会话接口之前，我看到客户实现NLP分析的唯一地方是对遵从性的研究。这样做的一个例子就是分析经纪人在金融业务中与法定要求的相关表现。
