AIミドルプラットフォーム - インテリジェントチャットボットプラットフォームのアーキテクチャとアプリケーション

講演者紹介:

王東：北京大学大学院 CreditEase テクノロジーセンター AI ミドルプラットフォームチームヘッド

はじめに：「ミドルプラットフォーム」戦略の導入により、YiXin のミドルプラットフォーム構築は、アイデアと建築設計の面で多くの成果を達成しました。 YiXin はミドルオフィスの考え方をどのように活用して、「AI ミドルオフィス」や関連するインテリジェント製品を生み出しているのでしょうか?今回のライブ放送では、易鑫科技センターのAIミドルプラットフォームチーム責任者である王東氏が易鑫AIミドルプラットフォームの具体的な実現経路を共有し、AIミドルプラットフォームのインテリジェント製品であるインテリジェントチャットロボットプラットフォームの紹介に重点を置きました。インテリジェントチャットロボットプラットフォームの背景概念、設計コンセプト、技術アーキテクチャ、アプリケーションシナリオ、プラットフォームが提供できる機能、ビジネス関係者を迅速にサポートする方法など、ミドルプラットフォームの考え方でインテリジェント製品を構築するための実用的なアイデアを提供しました。

概要を共有:

1. AIプラットフォームの全体的な設計と実装手順

2. ロボットプラットフォームの背景、設計コンセプト、技術アーキテクチャ

3. ロボットプラットフォームのコア原理と主な機能ポイント

4. インテリジェントチャットボットプラットフォームの応用シナリオ

V. 結論

最初の2つの技術サロンでは、それぞれYiXin AIミドルプラットフォームとデータミドルプラットフォームの構築実践を共有しました。この共有では、まずAIミドルプラットフォームの全体的な設計と実装パス、およびAIミドルプラットフォームとデータミドルプラットフォームの関係を確認し、次にミドルプラットフォームの理念に基づいて構築されたインテリジェントチャットボットプラットフォームの技術アーキテクチャ、技術原理、コア機能ポイント、アプリケーションシナリオ、アプリケーション効果などを詳細に紹介します。

1. AIプラットフォームの全体的な設計と実装手順

1.1 ビジネスの進化と広範なインテリジェント需要

ビジネスが成長を続け、さまざまな開発段階を経るにつれて、データに対する需要も、BI 分析に対応するための可用性から、アジャイル分析のための使いやすさ、データインテリジェンスのための使いやすさへと変化してきました。たとえば、フロントエンドシステムでは、顧客のセグメンテーション、パーソナライズされた推奨、インテリジェントな質問と回答、モデル予測などの需要が生じます。バックエンドのデータ探索では、関連性分析、クラスター分析、継続的な分析などが必要になります。これらすべてが、データインテリジェンスに対する需要を生み出します。

データプラットフォーム化は、データ可用性の問題を解決し、データプラットフォーム管理、データストレージ、データ計算、管理、運用、保守機能を提供します。
データミドルプラットフォーム化により、使いやすさの問題を解決し、セルフサービスとアジャイルサポートを提供し、データの資産化、統合、運用をサポートします。
データインテリジェンスは、有用な問題を解決します。データの洞察から学習予測まで、データはイノベーションを推進します。

1.2 データミドルプラットフォームからAIミドルプラットフォームへ

データミドルプラットフォームは、プラットフォーム機能の提供に加えて、データをビジネス関係者に提供する基本サービスに変換するなど、より高度な機能も提供します。ビジネス関係者は、データミドルプラットフォーム上でセルフサービス方式でデータの取得、データ処理、データ探索、データマイニング、分析掘削、多次元分析、セルフサービスレポート、データ共有などを実行し、自社のビジネス価値を迅速に実現できます。

ビジネスの発展に伴い、ますます多くのインテリジェントなデータ需要が提起されています。これらのインテリジェントな需要には、モデルのトレーニング、データのラベル付け、機能エンジニアリング、モデルの展開、パフォーマンスの監視などが含まれ、機械学習、ディープラーニングなどのアルゴリズムのサポートが必要です。データミドルプラットフォームの主な目的はデータを提供することであり、インテリジェンスとモデルに対して適切なサポートを提供できないため、AIミドルプラットフォームが誕生しました。

インテリジェントサービスの需要を抽象化し、独立した AI ミドルプラットフォーム層を形成します。 AIミドルプラットフォームは、インテリジェントサービスを構築するためのインフラストラクチャプラットフォームであり、企業が必要とするモデルに対して、分散型および階層型の構築機能とライフサイクル全体の管理サービスを提供します。さまざまな業務領域が基本、シナリオベース、汎用AI機能をプラットフォームに預け、モデルの再利用、組み合わせイノベーション、スケールを強化し、最終的にコストを削減し、効率を高め、ビジネス関係者に迅速に対応するという目標を達成することを奨励します。

1.3 データセンターとAIセンターの関係

データミドルプラットフォームとAIミドルプラットフォームについて触れたので、多くの人が「データミドルプラットフォームとAIミドルプラットフォームの関係は何ですか？」と尋ねるでしょう。

データミドルプラットフォームと AI ミドルプラットフォームは相互に依存しており、お互いの成功を基盤として構築されます。

まず、データミドルプラットフォームとAIミドルプラットフォームはどちらも外部にサービスを提供していますが、重点を置いている側面が異なります。

データセンターでは、BI レポートアプリケーション、データ探索など、さまざまなデータサービスとデータ製品を提供しています。
AIミドルプラットフォームは、さまざまなインテリジェントサービスとインテリジェント製品を提供し、複雑な学習と予測のインテリジェント需要の研究開発、モデルトレーニング、機能エンジニアリング、データラベリングなどの機能を実行します。例: モデル予測、インテリジェントな推奨など。

第二に、データミドルプラットフォームとAIミドルプラットフォームは相互に依存し、相互にサポートし合っています。

AIミドルプラットフォームは、データミドルプラットフォームが提供するデータ機能とツールセットを活用して、AI関連サービスの開発と再利用を加速し、フロントエンドのインテリジェントなビジネスニーズを満たします。データセンターからのクリーンなデータを使用すると、スマートプロジェクトの構築がより効率的になります。
データミドルプラットフォームは、AIミドルプラットフォームのインテリジェント機能を活用して、データの使用をより普及させ、インテリジェントにする必要もあります。たとえば、BI 分析の強化: 普遍的な自然言語インタラクション方法により BI 使用の敷居を下げ、AI 分析を通じて参加提案を提供し、一般ユーザーがデータの専門家なしで効果的にデータにアクセスできるようにします。データ管理の強化: 機械学習を使用して、データ品質、メタデータ管理、マスターデータ管理などのデータを管理します。

1.4 AIミドルプラットフォームが解決すべき問題点

かつて、多くのアルゴリズムチームはアルゴリズムアウトソーシングチームのようなもので、さまざまなビジネスラインのニーズに応じて独自のポジションを構築し、目標に 1 つずつ取り組んでいました。この形式は多くの成果を達成しましたが、依然として重複した構築と限られた効率性の問題が残っています。

