由中國人工智能學會主辦，廣州易間網絡科技有限公司承辦的2018第八屆中國智能產業高峰論壇11 月17-18日在成都完美收官，論壇在兩天的會議里帶來了多場精彩報告。

此次小編為大家整理的是來自上海樂言信息科技有限公司CTO王昊奮主題為《智能問答在企業計算中的機遇與挑戰》的精彩演講。

王昊奮

上海樂言信息科技有限公司CTO

以下內容根據速記進行整理

經過王昊奮本人校對

企業計算是一個新名詞，它有四項優勢：第一，降低成本；第二，提高效率；第三，增加營收；第四，保障安全。

從典型的應用來說，首先是市場，企業計算在市場方面能增加潛在營收。市場比較關心的，一方面是受眾和渠道的獲取，即在客戶留存和增加黏度這些方面如何提升；另一方面是內容的優化，即如何刺激大家沖動消費，真正提升客單價。常見的如信息流中的頭條或者短視頻網站，它們會結合用戶本身足跡的數據，推薦一些熱門的或者用戶感興趣的內容，這就是“猜你想”消費。

另一個應用是客戶服務，傳統方式的人工客服是一個勞動密集型+知識密集型的工作，人工客服流動性非常大，客戶滿意度不高。舉個例子，“雙十一”大家會問各種各樣的問題，其中很大一部分是機械重復的，還有很多沒有經過充分培訓很難給出準確解答。現在出現了越來越多的在線客服平臺，包括釘釘、旺旺、微信小程序等，傳統服務模式受到沖擊，新型服務向自助或者在線式轉型，企業計算在客服領域能降低成本、提高效率。

再就是風險管控方面的應用，主要包括風險回避和損失控制等；也涉及一些反欺詐的識別，比如信用評級和評估，如芝麻信用就是作為互聯網的指針，衡量用戶信用情況的應用。

企業計算應用廣泛，市場潛力巨大。對比中國2B市場和美國2B市場：占比方面，美國2B公司密度和營收情況接近40%，而中國僅有10%；公司方面，2C巨頭美國有FAANG，中國有BAT，2B巨頭美國有估值和市值百億美金以上的IBM、MICROSOFT，但中國沒有。2B是一個巨大的市場，這其中既有很大的機遇，也面臨不小的挑戰。

我們覺得有很多事情可以去做，搭建了一套智能咨詢服務平臺。我們不把它稱之為問答平臺，問答是偏技術的說法，業務人員不懂什么叫問答，我們叫做智能咨詢平臺，咨詢是服務層面的。這個平臺面向外部用戶和內部用戶，是一個2B結合2C的模式。通過賦能B端用戶，提高C端服務質量。

面向外部用戶，比如這個東西賣給誰？目標用戶是誰？面向內部用戶，比如，銷售人員需要關心市場動態和發展趨勢，業務人員需要知識采編審閱用于內部培訓和交流，運營人員需要收集反饋和優化操作，我們都可以提供相應的輔助。為了實現這樣的2B結合2C的模式，需要建立相應的知識庫，主要從用戶端、行業理解、企業內部業務系統三個方面對接輸入，而后進行知識的獲取，以及動態的跟蹤和監控，這個過程中內部數據和外部數據要綜合使用。

我們把這個平臺的技術概括成兩個引擎，第一，知識學習引擎；第二，語義理解的引擎。這其中人機協同也非常重要，2B行業的準確率要求接近100%，純靠機器是做不到的，需要讓人能更有效地參與，更好地貢獻知識。阿里提出AI訓練師，他與我們普通意義上的標注人員又有什么區別？這需要好好思考。

我們在企業計算的切入點是智能咨詢，希望做的本質的東西是智能問答。智能問答有很多范式，2011、2012年出現了很多開元的知識庫和吸引眼球的嘗試，現階段任何一項技術，都有其天花板及適用性，在一個技術不能打遍全場的情況下，需要有多引擎的問答，下面會具體講解IRQA、KBQA和MRCQA的問題。我們會有三種類型數據，第一，文本數據，包括很多政策、法規的數據；第二，問答對數據，這類數據是相對容易獲取的；第三，知識圖譜數據，這類數據比較結構化。

問題生成本身非常零散，不是通過問答文本表述出來的，可以通過一定方式去生成所對應的問題，因為它的答案相對固定。另外，在真正使用智能問答時，需要綜合考慮數據來源、數據規模和構建成本等方面。

從技術形態來看，基于知識圖譜的問答就是KBQA，其中既包括傳統的靜態知識圖譜，也包括各種各樣事理圖譜，剩下就是IRQA的內容，FAQ的部分是包含在IRQA里的。還有一些文本更適合MRC即機器閱讀理解的方式。我們希望做到精確回答垂直領域的問題，但是這需要在本身的準確率、覆蓋率，以及用戶體驗等很多方面做綜合考慮，所以數據的來源，或者知識本身的形態會多種多樣。我們希望更加友好的、直觀可以判斷的技術能夠更好嵌入，來滿足多引擎的需求。

