|
阅读理解就是机器跟人一样阅读文章的内容，理解人的一些意思，机器在理解人的意思之后，对文章中的内容进行反复阅读并推理，最后得到一些答案，这是 NLP 最本质的一个技术。也就是说，如何让机器可以理解人说的话语和状态，是一个非常本质的问题。 那么它有非常多的 task，现在大多数主流的 NLP 公司，包括非常著名的一些 NLP 公司，主要是做一个 task 叫做智能客服。 我在创业之前也做过非常多智能客服的项目，实际上，智能客服的场景非常复杂，因为智能客服要对每一个商家、用户提供不同的服务，回答不同的问题。往往是在每一个垂直领域，都要建一个知识图谱，而它的场景又非常复杂，加上通常情况下用户的问题也非常难，因此它定制化程度也非常高。 与此同时，在目前 NLP 技术水平下，这些服务可以做到 70 到 80 分，但往往用户在这个场景下的要求是 90 分。虽然客服场景已经有很多 NLP 公司进场，但在我们看来，其实这是非常难做的一个事情。 它的难点在哪里？ 不是这个事本身，而是在于智能客服是一个高度定制化的方向。对每一个厂商、每一个公司，我们都需要派出不同的团队进行定制化。原因在于不同的场景都需要不同的数据和知识来支撑，等同于一个定制化的项目产品。 另一方面，虽然业务会带来一定营收，但是它的利润非常微薄。对创业公司来说，首要的一个特性是需要活下去，活下去就是希望尽可能可以达到一个自负盈亏的状态，即便我们可以不断地融资。 所以，我们是偏向于进行另外一个维度的思考——是否可以在 NLP 领域找到一个通用化的角度，能实现基于现在的 80 分技术，也可以让用户非常满意，这是我们长期思考的一个想法。 我们一知智能现在做了一个场景就是赋能于智能外呼。智能外呼的前身是各个呼叫系统，现在是去实现机器给人打电话或者进行推销等。 它跟智能客服不一样，这两个任务是一个对偶的任务。智能客服和智能外呼不同的地方是在于哪里？ 智能客服的特点是人是主动方，机器是被动方，机器需要接受人的一些问题，而人的边界是非常广阔的。智能外呼是机器为主动方，人是被动方。在这个场景下，利用现有的 80 分的技术，可以做到用户满意的程度。因为它的边界可控，定式化、通用化的程度比智能客服高非常多。 第二点就是说，对于算法技术而言，（智能外呼的）门槛会更高，因为对于智能外呼来说，它跟语音识别和 NLP 不一样，它不仅仅涉及到算法层面。我们还需要对硬件进行非常巨大的投入，在供应商层面到智能外呼的算法层面，建立一个中间的硬件层面。我们不但做 NLP 和外呼的算法推进，也做 CTI 的集成开发，就是打通从电话和计算机的服务发挥硬件的作用。软硬一起推动，能帮助我们入场时设立一个比较高的门槛。尤其是巨头已经开源了很多公开算法，开源平台可以进行免费调用的情况下。 后面的一些思考就是说，既然我们确定了做智能外呼的这样一个任务，具体选择从哪个应用场景切入也至关重要。智能外呼有有非常多场景，比如营销、客户召回、问卷，每一个场景都有一些巨头，其中每一类客户也都有非常多的需求，但是对一知智能来说，能做到用户满意度、体验度极高是我们第一位的选项，而不是用一个技术一次性全部铺开，否则我们很容易就被淹没了。 最终，我们进入到催收行业。大家一听，可能会觉得催收行业是暴力催收的代名词，大家会想象为，一些挂着金项链的老板上门催收，其实现在不是这个样子，大多数都是文明催收，国家也颁定了一些反暴力催收的法案，相比之前，外呼系统催收的市场也越来越广阔。 市场规模的扩大来源于现金贷的流行。现金贷我们可以看一下，无论是阿里、京东，还是其他一些现金贷消费平台的基本逻辑，都是促使用户提前透支消费，然后再还款。2017 年，我们可以关注在网络现金贷行业的成交量是 2.8 万亿元，也就是说有 2.8 万亿的贷款需要进行还款。我们可以看一下，贷款的还款有两个特性，一是用户按期还款，一是用户逾期还款，按期还款当然不需要催收。但其中 10% 到 15% 的用户是会逾期还款的，也就是有 2800 亿元是用户逾期还款，需要我们把它催回来。 （责任编辑：晨鸿） |