これらの問題を次のようにまとめます。

「煙突型」の開発は、プロジェクトコストが高く、統合が難しく、プロセスが反復的で、能力の蓄積が不足しています。
モデルへのアクセス方法はさまざまで、呼び出し関係は複雑であり、オーケストレーションの最適化とコラボレーションが不足しています。
手動データ操作では、統一されたデータアクセスチャネルがないため、データの取得が困難になり、標準に一貫性がなくなります。
モデル開発には標準的なガイダンスがなく、多くの役割が関与し、調整と自動化された支援が不足しており、コミュニケーションとコラボレーションを効果的に管理することが困難です。
モデルの配信は困難であり、統一されたモデル操作、監視プラットフォーム、サービス管理インターフェース、更新および保守メカニズムが欠如しています。
基本的なリソースが分散して分離されており、リソースを動的に割り当てて管理することができないため、無駄が生じます。

これらはAIミドルステーションが解決しなければならない問題点です。上記の問題点に対処するために、私たちは次のことを望んでいます。

アルゴリズムとモデルを標準化およびプラットフォーム化し、再利用性を向上させるために研究開発プロセスに標準化されたガイダンスを提供します。
統合サービスインターフェイス仕様は、動的なオーケストレーションとサービスの組み合わせをサポートします。
データセンターに接続し、データセンターの機能を使用してデータを標準化および前処理します。
プロセスを最適化し、役割を明確に定義し、AI 製品パイプラインを構築し、リンク内およびリンク間での自動反復および循環機能を備えています。
統合されたモデル配信展開、運用環境、監視機能、およびモデル更新メカニズムを提供します。
コンピューティングリソース、ストレージリソースなどを含む統合リソース管理により、柔軟なリソーススケジューリングがサポートされます。

まとめると、再利用性、統一されたサービス、データミドルプラットフォームとのドッキング、プロセス役割の最適化、操作の監視、リソース管理により、最終的に AI ミドルプラットフォームは強力な AI 機能サポートセンターとなり、ビジネスニーズに応じて迅速に強力なサポートを提供し、商業価値を迅速に実現します。

1.5 AIミドルプラットフォームアーキテクチャ

以下ではAIセンターのプラットフォームアーキテクチャを紹介します。

一番下にはデータミドルプラットフォームがあり、データ処理、データ分析、データ管理、データセキュリティ、データサービスなどの機能を提供します。最上階にはビジネスフロントデスクがあり、さまざまなビジネスラインが揃っています。 AIミドルプラットフォームは、データミドルプラットフォームとビジネスフロントプラットフォームの間に位置します。

図に示すように、 AI プラットフォーム全体は複数のモジュールで構成されています。

AIHub インテリジェントサービス: モデルをサービスの形式でカプセル化し、モデルサービス運用プラットフォーム機能を提供します。モデルリリーステスト、自動展開、モデル更新、モデル配信、製品パッケージングなどを含みます。
AIMon プラットフォーム監視: 実行中のモデルを監視および警告し、プラットフォーム監視サービスを提供します。パフォーマンステスト、ステータスフィードバック、早期警告通知などが含まれます。
AIKit Intelligent Toolbox: AI アプリケーションチームが自由に選択できる、軽量で低干渉の AI ツールサービスを提供します。たとえば、Python 言語開発環境をシームレスに組み込むことで、Moonbox は仮想クエリデータや混合データなどの機能を提供できます。また、テキストや画像などの非構造化データだけでなく、構造化データのオンライン注釈を含むデータ注釈機能も提供します。
AIMgtミドルプラットフォーム管理：AIミドルプラットフォームの一般的な管理機能の一部。含まれるもの: ロール権限、テナント管理、プロセス制御、リソース管理など。
AILab Intelligent Laboratory: 標準モデルのトレーニングと最適化プロセスのサポートを提供します。モデル設計、モデルトレーニング、特徴エンジニアリング、特徴処理、モデル追跡、モデル評価、アルゴリズムライブラリ、モデルライブラリなどを含みます。
AIAsset インテリジェントアセット: AI 機能の蓄積、再利用、インベントリを実現するためのモデルアセット管理に使用されます。
CUI 会話型 UI: これは当社の AI ミドルプラットフォームの製品です。次に紹介するチャットボットプラットフォームは、質疑応答、雑談、タスク、推奨事項などのシナリオに使用できます。ロボットプラットフォームの観点からは、音声発信ロボットも含まれます。

1.6 AIミドルプラットフォームの機能アーキテクチャ

上図はAIミドルステーションの機能アーキテクチャを示しています。 AIミドルプラットフォームの外部出力を機能面から解説します。上記で紹介したサービス運用機能、監視・早期警告機能、リソース管理機能（図の左側のモジュール）に加え、AIプラットフォームの機能を4つのレイヤーに分けます。

1) プラットフォーム層

たとえば、データ取得機能、オンライントレーニング機能、オンラインラベリング機能、機能エンジニアリング機能、セルフサービストレーニング機能などです。これらの機能は、AI ツールセットと AIlabs を通じて実現されます。

このレイヤーの主なユーザーは次のとおりです。

アルゴリズムエンジニア（AIミドルステーション、AIチーム）は、AIミドルステーションが提供するプラットフォームレベルの機能を使用して、オンライントレーニングの実施、アルゴリズムライブラリの再利用、プラットフォームコンピューティングリソースの再利用、さまざまな実験の実施などを行うことができます。
上級研究開発担当者やデータアナリストは、AI プラットフォームのセルフサービストレーニング機能を使用して、セルフサービストレーニングを実施できます。たとえば、独自のラベル付けされたデータに基づいて分類モデルをトレーニングできます。

2) AI技術層

AI テクノロジー層は主に、語彙解析、音声合成、記事分類、画像認識などの基本的な AI 機能を提供します。これらは本質的に、NLP、音声、画像、ビデオなどの AI テクノロジーの主要カテゴリの機能です。

3) AIビジネスレイヤー

AIビジネスレイヤーは主に、コメントや意見の抽出、記事のラベル付け、カードや証明書の認識、顔認識、ビデオレビューなど、AIテクノロジーとビジネスを組み合わせることで提供できる機能を提供します。

AIテクノロジーレイヤーとビジネスレイヤーの違いは、 AIテクノロジーレイヤーは主にNLP、CV、音声、ビデオなどの基本的なAI機能を提供することです。 AIビジネスレイヤーは主に、IDカード認識、学歴認識、検証コード認識などの特定のビジネスシナリオとAIテクノロジーを組み合わせます。

これら 2 つのレイヤーのユーザーは、ビジネスチームのアプリケーション開発者です。アプリケーション開発者は、短いテキストの類似性、言語の合成、請求書の認識など、インテリジェントなビジネスシナリオを実現するために、インテリジェントサービスを直接呼び出すことができます。

