4年了，追一的AI 项目可不只是“技术活”

 

当人们谈论人工智能时， 映入脑海的往往是深度学习，自然语言处理，计算机视觉这些不明觉厉的技术名词。但如今的AI 已经跳出技术的象牙塔， 成为一门应用于各行各业的实用技术，用得好不好已成为影响AI 投资回报的关键因素，特别是在2B行业，行业门槛有多高，技术应用往往就有多难。

成立4年来，追一科技已经实施了600多个服务于领先企业的AI项目，积累了丰富的实践经验(包括碰到的那些坑），为我们技术和产品的迭代，以及业务场景的探索提供了宝贵的输入，为客户带来更多价值。本期访谈中，我们请追一AI 解决方案总监Caesar聊一聊如何把AI 用好。

Caesar

追一AI 解决方案总监

2018年加入追一科技， 参与过众多AI项目的业务拓展与落地，在客户认知引导、客户需求挖掘和AI应用建设等方面有着深刻的理解和丰富实战经验。

能先谈谈您对AI 应用这个事是怎么理解的？  

从客户应用的角度来说，场景的理解和AI应用经验的门槛比产品功能使用门槛要高。从场景来看，如何真正和业务场景高度融合一直是新兴技术商业化的大难题。如果不能深刻理解业务场景，技术是很难真正落地的。而要理解场景，需要通过实践，在与客户的互动中加深理解，打磨产品，持续优化。过去4年，追一实施了大量的AI 项目， 对我们加深行业场景的理解是非常有帮助的。

从AI应用的角度来说，AI产品的使用方法是不会太复杂，比掌握工具难的是经验，高水准的AI训练师的经验还是有相当的专业性和门槛的，需要时间来积累。他能将具体业务场景的人机友好度和会话交互体验提升到更高的水平，目前看还是由AI厂商来做比较合适。举个例子，客服机器人问了用户一个问题，用户回答“嗯，你说”，这既有可能表示肯定的意图，也有不置可否，但是可以继续对话下去的意思。如何利用机器人的会话管理工具在不同的表达情景下灵活的配置，并且使得机器人更好地理解和处理对话逻辑，AI训练师的经验就很重要。

在为客户规划AI项目时， 你们是如何发掘和理解客户的需求?

我们比较主张“先AI、再行业，后场景”的过程，这也是一个顺势而为、循序渐进的认知顺序。AI的概念很大，其中的细分方向和技术选型非常之多，当我们充分理解客户的需求与我们所擅长的AI领域契合程度后，才有可能明白技术边界所画下的圈，才能明白什么时候以什么样的方式可以在圈内外游走。

聚焦行业是AI应用发展的一个必然趋势，这同时也要求我们要能够更加敏锐地捕捉行业客户的“言外之意”，并且能清楚和快速地判断哪些需求对于这些行业客户的“分量”更重。对行业需求的理解是一个持续过程，它有助于AI公司构建行业护城河以及业务规模化。

人工智能技术还在发展中，并不是万能的，自然语言处理技术目前主要是完成对语义意图的识别，进行对话流程和任务的处理，并不代表是做决策。在需要做决策的业务场景，以深度学习为代表的AI还是一个黑盒，所以在现阶段，AI还无法完全替代人类员工。因此，在做需求规划是，一定要明确需求的边界，收敛到有可行性的场景中。

而且在NLP项目中无法用一个模型应对所有场景，比如一套知识库和模型应对不同的场景是很难的，或者说有一定的局限性。比如既用于语音交互，又用于文本交互，需要针对不同的场景因地制宜，和业务场景有深度耦合。

此外，对需求的满足要有个合理的期待。这两年在AI热潮下，大家都对这个技术抱有较高的期望，加上行业的竞争导致某些厂商在宣传上有些不自觉的注水，所以做规划有时候会把目标定得不切实际。所以在目标期望管理上，我们希望建议我们的用户做一个比较合理的预期，特别是在上线的指标上，比如语义识别的准确率，业界相对比较合理的上线指标一般来讲是到85%左右就可以上线了，上线之后再通过持续的运营，给指标做进一步提升。

作为一种新兴技术，AI项目和传统IT项目有何不同 ？

AI项目需要持续的运营，客户希望像传统的IT项目那样，希望买过来就是个比较成熟通用的能力平台，然后做些二次开发就能应用在不同业务场景中，但AI能力平台（尤其是语义交互）是达不到这样的通用性的，无法用一个模型应对不同场景，还需要大量的数据训练工作，项目上线后还需要持续的运营来优化项目的效果。这里面既有复杂技术链条的原因，也有业务场景多样化的原因。

再者组织上要做好配合，AI 项目效果的持续优化需要甲方的紧密配合，而不是当甩手掌柜，比如有的银行在业务和IT 团队已经成立专门的AI运营团队/AI规划团队，和AI厂商方对接负责AI项目。随着AI应用的不断发展，甲方的科技线条和业务线条的交融会越来越多。

