上交所修订发布主板上市审核和终止上市实施细则
06-18
相信你们很多人都接到过客服人员的电话。
作为企业营销和品牌价值提升的第一渠道，“呼叫中心”、“在线客服”、“客服机器人”等客户服务系统在新技术的催化下得到了大力应用。
在金融、教育等对客户服务需求较大的行业，企业建立自己的客户服务团队，向用户推广产品。
另一个事实是，大多数用户的礼貌拒绝和厌恶，例如“对不起，我很忙”和“谢谢，我们不需要”，反映了客服行业面临的诸多挑战。
随着人工智能技术日益成熟，如何通过技术手段更好地提高用户与企业之间的沟通效率？如何提高销售转化？优化营销业务流程？今年6月，新的NLP模型预训练方法XLNet的推出，让很多人看到了它的研究意义和实现价值。
作为该论文第一作者的杨植麟很快将这种方法应用到了他联合创立的公司 Recurrent AI 的业务线中。
循环智能想要解决的是，利用机器学习的方法，分析原有的语音、文字销售流程和销售转化过程，帮助企业提高销售转化率。
截至今年8月，循环智能已服务超过20家大中型企业客户。
创业初期，经过一年多的产品打磨周期，与其想要搭建的竞争壁垒密不可分。
团队在开发初期花费了很长时间的技术积累，到年底已经有了相对成熟的模型。
近日，雷锋网采访了循环智能CEO陈启聪、CTO张玉涛、AI及产品负责人杨植麟。
他们分别从商业、技术、AI产品的角度进行了讲解。
切换到情景思维。
官方信息显示，Circular Intelligence主要提供智能销售系统，挖掘电话、IM等客户互动渠道中的线索。
主要有三大核心模块： 线索重定向，从企业客户的CRM系统中寻找更多高意向用户，提高销售转化率。
客户语音分析可以提取大量非结构化文本，用于批量、高效生产。
分析监控销售沟通过程中的转化漏斗和客户画像智能质检，帮助企业客户发现用户交互中的问题和风险。
循环智能在整合呼叫中心、CRM、BI等不同系统的同时，还在中间层构建了语音和语义识别技术链路，更好地支撑用户数据。
上图展示了循环智能的整体服务架构。
当语音数据和文本数据流进入循环智能系统时，它们将在声纹识别、语音识别、语义理解、标签分类器等多个技术引擎中并行处理。
例如，通过ASR转录，可以将一段语音转换为文本；通过标签分类器，可以获得手动标记的分类训练语料；通过语义文本聚类，可以以无监督学习的方式组织文本信息。
最终，不同技术引擎处理产生的数据将根据不同需求进行匹配组合，从而形成可视化、高价值的数据，以质检、客户画像等产品形态支撑客户业务。
在此过程中，循环智能将与呼叫中心、CRM、BI等上下游企业建立合作，“同时收集和分析获得的非结构化数据”，从而将其转化为结构化的、可消费的数据。
然而，由于需要同时连接不同渠道的客户沟通、复杂的CRM数据以及一些客户行为数据，这些数据往往分散在不同的系统中。
例如，与客户的沟通是在客服系统中，与销售的沟通是在呼叫系统中。
微信沟通是在CRM上进行的。
这种“重”的做法也直接带来了循环智能如何高效连接这些数据的挑战。
Loop Intelligence将提供通用的API，用户可以通过轻量级的PaaS方式完成整个工作流程。
“用户只需聚合原始语音、文本等非结构化数据并通过API提交，然后就可以直接从产品界面消费分析结果，无需关注技术细节。
”张玉涛解释道。
在输出产品的同时，环路智能打造的轻PaaS平台将整体技术封装成业务中台，可以输出整体技术解决方案。
相比之下，这种轻PaaS平台更多地专注于非常具体的行业或产品，而不是简单地输出ASR、NLP等技术。
本质上，为不同行业提供的解决方案所使用的算法和技术是通用的。
循环智能更需要做的是巩固自己的能力，下沉产品，能够把技术打包卖给客户。
NLP领域还没有独角兽吗？ “传统的NLP是一种高度定制化、手动的技术，这也是我认为NLP领域迄今为止还没有出现独角兽公司的原因之一。
”杨植麟告诉雷锋网。
此前，Circular Intelligence也曾采用多层Transformer、BERT预训练等技术手段。
循环智能希望更多地聚焦于某个场景，并且这个场景可以在不同行业快速复制和规模化。
实现这一目标的前提将是如何更好地解决自动化和通用化的问题。
XLNet的出现恰恰改善了通用性的问题。