4) 製品層

このレイヤーは、インテリジェントロボット製品、ナレッジグラフ製品などの製品の形で外部にサービスを提供します。

このレベルのユーザーは、ロボットなどの製品を直接使用することで成果を得ることができる、企業の営業担当者または直接の顧客です。

上記の 3 つのレイヤーはすべて AI アセットです。影響力の観点から見ると、製品レイヤーの影響力が最も大きく、次いでビジネスレイヤー、技術レイヤー、最後にプラットフォームレイヤーの順になります。弊社もこの優先順位に沿ってAIミドルプラットフォームの構築・実装を行ってまいります。

1.7 AIミドルプラットフォームの構築アイデア - オープン性

データミドルプラットフォームのスローガンは普及と俊敏性です。 AIミドルプラットフォームのスローガンはオープン性です。

AIミドルプラットフォームを構築する理念は、複数の関係者の協力、オープン性と透明性、幅広い参加、コンセンサスを期待し、AI能力の蓄積を促進し、AIサービスの再利用を強化し、コストを削減し、効率を高めることです。

当社は、一般的な AI ニーズに重点を置いており、さまざまな分野の AI アプリケーションチームに一般的なインテリジェントサービスを提供しています。プラットフォームと再利用性を重視し、基本およびシナリオベースの AI サービスの一般化とプラットフォーム化を促進します。

大規模、中規模、小規模ビジネス分野の AI アプリケーションチームが直面する多数のインテリジェントビジネスニーズを幅広くサポートし、モデル学習プラットフォームとモデル操作監視ホスティングサービス、一般的な AI ツールを提供し、フロントエンドビジネス向けのインテリジェントアプリケーションの迅速な立ち上げを促進します。実装プロセスでは、データミドルプラットフォームを含む既存の技術リソースを最大限に活用し、ビジネスニーズの強さと重要度に基づいて実装ルートを決定します。

AI がもはや「あれば便利」な機能ではなく、必要な機能となり、開発者がビジネスの理解と創造性の軌道に戻り、独自のビジネスロジックに集中できるようになることを願っています。すべての AI 機能は開発者とユーザーに公開されます。これらの機能には、音声、ビデオ、自然言語処理、ナレッジグラフなどが含まれます。これらの機能をパッケージ化して、開発者が直接呼び出せるようにします。

2. ロボットプラットフォームの背景、設計コンセプト、技術アーキテクチャ

2.1 インテリジェントチャットボット

ミドルプラットフォームの考え方に基づいて、ロボットプラットフォームをどのように構築するのでしょうか?

インテリジェントチャットボットは、自然言語を通じて人間の会話をシミュレートするプログラムです。

現在、Xiaodu、Siri、Xiao Aiなど、特定のシナリオや分野におけるチャットボットは、高い自然言語理解および処理能力を実証しています。

インテリジェントチャットボットは、企業内の比較的固定的で反復的、かつ労働集約的なタスクやプロセスを置き換えることができます。

問題の相談: ビジネス知識ベースに基づいてビジネス上の質問に答えます。
データ取得: ビジネスシステムまたはデータベース全体のデータまたはドキュメントを取得します。
業務処理: 関連する業務システムに接続して指示を伝え、対応する業務操作を完了します。

典型的な応用シナリオ:チャットに加えて、インテリジェントチャットボットは、専門分野の質問に答える質疑応答ロボットとして、オンラインおよび一部のオフラインタスクを完了するタスクロボットとして、記事、音楽、製品を推奨する推奨ロボットとして、上記のさまざまな機能を統合したアシスタントロボットとして使用することもできます。

インテリジェントチャットボットは、外部顧客サービスと内部ビジネス支援を提供し、総合的な効率改善を実現し、コストを削減して効率を高めます。

2.2 インテリジェントチャットボットの本質: 会話型UI

インテリジェントなチャットボットの本質は会話型 UI です。会話型 UI は、既存のデータ、機能、サービスを会話形式でユーザーに提示します。

従来の UI と比較して、会話型UIには独自の利点があります。

ユーザーの注目度を高めます。今日の情報が断片化された世界では、ユーザーの注意力が持続する時間は短く、さまざまなことに気を取られやすくなります。会話型 UI では、ユーザーの指示に基づいて情報が段階的に提供されるため、無関係な情報によってユーザーが気を散らされることがありません。
ユーザーのフラストレーションを軽減します。会話型 UI では、ユーザーが実行できる操作は比較的制限されているため、ユーザーの行動によって制御不能な高エラーが発生するという問題も回避されます。ユーザーが簡単な複数選択の質問に答えられるようにすることで、ユーザーの思考コストとシステムエラー率が削減され、最終的にはユーザーが必要なものにすぐに集中できるようになり、操作によるフラストレーションが軽減されます。
入出力比率が高くなります。会話型 UI のもう 1 つの利点は、コスト効率が高いことです。会話型UIユーザーインターフェースは、計画的なトレーニングや学習を必要とせず、オンラインになった直後から使用できるため、使用コストを削減できます。また、ビジネスロジックやアプリケーションの状況に応じて、いつでもダイアログデザインを調整および変更できます。

Samsung Labs のシニアデザイナー、Golden Krishna 氏は次のように語っています。「最高のインターフェースとは、インターフェースがないことです。」多くの人は、音声による対話はチャットボットよりも邪魔にならず、より優れたユーザーエクスペリエンスを提供できると考えています。

これは、さまざまなスマートスピーカーが市場で非常に人気がある理由でもあります。音声対話は、世界中の何千もの家庭に導入されています。

2.3 トレンド: 会話型UIとビジネス統合

現在、会話型UIとビジネスシステムの密接な統合が主な開発トレンドとなっています。さまざまな業務システムを統合することで、専用の業務アシスタントを作成できます。上図に示すように、レポートの閲覧、コマンドの統合、ナレッジグラフのクエリ、クエリメールなどの多くのサービスを業務システムに統合し、権限レビュー機能を提供することで、専用の業務アシスタントを作成できます。

一部の業界予測では、次のことが示唆されています。

将来的には、より成熟したテクノロジーにより、チャットボットはユーザーの質問や意図をより正確に識別できるようになります。
顧客サービスはチャットボットの主な戦場であり、チャットボットが最大の利益を生み出すことができる領域です。
チャットボットは、電子商取引、通信、保険、金融、旅行などの分野で広く使用されています。
ビッグデータの強化された分析を例にとると、自然言語 NLP などのインタラクティブな方法を使用することで、BI 使用の敷居がさらに下がります。

Gartner は、2020 年までに分析クエリの 50% が検索、自然言語処理、または音声を通じて生成されるか、自動的に生成されると予測しています。自然言語処理や会話分析などにより、第一線のビジネススタッフが分析・活用するビジネスインテリジェンス製品の使用率は、35%から50%以上に増加しました。

