他們告訴你，他們用的是「深度學習」，但沒人告訴你是怎麼用的

4 人贊了文章

2012年，聯絡中心要進入下一代智能化客戶服務中心的說法開始蔓延，大家雖說有一點兒慌，但總體來說還都覺得這事兒挺好。

人工智慧，顛覆傳統產業，變革生產力，以後客服人員都是機器人，再不用操心安撫他們，培訓他們，不要工錢還不休息。嗯，高大上！於是「神經網路」、「深度學習」、「知識推理」、這些詞，慢慢從供應商嘴裡傳到我們嘴裡，逢人不拽上幾句，都對不起人家上百頁的PPT解決方案。

「我們的系統用的是自己的獨創的深度學習，現場就能給你上線用。「

「哇，那太好了，可給我們省了勁兒了，來，試試！「

「好，把整理好的結構化數據給我導進來。」

「這些數據我都整理好了，我用你呀！「臉上笑嘻嘻，心裡MMP。

……

「我們的系統後台特別簡單，不用你們做後期維護，它自己完全能應付。」

「哇，那太好了，可給我們省了勁兒了，來，試試！「

一個月後，機器人回答準確率70%，二個月後65%，三個月後68%。

「這準確率咋沒提升呢？「

「深度學習就像一個黑盒子，我們輸入數據，它輸出結果，能輸出什麼結果，不是我們能預測的。「

「喔，喔。這樣呀！「臉上懵著逼，心裡MMP！

……

這些對話不是開玩笑，這就是目前智能客服領域我們面臨的現狀。作為一種新的技術，其實算起來也有60多年了，真不新，但不明覺厲，對於應用AI技術的解決方案，甲方總是抱著幻想，希望它能幫著把客戶的問題都解決了——一個機器人往那兒一放，反應快，回答的好，客戶滿意，我們還不用費工夫去維護它，美！

就想問，你咋不上天呢？

澆一盆冷水，在需要大量應用AI分支技術NLU的客服領域，機器做不到呀！

「在突破應用基礎理論瓶頸時……重點突破無監督學習、綜合深度推理等難點問題，建立數據驅動、以自然語言理解為核心的認知計算模型……「——這是國務院今年7月底印發的《新一代人工智慧發展規劃》，NLU是核心，是瓶頸，啥叫瓶頸？供應商你心裡沒點兒B數嗎？（這句話同樣適用於甲方）

說出來有點戳破氣球的感覺，其實單純的技術和演算法，都是通用的，包括被吹噓的神乎其神的深度學習，相關的理論和演算法也都是二三十年前，沒有人能夠在演算法和理論方面比別人強多少，而且基礎技術和演算法也不能直接解決任何實際問題，到真的去用的時候，一個應用一個場景，那是需要多種技術綜合起來，形成有機的系統才解決問題的。

但對於新接觸的這個東西真沒經驗，那該如何判斷呢？其實可以把握一點：再看到供應商拿出有AI的解決方案時，別迷信，別聽信那些神話，就把它看做普通的軟體產品，這樣心裡自然就有了一些標準去判斷其好或者不好。有點常識的都知道，每個軟體產品在具體技術方面都不會有太大變化，但什麼是好的產品呢？就是那些有了充分的行業積累和實施經驗的，經受過足夠考驗的產品，而在市面是最終勝出的也是它們。

所以，對於智能客服的解決方案來說，技術方面的優勢根本不在於演算法，而在於工程化能力，在於領域的積累，在於大量的實際項目和應用積累的行業經驗，一方面千錘百鍊後，它具有了解決各種問題的能力，另一方面是，以海量數據為基礎的人工智慧，沒有高質量的結構化數據，技術沒有用武之地。

被AI界奉為經典的《終極演算法》一書中曾用了一個很好的類比：在信息處理這個生態系統中，學習演算法是頂級的掠食者，資料庫就像大象，又大又重，不能忽略，但耐心的野獸飛快運轉統計和分析演算法，將數據變為信息，學習演算法將這些信息吞下，消化，然後將其變成知識。

而知識才是真正讓機器變聰明的東西，我們可以把演算法本身理解為一種編程方法的升級版，有一定的門檻，但是門檻並不是太高，所以在挑選靠譜的供應商，如果再有人跟你賣弄它的演算法有多厲害，你大可以在心裡「呵呵」了。

判斷靠譜的標準，要看它的方案能不能與你公司的業務系統對接上，能否產生深度結合？能不能利用移動互聯網時代已經產生了的多個跨平台渠道，收集到超大規模的消息？收集到信息後，系統是如何處理的這些信息的？能不能實現數據的結構化？能不能最後轉化為你公司的知識財富？

進一步講，在大數據，智能化時代，公司打造一個統一的知識管理後台很有必要，通過這個平台將數據打通並深入呼叫中心內外部體系，將一條條對話，一次次互動變成數據，加工成信息，運營成知識，這樣的解決方案才是我們真正需要的。

再說一句不怕得罪人的話，現在市面上大部分供應商能解決的也就是FAQ類的問答，靠的也是跟深度學習沒有半毛關係的基於搜索的技術實現的。

科普文一篇，以緩解甲方上當次數太多日益聰明跟供應商繼續不從實踐出發擺概念畫大餅之間的矛盾。