今天的報告主要分為四個部分，第一部分是呼叫中心面臨的挑戰(zhàn)和趨勢，第二部分是自然語言處理的重要性，第三部分是深度語義理解核心技術(shù)，第四部分是深度語義理解的應用。
首先來看呼叫中心面臨的挑戰(zhàn)，我認為呼叫中心的挑戰(zhàn)主要是關于人的三個矛盾，第一個矛盾是，我們知道呼叫中心的投入和規(guī)模每年都在持續(xù)的增長，這樣的話就需要招聘更多的人，但是我國的勞動力人口已經(jīng)在逐年下降越來越少，這樣就構(gòu)成第一個矛盾；第二個矛盾是，我們希望呼叫中心的人工座席團隊盡可能的保持穩(wěn)定，但是事實上呼叫中心的離職率相對于別的行業(yè)來說始終處于一個比較高的水平；第三個矛盾，根據(jù)統(tǒng)計顯示呼叫中心的人力成本占到了總成本的82%，我們呼叫中心預算的增長的速度低于人力成本的增長速度，這樣就構(gòu)成了第三個矛盾。
這三個矛盾就使得智能化成為呼叫中心發(fā)展的一個必然趨勢，這里面我們可以從兩個角度來看。第一個角度就是機器可以替代人，也就是說我們不需要招更多的話務員。比如說智能客服、智能IVR、智能營業(yè)廳、智能外呼的應用。Garter有一個報告，2020年智能機器人的座席能夠滿足40%的客服市場的需求，中國到時候就會有一千萬的智能機器人的座席；第二個角度來講的話就是說機器也可以輔助人、協(xié)助人，比如智能坐席助手和智能知識庫，我們可以提高座席人員的工作效率，讓同樣一個坐席人員可以去做更多的工作、去有更多的產(chǎn)出。
同時我們今天很高興的看到，就是說越來越多的用戶已經(jīng)開始適應和習慣智能化的服務方式。國外報告是說在過去的2017年，已經(jīng)有超過15%的用戶有了跟智能機器人對話的經(jīng)歷，雖然說傳統(tǒng)的一些渠道，比如說電話、郵件的比例仍然遠遠高于對話機器人的比例，但是我們可以看到從趨勢上來講，就是智能服務的比例會占的越來越高。
在呼叫中心這個領域里面，智能服務、智能技術(shù)起作用的一個主要著力點就是語言的處理。語言的形式可能有語音、有文本。對于語音來講，通過語音識別的技術(shù)，我們可以把它轉(zhuǎn)換成文本，所以說歸根到底可能主要還是一個文本處理的問題。這里面主要用到的就是自然語言處理的技術(shù)，也就是NLP的技術(shù)。
我們可以看一看NLP在人工智能中的位置。人工智能可以劃分為三個層次，第一個就是計算智能，就是讓計算機具備能存會算的能力。第二個層次是感知智能，讓計算機能聽會說、能看會認，比如說語音識別、語音合成、人臉識別都屬于感知智能的范疇。第三個層次就是認知智能，讓計算機具備能理解會思考的能力，NLP就是在研究如何讓機器人像人一樣去理解人類的語言，屬于認知智能的范疇，著名的圖靈測試主要就是基于NLP的技術(shù)提出的。
在NLP的處理里面其實是面臨四個非常大的挑戰(zhàn)和困難。第一個是表達方式是非常靈活的，第二個是我們在語言當中其實是普遍存在很多的不確定性，第三個是語言知識處理本身非常復雜，第四個是輸入可能是存在不規(guī)范性。比如講一個智能回訪的場景，我們都知道機器人做回訪，或者我們?nèi)斯ぷ龌卦L，往往第一個問題是身份的核對，比如“您好，請問你是張三先生嗎？”可能我們期望用戶說我是或者說我不是，這是非常簡單非常容易處理的；但是我們分析實際的錄音數(shù)據(jù)，針對用戶表明自己就是張三，從表述上我們可以分為四類，第一類就是我剛才講的最簡單一個情況，第二類比如說用戶會說“有事趕緊說”，第三類他可能反問你，“你為什么午休時間給我打電話”，第四類，他甚至會拒絕你，“我現(xiàn)在不方便接電話”，但是后面這三類他都在變相的承認自己是張三。我們就可以看到，其實對于一個簡單的身份核對，用戶就會有各種各樣非常靈活、非常多變的表達方式，要求我們能夠通過NLP的技術(shù)能夠去處理。