2.4 インテリジェントチャットボットの構築プロセス

次に、チャットボット構築のプロセスを詳しく紹介します。

インテリジェントチャットボットの構築は困難です。たとえば、ロボットのインテリジェントコアの開発には、特定の AI 研究開発能力が必要です。ロボットには、完全なモデルカプセル化セットと、データ管理、タスクスケジューリング、権限制御などのエンジニアリング機能のサポートが必要です。各ビジネスラインには幅広いニーズがあり、それらを 1 つずつ実装するには長いプロセスが必要になります。

一度に 1 つのビジネスラインを構築する場合、図に示すように、AI 同僚とプラットフォーム同僚が最初のビジネスをサポートしているときは、他のビジネスラインからの需要がなく、プロジェクトのサポートに応じて需要に迅速に対応でき、この時点での経験は非常に良好です。2 番目のビジネスについては、この時点で、AI 同僚とプラットフォーム同僚が最初のビジネスをサポートしているため、2 番目のビジネスラインの機能が不足しています。図のビジネスライン B のロボットは足が 1 本欠けており、待機状態になっていることがわかります。3 番目のビジネスラインでは、需要スケジュールの段階に入り、このビジネスラインに対する AI 同僚とプラットフォーム同僚のサポートは非常に限られています。同様に、後続のビジネスラインも待機状態になります。ビジネスパーティは非常に怒っていますが、AI 同僚とプラットフォーム同僚はすでに疲れ果てています。

このことから、この煙突型ロボットの開発には時間がかかり、コストがかかるという欠点がわかります。

では、これらのニーズを効率的にサポートするにはどうすればよいでしょうか?

2.5 ロボット工場

ミドルオフィスの考え方に基づいてインテリジェントなチャットボットプラットフォームを構築します。プラットフォームベースの構築と再利用のアイデアにより、当社のチャットボットはチャットボットの製造工場になりました。

AI モデルの再利用性: AI エンジニアは一般的な AI モデルを構築し、パーソナライズされたロボットコアを構築するために必要なのは、少量の特定のビジネスデータだけです。
エンジニアリング機能のプラットフォーム化: プラットフォーム構築により、包括的かつ汎用的なロボット管理機能が提供され、さまざまな機能が統合され、エンジニアリングモジュールと機能の再利用が実現されます。

インテリジェントチャットボットプラットフォームを構築する過程で、各事業ラインのニーズと機能をプラットフォームに統合し、さまざまな事業ラインに提供しました。各事業ラインはこれらの機能を再利用し、データ権限の高度な分離を実現しました。

最終的には、ロボット組立ラインの生産、高度に再利用された管理機能、ビジネスユーザー向けの高速アクセス、あらゆる分野の迅速なエンパワーメントを実現できます。

2.6 インテリジェントチャットボットプラットフォームの設計上の考慮事項

インテリジェントチャットボットプラットフォームの設計上の考慮事項には、次の側面が含まれます。

1) プラットフォーム化またはプロジェクトベースのシステム

プラットフォームベースのアプローチを使用して構築するため、いくつかの問題に直面することは避けられません。プラットフォーム化の利点は、再利用でき、半分の労力で 2 倍の結果が得られることです。欠点は、パーソナライゼーションとの互換性が難しいことです。したがって、プラットフォーム構築プロセスでは、どのような機能がプラットフォームに属し、どのような機能がテナントに属し、どのような機能が企業に属しているかを考慮する必要があります。パブリック機能を先取りし、テナント機能をカスタマイズする必要があります。この方法でのみ、プラットフォームの半分の労力で2倍の結果を達成し、パーソナライズされたニーズを満たすことができます。

2) ミドルプラットフォームの機能

マルチテナント。マルチテナント方式でインテリジェントなチャットボットプラットフォームを構築し、ユーザーの役割に基づいて機能を定義し、プラットフォーム管理者とテナント間で機能を分割します。
セルフサービス。すべての機能はセルフサービスであり、管理および運用保守作業はテナントに委託されます。これにより、テナントは独自のロボットを適切に管理できるため、プラットフォームのメンテナンスが大幅に削減され、スケジュールを待つ必要がありません。
隔離と安全。リソース分離（データ分離、言語分離を含む）とコンピューティングパワー分離によるコスト配分を計算することで、データが互いに影響を及ぼさないことも保証できます。さらに、機能的役割とデータ役割の二重役割直交アプローチに基づいてデータセキュリティが確保されます。

3) 統合されたクローズドループ

インテリジェントロボットプラットフォームは、エンジニアリング、アルゴリズム、および操作の統合の結果です。ロボットは単純なアルゴリズムモデルではありません。モデル操作、データ管理、権限制御、手動介入、クライアントサポートなどが必要です。また、運用サポートと奨励も必要です。たとえば、当社のプラットフォームに導入されているポイントシステムにより、ポイント状況に基づいていくつかの運用アクティビティを実行し、すべての人にいくつかの機能を使用するように奨励することができます。
運用プロセス中に、質問の補足、オンライン注釈、コーパスのエクスポート、自動トレーニング、自動オンライン起動を継続的に行うことで、プラットフォーム、データ、モデルのクローズドループが形成されます。たとえば、ユーザーが質問をすばやく補足できるように、オンライン注釈のセッション管理を開発しました。

2.7 インテリジェントロボットプラットフォームシステムアーキテクチャ

上図は、インテリジェントロボットプラットフォームのシステムアーキテクチャを示しています。

一番上には、ロボットが外部に提供するサービスがあり、Web、APP、Restful API を通じて提供されます。
中央には、Spring Cloud マイクロサービスアーキテクチャを使用するマイクロサービスレイヤーがあり、すべてのサービスは Eureka に登録されます。マイクロサービスには、ゲートウェイサービス、スケジューリングサービス、外部サービス、ビジネスロジックサービス、データアクセスレイヤー、統計サービス、通信サービスなどが含まれます。アルゴリズム予測に関係するモジュールは Python サービスにあり、Eureka にも Python サービスを登録します。これは「サービスとしてのモデル」と呼ばれるアイデアです。
外部認証システムには、LDAP、SSO、PS などがあります。外部システムには、各種 PC 端末、APP 端末、レポートなどが含まれます。
データは Mongo に保存され、ドキュメントは HDFS に保存され、検索には Eleastic-Search が使用され、統計には Click-house が使用され、手動のバックグラウンド通信には Rabbit mq が使用され、セッションとコンテキストの管理には Redis が使用されます。
プラットフォーム全体は、コンテナ化をサポートし、オーケストレーションのためのコンダクターモデルの使用をサポートし、MQTT プロトコルを使用して APP 側の不安定なネットワークの問題を解決するマイクロサービスアーキテクチャです。

3. ロボットプラットフォームのコア原理と主な機能ポイント

3.1 ロボットのコア技術

前回の記事では、ロボットプラットフォームの背景、設計コンセプト、技術アーキテクチャを紹介しました。次に、ロボットプラットフォームの中核原理と主な機能ポイントを紹介します。