原则上，XLNet 有效地结合了两种方法：自动回归（无法对双向上下文进行建模）和自动编码（其缺点是区分预训练和调优）。
该方法的优点在于自回归思想得到了泛化，泛化后的语言模型可以处理双向上下文。
可以说XLNet在NLP语言建模上很大程度上优于之前的BERT。
关于自动化问题，Loop Intelligence也形成了一套AutoAI技术架构，其中包括两个关键步骤：一是引入AutoML，无需手动调整参数；二是引入AutoML，无需人工调整参数。
第二，人在环，即使用人类数据作为整个生产过程。
流程内形成闭环。
例如标注团队实时标注数据以及标注了多少数据。
它是一组管道和一个与模型统一的流程。
今年6月XLNet正式上线后，Loop Intelligence迅速将这种预训练方法应用到智能营销系统中。
据不完全统计，该系统可为公司线索池带来5%-10%的增量订单，对影响销售漏斗转化的关键步骤进行分析监控，质检效率提升15倍，进一步提升公司售前业绩，整个售后、续费/复购流程的转化效率。
例如，在收藏行业，由于其合规风险高、质检成本高、工作量大，迫切需要提高演讲技巧和客户跟进策略。
环路智能以极低的人力复检成本完成了行业第一的案件数量。
对数千个席位的全程质检也发现了影响召回率的核心特征，全线提升了合规性高的企业用户召回率。
对于这样一支初出茅庐的团队来说，能在6个月的时间里取得这样的成绩实属不易。
虽然技术可以保证初创企业在进入市场时拥有一定的先发优势，但技术窗口期也是有限的。
杨植麟认为只有六个月。
在这短短的六个月里，循环智能采取了更为“扎实”的做法：首先，ToB领域的软件更新换代成本非常高，在一些成熟的行业，可能没有机会。
二是制定长短期目标。
短期目标是最大化智能化，长期目标是为相对传统的企业提供数字化服务。
不过，在这个层面上，AI技术本身在行业中是相对透明的。
真正的核心价值是什么？三位创始人一致回答：行业垂直数据、积累的know-how和深度产品化的能力。
截至目前，Loop Intelligence已标注了数万小时的垂直行业语音数据，以及数百个不同行业的语义点数据。
为此，循环智能也在产品和交付上投入了更多的精力。
“客户的需求太多了！现在最重要的不是如何打动企业客户，而是如何交付企业客户的需求。
”陈其聪强调。
那么，如果我们把目前从事人工智能技术的创业公司划分一下，有的是平台公司，有的是模块公司，有的是应用公司，循环智能的定位到底是什么？ “我们是一家专注于场景和产品垂直化的公司。
我们可以用更小的模型取得很好的效果。
我们不希望也不需要支持所有领域。
”这也进一步表明，循环智能可能的重点可以描述为：一些获客单价较高、获客成本相对较高、需要提高留存率、非结构化数据天然存在的行业。
另外，在一些线下场景如零售、4S店等，虽然没有现成的非结构化数据，但用户仍然愿意收集这些数据。
客服“对话”的底层逻辑 其实，在客服场景中，你面对的客户只有两类，一类是想认识你的客户，一类是已经付费的客户。
对于后者来说，客服沟通可能主要是为了满足客户的询问和解决问题，但对于前者来说，销售沟通的频率较高，现阶段客服的价值也最为明显。
一个趋势是，在企业客户服务的运营模式从成本中心向利润中心转变的同时，“客户服务”的概念早已从单纯的客户服务转变为提高销售转化率的“助手”。
或许，语音将是继文本、图像之后企业数据挖掘的下一个价值沉降点，而采集大量语音数据的客服系统只是一个截流点。
在NLP技术应用尚未成熟的背景下，如何打动用户付费，挖掘市场更多想象力，需要更多有勇气的厂商挺身而出、实践。
对于循环智能来说，产品还处于打磨阶段，所以必须把产品市场契合度（PMF，Product Market Fit）放在第一位，把这个产品做成每次销售都可以用的生态系统。
它已经渗透到每一个“沟通”环节。
这种逻辑也可能有效地避免与潜在对手的正面对抗。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-18
06-18
06-17
06-17
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态