某種意義上來講就是一個問題它有多難，它就會有多重要。關于自然語言處理，微軟創(chuàng)始人比爾蓋茨很早之前就說過，自然語言處理是人工智能皇冠上的明珠。最近微軟的沈向洋博士提出了一個說法“懂語言者得天下”，就是強調(diào)人工智能接下來的突破就是在自然語言的理解。
我們看看NLP在實際中的應用場景，可以劃分為三塊，第一塊就是通用領域，我們都知道搜索引擎、拼音輸入法，背后都是一些NLP的技術(shù)。第二塊是面對特定行業(yè)的應用，比如說智能投顧、疾病診斷、還有教育、法律都有一些應用場景，第三塊就是呼叫中心。
呼叫中心相對特殊，這個特殊性我認為主要是因為它的兩個特點決定，第一個就是說各行各業(yè)都有這方面的需求，市場空間非常大；第二個特點是針對具體的客戶具體的行業(yè)來講，其實解決的是特定封閉領域的問題，這樣的話使得技術(shù)難度相對來講比較低。
接下來就是深度語義理解的核心技術(shù)，對于NLP，從大的方面來看可以劃分為兩種技術(shù)路線，第一種是傳統(tǒng)的方法，基于符號的語義表示，在語義處理上是依賴于大量的規(guī)則還有淺層的分析，準確率往往取決于你到底投入多少的人工，很難超過80%。第二種是深度語義理解的方法，基于分布式的語義表示，語義處理上是把傳統(tǒng)的機器學習和深度學習去結(jié)合起來，另外在知識層面很好的利用知識圖譜作為支撐，準確率可以做到95%以上。
深度語義理解有兩個要素，一個是關鍵算法，有語義相似度計算、語義復述、多意圖識別、自學習；第二個是知識圖譜，從知識圖譜技術(shù)上來看是五方面的問題，第一個是知識的體系和表示，第二個是知識的建模，第三個是知識的獲取，第四個是知識的集成，第五個是知識的存儲和服務。下面我分別仔細介紹。
最終的話把算法和知識的所有技術(shù)整合起來，就構(gòu)成了我們的深度語義理解引擎，大概涉及到二十多種技術(shù)。
最后介紹一下我們在深度語義理解的具體的實踐和應用。中興通訊的NGCC解決方案主要面向政企和運營商市場，我們的解決方案具備三方面的特點，第一個就是智能化，第二個是純云化、第三個是整體化。我們在中國平安、江蘇電信規(guī)模分別是15000座席和13400坐席，在建設銀行我們是兩地三中心12000坐席。這些案例都是呼叫中心少有的智能水平非常高、容量非常大，可靠性非常高的應用案例，在這里面深度語義理解的技術(shù)，應用到了系統(tǒng)的各個部分，使得人工座席和機器可以密切的配合，有一個非常好的人機協(xié)作的效果。
最后總結(jié)下，中興通訊的NGCC解決方案，我們將深度語義理解的技術(shù)應用到了系統(tǒng)的各個部分，具體來講有智能客服、智能IVR、智能營業(yè)廳、智能知識庫和智能外呼，這些智能的方案跟對于呼叫中心傳統(tǒng)功能的完全支持，一起構(gòu)成我們完整化的解決方案，我們希望通過以深度語義理解為代表的智能化技術(shù)，把智能化與服務場景、接入渠道，還有業(yè)務系統(tǒng)做一個無縫的融合，希望在業(yè)務場景里面能夠給用戶提供舒適、無感、有效、快速的智能服務。謝謝大家。