インテリジェントチャットボットの中核部分は、自動音声認識 (ASR)、自然言語理解 (NLU)、対話管理 (DM)、自然言語生成 (NLG)、およびテキスト音声合成 (TTS)を含む対話エンジンです。

その中でも、自然言語理解（NLU）の目標は、テキストを意味表現に変換することです。テキスト内の単語の意味は重要ではありません。重要なのは、テキストが意味情報に変換されることです。簡単に言えば、人間の言語を機械が理解できる構造化された完全な意味に変換し、機械が人間の言語を理解できるようにすることです。

通常、NLP 自然言語処理と呼ばれるものは、実際には NLU 自然言語理解と NLG 自然言語生成を含む大規模な集合であり、生成より上位の処理部分と下位のアプリケーション段階が含まれます。したがって、NLU と NLG はどちらも NLP のサブセットであり、同じレベルではありません。

DM はダイアログ管理システムの頭脳であり、ダイアログステータスの更新を担当します。会話エンジンの難しさは、NLU と DM にあります。

一般的に、これらのテクノロジーはすべて自然言語処理 (NLP) に属します。基本的に、チャットボットの問題を解決するには、NLP テクノロジーを使用する必要があります。

ユーザーが質問すると、モデル（機械学習を使用して大量のデータをトレーニングおよび要約することで得られるモデル）を通じて、この自然言語の質問を機械が理解できるデータ形式（このデータ形式をベクトルと呼びます）に変換する必要があります。

NLP テクノロジーは、インテリジェントチャットボットで使用されるだけでなく、構文および意味解析、情報抽出、テキストマイニング、機械翻訳、情報検索、対話システムなど、多くの分野でも使用されています。

3.2 ロボットの原理

インテリジェントチャットボットは、質疑応答ロボット、チャットロボット、タスクロボットなど、複数のロボットで構成されています。人間のバックグラウンドとドキュメントライブラリが連携してタスクを完了し、最終的に最適な回答を選択してユーザーに返します。

図に示すように、ユーザーは次のように質問します。

まず、ASR は音声をテキストに変換しますが、これにはスケジュール設定が含まれます。プラットフォームサービスとタスクスケジューリングは、これがロボットの問題であると判断し、前処理段階に入ります。
前処理には、単語の分割/停止の削除、語彙のマッピング、品詞分析、構文分析、エンティティ認識、文の言い換え、関係の抽出などが含まれます。
次に、ドメイン分析、問題の分類、意図の検出、ボットの識別を含む分析フェーズに入ります。
次に、QA ロボット (ユーザーの事実および非事実の質問に答える)、チャットロボット (ユーザーの感情表現や客観的な問題に関する議論に答える)、タスクロボット (特定のシナリオを満たすタスクを実行する)、シナリオロボット、ナレッジグラフロボットなど、さまざまなロボットに移ります。
結果は、重み付けされた回答修正のために融合ソート層に集約されます。
最後に、ユーザーの権限でフィルタリングした後、回答が生成され、TTS 合成音声を通じてユーザーにフィードバックされます。

ロボットが質問に答えることができない場合は、マニュアルバックエンドまたは検索エンジンに転送され、ドキュメントを検索および取得し、最後にベストアンサーを返します。

3.3 QAロボット

QAロボットの本質は、ユーザーが質問Qを尋ねると仮定して、QAロボットは既存のQAデータベースから最も適切なQAペアを見つけて、QA類似の計算とQAマッチング計算を実行し、QAペア（QI、AI）の最適な類似点を見つける必要があります。

ソリューション1：NNモデル

一般的なネットワークモデルには、RNNおよびCNNモデルが含まれます。たとえば、2層エンコーダー（デコーダー）を備えた長期の短期メモリモデル（LSTM）。このモデルは、多くのシナリオで比較的簡単に使用できます。

ソリューション2：サブ問題に分割。

コーパスが比較的小さい場合、問題は2つの段階に分かれています。

問題を、通常はTFIDFとW2Vを使用して、短いテキストセマンティック表現に変えます。
次に、ベクターのコサイン距離の計算など、セマンティック距離計算が実行されます。

その利点は、コーパスが比較的小さいときにうまく機能することです。

3.4 QAロボット原理（QQマッチング）

ここでは、QQマッチングを使用して、QAロボットの原理を紹介します。

QQマッチングには、文のベクトル化、類似性の計算、および類似性ソートなど、いくつかの部分が含まれます。

文のベクトル化は、単語の袋（弓）モデルと同義語の拡張を使用して、文の単語をベクトルに変換します。
次に、類似性は質問バンクの単語で計算され、コサインの類似性を計算します。
コサイン距離を使用して対応する結果を生成し、類似性によってソートされた回答のリストを返します。

私たちは、ワードバッグモデルと同義語の拡張を介して文ベクトルを表します。

Bag of Wordsモデルは何ですか？ワードバッグモデルは、テキスト内の単語順、語彙構造、構文を無視し、単語のコレクションまたは単語の袋としてのみ見ています。

同義語の拡張も導入されています。実際の問題では、さまざまな単語がさまざまな方法で尋ねられる場合がありますが、セマンティクスは同じであるため、一部の同義語は単語ベクトルを形成するのと同等です。ベクトルの値はTF-IDF値であり、重量を表すために使用されます。

TF-IDFモデル（用語周波数 - インターバースドキュメント頻度）。 TF-IDFは、ドキュメントセットまたはコーパスに対する単語の重要性を評価するために使用される統計的方法です。 TF-IDFの主な考え方は、1つの記事に単語またはフレーズが頻繁に表示され、他の記事にめったに表示されない場合、この単語またはフレーズは優れたカテゴリの区別能力を持ち、分類に適していると考えられているということです。

TF-IDFには2つの値があります。1つは単語周波数、もう1つはIDF（逆文書頻度）です。計算方法を図に示します。

たとえば、データベースには10,000のドキュメントがあり、そのうち10,000が「牛」に言及し、たとえば「牛乳生産」について言及しています。

計算を通じて、「牛」の単語頻度は非常に高くなりますが、最終的には「牛」のTF-IDFが非常に低いことがわかりました。「牛乳生産」という言葉は低い頻度ですが、認識率が高く、最終的には高いTF-IDFです。

特定の実行プロセスを図に示します。

まず、文を取得し、セグメント化し、停止単語を削除し、重複を削除して単語シーケンスを取得します。次に、TF-IDFを計算して、TF-IDFを計算し、語彙の値を計算します。
次に、ベクトル間の距離を計算する必要があります。ここでは、コサイン距離を使用します。計算方法を図に示します。
2つの単語ベクトルのコサイン値が1に近い場合、2つの単語ベクトルは類似しています。つまり、2つの文は関連しています。そうでなければ、それは無関係です。文の類似性は、コサイン値を計算することによって最終的に決定されます。