此外，要有好的顶层设计，避免在旧烟囱上建新烟囱，因为如果早期没有做统盘规划，后期当业务发展到一定瓶颈的时候再推倒重来，这样就得不偿失了。比如哪些是AI厂商做的，哪些是你不要去碰的。比如重业务逻辑的功能开发，其实可以和AI应用解耦。从长远看，轻耦合的业务技术架构对于甲方而言一定是更加易维护的，更加能够灵活调整的。

万事开头难，我们发现项目如何冷启动是客户最关心的一个问题，也是项目的难点， 如何能降低项目启动的难度？

我们通过五个措施降低项目的操作难度，以减轻业务方的人力投入。

第一，我们会利用追一科技在行业积累的通用FAQ知识点，这个知识可以作为冷启动的基础。第二，在知识构建上，希望使用二八原则，先处理头部的FAQ，先把这部分的知识点做到充分教育、快速投产，对于长尾的问题，在后续运营中逐步优化出来，最终达到整体运营的效果。第三，因为我们追一采用的系统，相对来讲是面向业务人员，所以整个就不会那么技术化，我们具备一些典型的数据教育的手段，都是采用勾选的方式，这样基本的业务人员就能很容易操作起来，操作上的工作投入就比较少。第四，是AI训练师，我们做项目过程中发现AI训练师对数据交付非常重要，所以我们配了专门的AI训练师辅导业务人员做知识的梳理，相当于帮我们的业务人员一起构建知识梳理的体系，知识运营的体系。第五，本身这个系统具备一个自闭环的设计，与甲方IT的系统通过适配层引用的方式做简洁的对接。所以通过这些措施，追一已经比较能够快速地解决建设阶段冷启动的问题。

对NLP 项目来说， 数据是关乎项目成败的一个关键因素， 能否分享一下这方面你的观察？

做NLP项目最关键的一个环节就是数据训练， 但要做好数据训练前提是要有好的数据基础设施，需要优质的标注数据/训练数据，这也意味着背后充斥着大量的数据清洗、去重、筛选等工作。理想的数据是一片清澈宽广的湖泊，而现实中的数据则是坑坑洼洼、泥泞不堪的沼泽地。我们发现有的客户希望通过AI的能力能解决数据的问题，比如能对不同来源，不同格式的数据进行抽取，归纳，整理等，但这个是不太现实的，即使能做，成本也非常高，没有经济性。

再举一个例子，AI要完成某个任务，需要从别的系统中提取数据，这需要将位于不同系统中的数据打通，有的客户是希望AI系统能自行去别的系统抓取这个数据，或者说把更多的集成事务通过单个AI系统来完成，但实际上这样做对今后的排障和运维都会带来不便，最好的办法是甲方通过一个统一的中枢去调取数据，这个数据中枢为各个AI系统提供数据来源和进行数据交换。这个业务中枢最好一开始甲方可以规划好，从长远看它也是甲方数据治理的宝贵沉淀。  

所以AI 要发挥作用还是需要较好的数据基础设施 ，如果是数据存在“脏乱差”的情况 ，AI 发挥作用的程度会大大受限。

前面提到AI项目目上线后做持续的运营以来优化项目效果， AI项目的运营主要包括哪些方面？起到什么样的作用？

当下的AI能将“已知场景”内的认知做到很不错的水平，但无法处理超越“机器认知范围”的事务。AI运营的目的就是持续拓宽机器的认知范围，以最小且必要的持续投入，来保证AI的高水准效果。

就追一提供的解决方案来说，运营一般包括这几个方面：

知识库运营：知识库是AI机器人的基础能力，维护与更新往往会消耗客户大量的人力和时间去更新。追一提供的知识维护工具和经验丰富的AI训练师能帮助客户极大提升知识库的扩充和维护效率，让机器人的知识储备实时更新，跟上业务的发展。 

任务型运营：任务型机器人通常情况下是为了满足带有明确目的的用户，例如查流量，查话费，订餐，订票，咨询等任务型场景。任务型运营能针对客户业务流程，度身定制梳理各类任务型，并及时响应业务流程变更，持续优化流程、话术和泛化能力，确保高跑通率。

BI 运营：通过AI智能分析，从大量日常交互数据中持续挖掘洞察，并通过管理看板清晰呈现，辅助业务管理决策。

业务运营：我们针对一些行业的关键业务场景，提供开箱即用的解决方案， 并通过持续运营优化提升。以银行信用卡业务为例，面向催收、分期等重要营收场景，我们提供了包括硬件设备、通讯平台、产品系统、运维服务在内的全套解决方案，开箱即用，快速部署上线。

 

更多产品了解

欢迎扫码加入云巴巴企业数字化交流服务群

产品交流、问题咨询、专业测评

都在这里！