以基金行業為例。IRQA的來源主要是業務人員積累的FAQ。例如，“申購基金什么時候確認呢”，這個的標準問答是“基金申購何時能夠確認”。KBQA，比如“你們公司有幾種貨幣型基金”，需要對用戶的查詢進行語義解析，并在知識圖譜中查詢推理得到答案。MRC，比如“開放式基金價格由什么因素決定”。我們做的MRC與現在流行的閱讀理解比賽相比的區別是需要更往前一步，首先要知道用戶的問題對應的是哪個或哪些文件；然后再進行文檔檢索、段落檢索；最后是閱讀匹配。

各種問答形態和技術不是孤立的，多引擎的問答會進行融合。IRQA擅長高頻問題，數據要求是FAQ數據中存在和用戶問題配對的FAQ，它的答案是靜態存儲的。KBQA需要非常正確的解析用戶本身的問題，需要知識庫里包含這些知識點。這些知識點不能是孤立的，需要有相應關聯。MRC和IRQA的區別不是很大，它的好處在于減少了結構化的成本，而且生成的答案是動態的、粒度更加精細。

問答引擎是針對一問一答，要最終實現多輪對話，還需要相應的對話引擎。對話引擎主要涉及對話策略跟蹤、對話策略學習等方面。IRQA會分成在線部分和離線部分。在線部分會轉換多階段的問題，第一階段會使用搜索引擎做檢索，而后是精排和篩查。很多時候僅僅得到一個排名結果是不夠的，所以我們額外增加了一個部分篩查。離線部分需要對FAQ數據建立粗排索引，通過挖掘領域詞和句式，運用生成方式，結合人工標注，如加噪等方式建立精排和篩查模型。第一步粗排模型非常重要，略過粗排這個步驟直接進行精排，結果往往不盡如人意。我們希望在更小的侯選空間里進行建模，這可以有很多的手段。一種手段可以是完全利用深度學習的方法去做，但現在更多是用一些整合的方式。基于IRQA有幾種不同的模型，一種是面向表示的建模，這種端到端的建模比較簡單，它的問題主要在于對數據的要求比較高，不適合冷啟動，可解釋性和可干預性也比較差。我們的創新在于從可解釋的角度做特征工程，知識特征包括領域詞之間上下位關系，還有對應的句式的內容，同時也會有通用領域訓練、關系的遷移刻畫等。

KBQA也是分成在線部分和離線部分。在線部分主要是問題的理解，問題理解之后有語義解析和執行回復生成。語義解析可以基于模板，通過語義理解可以轉換成所對應的一些標注內容，將數據庫存儲的信息做轉化和加固。除了人工撰寫模板，也可以通過機器學習生成模板，然后人工進行審核。我們需要設計規則來生成標準問法，這是拓撲結構上的問題。問題匹配不到，或者匹配到的回答過于抽象，結果都是不能執行，都會影響召回率。亂回答會產生很多噪聲，機器基于侯選級去做相應的計算，在這個過程中會用到單指令多數據的并行優化。

MRC比較簡單。MRC是IRQA在最后一步精排和篩查里用了閱讀理解模型，前面很多步驟和IRQA一樣，只是具體匹配到的內容存在差別。本身文檔或者段落的匹配，更像傳統IR的任務，后面比較復雜的精細化模型都是通過表示層、輸出層來做。MRC可以在反饋前對答案進行一定精簡，給用戶一個更智能更友好的體驗。

前面提到了很多次語義解析，語言理解包括實體識別和鏈接、答案類型判斷等，這里一個是意圖理解問題，一個是雙向序列標注問題。回復生成也會考慮很多內容，它是生成和回答相結合的內容。多輪對話的模式設計中，需要重視多用戶管理和分發的問題。

具體的工程實踐主要是四塊，第一是數據收集；第二是模型更新；第三是上線發布；第四是反饋收集。數據獲取通過技術層的領域詞挖掘、數據標注和審核，針對不同類型的數據服務有不同的任務。模型更新包括領域的適配、索引的更新，以及數據的優化。智能導航包括熱點問題推薦，另外還有一些相關實體問題推薦。反饋收集包括平臺訓練模型更新、日志更新等問題。另外還會有交互設計，其中導航的點擊，以及對答案的采納程度等都需要關注。在此之外，我們還會去做請求負載均衡、數據存取分流、服務質量控制等這些任務。

做智能問答，最希望做到擬人；第二是智能；第三是精準，希望精準度達到99%以上。我們的成效在于幫助企業節約人力，改善結果，提高轉化率。目前在電商客服領域，每天服務300~400萬人次，2018年“雙十一”當天服務了2 366萬人，創造了新的高度。我們希望“引領認知智能，躍升人類知識工作”不僅是一句口號，而是真正地去賦能企業，提升全人類。