上記で紹介したQQマッチングは、検索ベースのチャットボットの一種であり、他の対応するカテゴリはモデル生成に基づく式ロボットです。

検索ベースのチャットボット：

特徴は、返信データが事前に保存され、既知の（または定義された）データであることです。
利点は、質問と回答の両方が手動で要約されていることであり、これによりデータベース内の答えの正しさが保証され、式は自然で理解しやすいことです。
不利な点は、ロボットがユーザーの数が限られているため、データベースに回答を見つけようとすることです。

チャットボットモデルを生成します：

その特徴は、機械翻訳技術に似た新しい未知の応答コンテンツ（モデルがこれまで見たことのない）を作成することです。
利点は、事前に保存された定義されたデータを必要とせず、検索モデルよりも柔軟性があることです。
欠点は、生成効果が良くないため、いくつかの文法的なエラーと無関係なコンテンツが必要である可能性があります。

現在の状況は、商業分野では、産業用グレードの基準がまだ特定のフィールドや限られた問題セットに適していることです。モデルを生成するロボットは、商業分野での焦点です。

3.5チャットロボットの原則

チャットボットは主に客観的なトピックについて説明し、ユーザーはチャットボットにいくつかの感情を表現し、挨拶、感情、エンターテイメント、その他の情報に応答します。チャット処理は、2つのコンポーネントで構成されています。

プリセットルールに基づく一致：会社コンプライアンスの用語要件。
チャットライブラリの大規模なチャットコーパスに基づいて、ほとんどのチャット応答を満たすことができます。

大量のカジュアルなチャットコーパスは、オンラインフォーラム、Weiboの会話、さらには他の一般的なロボットからもrawっています。

チャットボットの要件は、シンプルなチャット、制御可能な結果、および迅速な開発です。そのため、実際には、AIMLに基づいてチャットロボットを構築します。

AIMLはリチャードウォレスによって発明された言語です。彼は、いくつかの人工知能賞を受賞したアリス（人工言語インターネットコンピューターエンティティ）と呼ばれるロボットを設計しました。 AIMLは、パターンを一致させ、応答を決定するためのルールを定義するためのXML形式です。

図に示すように、AIMLは非常に柔軟であり、テンプレートのマッチング、任意の文字マッチング、要素抽出、1つの質問に対する複数の回答、トピック分割などに基づいています。

AIMLをナレッジキャリアとして使用する利点は、柔軟でユーザーフレンドリーであることです。欠点は、チャットライブラリの拡張に関する問題など、知識編集のしきい値が高いことです。

幸いなことに、simpleaimleditor、gaitobotaimleditorなど、既製のAIML編集ソフトウェアがあります。

AIML言語の仕様も常にアップグレードされており、最新バージョンはAIML 2.0です。

3.6タスクロボット原則

タスクボットの主要な技術は、意図の認識とセマンティックスロット抽出に基づいています。たとえば、「今日の午後3時から4歳までの会議室を予約してください。ロボットはこれがタスクであることを認識しています。

分析の後、Aのタスク要求にはセマンティックスロットがありませんでした。ロボットに「職場の会議室が追加された後、会議の予約システムにリンクされたロボットが予約し、タスクを完了し、結果をAに返しました。

このプロセスには、意図の認識、主要なパラメーター抽出、マルチラウンドダイアログと対話管理、構成、および外部システムを使用したドッキングが含まれます。

この例として、上記の写真で実際の例を挙げてください。

まず、可能な質問を構成します。これには、主に意図的な認識と可能なソリューションの設定が含まれます。
次に、スロット値を抽出する必要があるスロット値を構成し、ここのスロット値はIDカードです。また、構成が抽出されていない場合は、質問をする必要があります。テストスロット値抽出はオンラインで実行できます。
次に、トリガーされた外部システムを構成し、ここで対応するスロット値を送信し、リターン値から抽出して、正しいエラー条件を表示します。
最終効果は上の図に示されており、プロセス全体には、複数のラウンドの会話とトピック追跡が含まれます。

3.7シーンロボットの原則

シーンロボットは、プリセットルールに基づいてシーンタスクを駆動するタスクロボットのより高度なバージョンであると言えます。

上記の例では、営業担当者が顧客Li Guoqiangの情報を確認したいと考えています。、これがシーンロボットです。シナリオロボットを構成し、関連するビジネスジャンプを構成できます。これにより、さまざまなシナリオを動的にサポートできます。

シーンロボットは、シーンにバインドされ、シーン関連のスピーチとジャンプルールを組み合わせて、カスタマーポートレートクエリ、製品情報視聴、シーンドリル、対面のスピーチなど、クロスセリングおよび顧客関連の問い合わせを実行することもできます。

3.8 kgロボット原理

KGロボット、つまりナレッジグラフロボットは、基本的にセマンティックネットワークであり、そのノードはエンティティまたは概念を表し、エッジはエンティティと概念間のさまざまなセマンティック関係を表しています。 KGロボットは、知識グラフの推論に基づいて結果を提供し、検索ロボットの一種でもあります。

プレーンテキストと比較して、知識グラフはQ＆Aシステムに次の利点があります。

データ相関：セマンティック理解の程度は、Q＆Aシステムのコアインジケーターです。ナレッジグラフでは、すべてのナレッジポイントは、セマンティック情報のエッジに関連付けられています。質問文と知識グラフへの知識ポイントの一致と関連付けの過程で、関連するノードの大量の関連情報を使用できます。この種の関連情報は、間違いなくインテリジェントなセマンティック理解の条件を提供します。
データの正確性：答えは非常に正確であり、知識グラフの知識はプロの注釈、またはプロフェッショナルデータベースによってフォーマットおよびクロールされたものであり、データの高精度を保証します。
データ構造：検索効率の知識グラフの構造化された組織形式。コンピューターの迅速な知識検索のフォーマットサポートを提供します。

これらの利点はすべて、スマートチャットボットプラットフォームを構築する際に、Q＆Aシステムの知識源として知識グラフを使用するようになります。

たとえば、これは以下を含む保険の知識グラフです。エンティティの属性のクエリ - 月ごとの国内旅行保険費用はいくらですか？関係と属性の問い合わせ - 骨折を保護し、5年以上の補償期間を持つことができる保険はどのような保険に加入していますか？単純な関係の調査 - 国内旅行保険のpingは偶発的な骨折を保護できますか？複雑な関係の問い合わせ - 骨折を保護できる保険を購入し、俳句市のグレードA病院で払い戻すことができます。

これらは基本的にグラフクエリを実行し、エンティティのプロパティを照会し、エンティティ間の関係を照会します。

ナレッジグラフロボットの構築中：

最初のステップは、知識グラフのドメインの知識を定義することです。上記の例では、トリプル間の関係のオブジェクト指向の定義（エンティティ、属性、関係）を定義した後にのみグラフモデルを構築できます。
次のステップは、このプロセスを抽出することです。多くのトレーニング、オンライン注釈などが含まれます。既存のフォームとドキュメントから必要な情報を抽出し、抽出された情報を最初のステップに組み込まれたモデルにインポートする必要があります。
次は知識の質問と答えです。質問からエンティティ、属性、関係を抽出する必要があります。この例では、重大な病気保険に相当する言葉は重大な病気保険であり、重大な病気保険は団体であり、結腸癌も団体です。
最後の質問は、エンティティ間の関係の予測に変換されます。

ユーザーが質問をすると、質問はグラフ計算に変換され、ロボットは知識グラフを使用してクエリと計算を行い、回答に変換してユーザーにフィードバックします。

3.9モデルオーケストレーション

上記のさまざまなロボットに加えて、チャットロボットプラットフォームには、モデルオーケストレーションとモデル管理の一部も含まれます。たとえば、一部の企業はQAロボットのみを必要とします。一部のシナリオでは、ルーティング/マルチスプレッドを含む複数のロボットが協力する必要があり、マスロボットの結果を融合して統合する必要があります。

モデルのオーケストレーション、さまざまなモデルの組み合わせ、呼び出されたモデルを視覚的に調整し、ドラッグアンドドロップ構成をサポートします。

モデル自体はサービス指向である必要があります。実際のモデルは、これらのPythonサービスをカプセル化し、この方法でモデルを自動的に更新します。同時に、ユニットテストとリンクテストを実行できます。

3.10インテリジェントチャットボット機能

現在、プラットフォームはサポートできます。

質問と回答、タスク、チャットなどを含むマルチタイプのロボット統合関数。
複雑な状況会話：ダイアログ関数の複数のラウンド、トピック追跡関数などを含む。
マルチチャネルロボットインタラクティブ端子。
統一されたロボット管理フレームワーク。
完全なマニュアルカスタマーサービス機能サポート。
包括的なデータレコードと統計。

3.11ロボットプラットフォーム機能

チャットロボットプラットフォームの主な機能には、次の側面が含まれます。

チャットロボットプラットフォーム。チャットロボットプラットフォームのフロントデスクには、ロボット応答、QA、ドキュメント検索、協会の検索、オフラインメッセージ、会話履歴、FAQ、挨拶、その他の機能が含まれます。背景には、検索エンジンが関与しているかどうか、フィードバック設定、外観設定、シーン設定、モデル構成などの機能が含まれます。
手動バックエンド。マニュアルバックエンドには、カスタマーサービスワークベンチ（オンラインの会話、会話履歴、会話注文の転送、会話のキューイング、招待状セッション、顧客情報の表示、迅速な返信、その他の機能）、カスタマーサービス管理、スキルグループ管理などが含まれます。
セッション管理。セッションのエクスポートを参照し、履歴セッションをクエリし、オンラインで履歴セッションを分類およびスコアリングし、QAの質問を追加します。
QA/ドキュメント管理。閲覧および編集、フルテキスト検索、問題分類、同等の問題、コーパスのバッチアップロード、透かしの生成、ドキュメントの許可を表示します。
タスク管理。タスクロボットの場合、機能にはタスク構成、エンティティ管理、タスクの更新、モデル構成などが含まれます。
チャット管理。チャットロボットの場合、機能にはチャットライブラリ管理、フルテキスト検索、コーパスエクスポート、モデル更新管理が含まれます。
統計を報告します。セッション統計、ドキュメント/QA統計、マニュアルバックエンドサービス分析、ユーザー質問クラウドアクティビティランキング、ユーザーポイント、ユーザー行動カバレッジなど
モデル管理。モデルオーケストレーション、モデルの開始と停止の更新、自動メンテナンスとリリース、オンライン、モデル予測などのテスト環境機能を含みます。
認証サポート/外部システムドッキング。 PSドッキング、LDAPドッキング、SSOドッキング/さまざまな外部システムドッキングなど。

1）ロボットフロントデスク

ロボットには、Webインタラクションページがプリセットされており、ロボットのすべての機能をサポートしています。対話、メッセージのフィードバック、手動転送、履歴メッセージを含む。

上記の例でわかるように、前のセクションはFAQのリストであり、ユーザーが質問をしてから、質問に一致する答えを見つけました。上記の図に示すように、ユーザーが「Yirendai」のみが与えられた場合、この質問に関連するいくつかの質問をすることはありません。検索エンジンにアクセスして、検索エンジン関連の質問を使用することもできます。

実際、モデルを取得するチャットボットの場合、FAQに適切な回答がない場合、質問をFAQで返信します。質問は、質問を回答に最も近い質問ではなく、回答ではありません。これにより、ユーザーの質問からより多くの情報を取得して、より実際の回答を返すことができます。実際には、そのような関連性を通じて、ユーザーは数回のクリックで本当に望んでいる答えを見つけることができ、彼らの満足度が向上することがわかりました。

2）知識ベース

これは、ロボットのナレッジベースです。知識ベースには、対応するデータのロールとドキュメントのデータカラー形式が含まれています。

3）手動バックエンド

これはロボットの人工的な背景です。マニュアルの背景がオンラインになった後、ユーザーはマニュアルのバックグラウンドでカスタマーサービススタッフとチャットし、このプロセス中に写真をアップロードできます。ロボットQ＆Aとは異なり、ユーザーはテキストをロボットモードでのみ投稿し、カスタマーサービススタッフとチャットできます。ドキュメントをアップロードしたり、式を挿入したり、コメントを要求したりできます。ここでは、迅速な返信、知識ベース、ドキュメントライブラリ、顧客自身の情報、およびいくつかのスマートな回答を表示することもできます。

これは、対応する顧客の機能を、解決できない問題を他のワークベンチのカスタマーサービスに転送することができます。

4）セッション管理

セッション管理を見てみましょう。上の写真の左側には、この人の対応する歴史的なチャット情報があります。各質問のスコアが表示されます。これは、アルゴリズムの同僚に役立つだけでなく、同僚のオペレーションがオンライン情報を維持するのにも役立ちます。

5）統計分析

ロボットプラットフォームは、データ統計と分析機能も提供します。レポート統計も実行できます：セッション統計、ドキュメントQA統計、マニュアルバックエンドサービス分析、ユーザーの質問クラウド、アクティビティランキング、ユーザーポイント、ユーザーの動作カバレッジ、使用の詳細も実行できます。

6）モデル管理

ロボットプラットフォームは、モデルのカプセル化、リリース、開始、停止、および更新管理を実行できる非常に利用可能な操作アーキテクチャである一般的なモデル操作ホスティングプラットフォームも提供し、自動データ更新メカニズム、統一されたサービスアクセスインターフェイスなども含まれます。

7）マルチテナントおよび役割の許可

ロボットプラットフォームは、マルチテナントと役割の許可管理機能を提供し、対応するロールとアクセス許可を構成することにより、ユーザーの役割をロボットに自動的にインポートします。このようにして、ユーザー自体を維持する必要はなく、異なるビジネスシステムに直接接続できます。

タスク構成、チャット構成、ポイント管理、外部システムを使用したドッキングなど、ロボットプラットフォームのその他の機能は、ここでは1つずつ拡張されていません。

3.12ロボット開発段階

図に示されているように、Q＆A、マニュアルバックエンドなどを含む、インテリジェントチャットロボットプラットフォームを開発しています。現在、第3段階から第4段階への進化の過程にあります。つまり、ビジネス分野での体系的なCUI統合、つまり、ロボットの会話を通じてシーンロボットの形で顧客に提示したいと考えています。

4。スマートチャットロボットプラットフォームのアプリケーションシナリオ

4.1インテリジェントなカスタマーサービスロボット

インテリジェントなカスタマーサービスロボットの当初の意図は、カスタマーサービス管理部門の問題点を解決することです。

Yixinには、これらの店舗の多くの質問があります。これらの質問は、内部のコミュニケーションツール、ミツバチ、電子メールを通じて回答されます。

コミュニケーションプロセス中、人の数と問題の数が多すぎるため、多くの繰り返しの作業があり、問題を追跡するのが難しい、知識を蓄積するのが困難、問題に関する統計の欠如、ターゲットを絞ったトレーニングの不能があります。
カスタマーサービスと営業スタッフの場合、手動の回答の待ち時間は非常に長く、顧客サービスは焦りがちであり、手動の回答は標準ではありません。
顧客の場合、待ち時間は長く、顧客体験、標準のない答えに影響を与え、ブランド認知度に影響します。

インテリジェントなカスタマーサービスロボットの導入後、問題の80％がロボットによって傍受され、残りの20％がマニュアルの背景に転送され、カスタマーサービスマネージャーへのプレッシャーが軽減されました。

現在、インテリジェントなカスタマーサービスロボットは、すべての最前線のカスタマーサービスの同僚にサービスを提供しており、カスタマーサービス管理のための重要な毎日のツールになっています。カスタマーサービス担当者は、携帯電話を介して運用でき、インテリジェントな運用管理のプロセスを0から1に実現でき、運用担当者がプレッシャーを軽減し、運用効率を向上させるのに役立ちます。

4.2ウェルススマート携帯電話ロボット

資産販売プロセスには多くの製品（資金、保険など）が含まれており、製品の知識、ポリシー、規制、販売レトリックなどを理解する必要があります。私の同僚は、販売プロセスで遭遇した多くの知識の盲点に答えるために、知識ベースのアシスタントがいることを望んでいます。

チャットボットアシスタントを使用して、既存のモバイルアプリと組み合わせて、製品、顧客、知識のワンストップサービスを実現する予定です。

上記の図に示すように、Fortune Intelligent Assistantはロボットプラットフォームを直接呼び出すのではなく、APIを介してロボットプラットフォームを呼び出してから、さまざまな販売対象の質問をします。

現在、Fortune Smart Help Mobile Robotは、すべての最前線の販売およびビジネスサポート担当者をカバーし、投資前、投資の中間、投資後、販売ポリシーなどの問題を解決し、ビジネスプロフェッショナリズムと対応速度の向上、ビジネス拡大効率の向上をカバーしています。

4.3保険インテリジェントロボット

3番目のシナリオは、保険のインテリジェントロボットです。 WeChatユーザーは、ユーザーが対処するには疲れすぎている場合は、専門家ではありません。

図に示されているように、保険のインテリジェントロボットは、サードパーティの知識基盤に基づいた問い合わせを提供します。保険用語の問い合わせ、疾病データベースの問い合わせ、病院データベース、その他の保険の知識コレクションなど。私の子供は5歳でこの製品を購入できますか？重大な病気の保険はどのような病気をカバーしていますか？また、一般的な販売前および販売後の意図の判断と保険費用の事前計算を行うこともできます。

4.4 AIOPS操作およびメンテナンスロボット

最後のシナリオは、AIOPSのインテリジェントな操作とメンテナンスロボットです。データには、履歴データ、ストリームデータ、ログデータ、時系列データ、異常なデータなどが含まれます。システム全体は、多くのガジェットによって大規模なシステムに統合されています。 AIOPSには、自動モードの発見と予測、異常なチェック、根本原因分析、およびモデルサポートを必要とするその他の側面も含まれます。

ここでは、主にエントリ：テキスト入力に焦点を当てています。

毎日の操作とメンテナンスで、異常が発生すると、運用とメンテナンスの同僚は、携帯電話アプリを使用して自然言語で現在のシステムステータスを表示し、いつでもどこでも現在のシステムを理解し、操作とメンテナンスからコマンドを実行することで障害を解決することを望んで、携帯電話、電子メール、またはSMSアラームを受け取ります。

たとえば、モバイルアプリを介してタスクロボットを呼び出して、バックグラウンドシステムのネットワークが占有するタイミングチャートをクエリし、このチャートをレポートの形式でフロントエンドに返すことができます。ロボットを使用すると、情報の過負荷の問題を効果的に削減し、関連するインターフェイスを呼び出し、現在最も重要な問題を直接見つけて戻ります。システムに障害があることがわかった場合、ロボットはコマンドを送信してサービスを再起動し、障害を解決できます。

V. 結論

AIミドルプラットフォームのアイデアと実践に基づいています。スマートチャットロボットはプラットフォーム構築方法を採用し、ロボットが迅速に複製できるようにします。最初のロボットは、研究開発からオンライン開発まで6か月かかり、次のロボットは3週間で5か月、4か月、2か月、6週間で完了しました。

パーソナライズされたニーズに対応しながら、複数のビジネスラインとシームレスなシステム接続をサポートします。プロジェクトが設立されて以来、この製品は、会社の包括的金融および資産管理の多くの重要なビジネスパーティーをサポートし、PC、アプリ、およびRESTFUL APIインターフェイスのドッキングをサポートしています。

幅広い同僚をカバーしており、長いサービス時間があります。数万人の最前線の同僚をサポートし、数十万回以上質問に答え、累積的な会話時間を1000時間近くにしています。

優れた運用効果と人材を節約します。統計によると、効果的な回答（ロボット回答の合計回答のアカウント）は80％を超え、エラーフィードバックレートは5％未満です（フィードバックの割合は役に立たない）。

あらゆる種類の製品。質問および回答ロボット、チャットロボット、タスクロボット、ナレッジグラフロボット、シーンベースのインタラクティブロボット（製品の推奨事項、アンケート調査、収集、販売など）を含む。

エンジニアリング、アルゴリズム、および操作で統一されたワンストップインテリジェントチャットソリューションを提供します。たとえば、ラベル付けセッションと知識の更新、自動化されたコーパスのエクスポートとモデルの更新、データ、アルゴリズム、および操作のオンライン表示は、閉ループを形成します。

[この記事は51CTOコラムYixin Technology Institute、WeChatパブリックアカウント「Yixin Technology Institute（id：CE_TECH）」からのオリジナル記事です]

この著者の他の記事を読むにはここをクリックしてください

<<: 初の科学ニュース執筆ロボット「小科」が発売

>>: モノのインターネットにおける機械学習の役割は何ですか?