联络中心：专门管理公司所有客户联系方式的地方，有人会将其等同于呼叫中心，然而contact center的作用more than that。一个联络中心不仅是管理外部的客户联系，还有内部员工的通讯方式，也会提供多渠道的沟通方式，比如邮件、微信、语音、视频等，不一定是非要用电话。
文章背景：作者Yura Filimonov是俄罗斯的互联网营销（internet marketing）专家。文章发表于2018年6月，主要是帮助公司决策者去理解、如何在他们公司的联络中心（contact center）中利用AI，为他们的员工和客户找到并发现价值。
读完文章之后，你将会理解AI是什么，在联络中心会产生什么价值，并且如何在你的公司中成功的运用AI创造价值。
一、AI和机器学习
本质上，AI不是单一个解决手段，而是记录真实世界的不同方式，数据可以被转化、分析、分类，也可以被应用在预测中。一个具有AI的设备，应该能够感知四周的环境，并且可以逐渐“进步”，最大化自己的准确率。目前AI的应用方面有：理解大量的数据；从数据中学习并且生成结果；感知能力；文本识别；语音识别；语言理解；从文本和语言中识别情绪；分析图像和实物鉴别。
1.理解数据，学习并给出结果
建立AI离不开往里面填大量的带标签的数据，比如物体名、关系名、概念等等。机器学习是AI的基本能力，比如：
find patterns in a stream of input（在输入流中寻找规律）
classify objects（分类实体）
describe the relationship between input and output（描述输入输出的关系）
predict how output would change, as the input changes（当输入变化的时候，预测输出的变化）
reward the agent for good decisions and punish for bad ones.（好的反馈和坏的反馈都能回到agent这里进行相应的处理）
2.感知能力
AI的输入有很多，比如相机、话筒、声呐等。但目前来说应用比较窄，只有计算机成像、语音识别、人脸识别和实体识别。
3.哪些不是AI？
基于软件编写的规则，在非常窄的领域能够模拟人类专家。比如自动驾驶仪就不是AI。因为它不是基于大量数据的训练被教会的，它也不能基于以前的经验变得更好，不能从历史数据中预测未来的情况。
好吧，之前在微软18条设计笔记中举的例子好像不适合。
4.机器自动化
对于机器自动化是不是AI，这个比较有争议。本文作者持有的观点是，机器自动化是基于软件编码的规则自动进行的程序化操作，处理的是不需要太多的思考工作，比如：
automate “cut & paste” operations from one application to another（从一个应用另一个应用的自动剪切复制）
perform rapid look-ups for specific information（快速查找特定的信息）
back-office operations, such as processing work cases, keeping track of items, etc（办公操作，比如自动追踪一项工作流）
processing & tracking invoices, producing documents, etc.（处理和跟踪发票、产品文件等）
AI可以增强自动化流程，但是不等于这两个是一回事，最重要的区别在于是基于大数据训练的，还是基于软件编程实现的。
二、使用AI的5个理由
1. 更好的用户体验。用户期待变化太快，希望能够更快的得到响应，最好是24/7，根据每个人都需求来服务的。如果用人工来满足这些条件，成本必然是巨大的。
2.用户现在逐渐习惯使用虚拟助手，自助服务以及对话机器人。如果这是未来的主要交互趋势，那么在联络中心也应有响应的触达途径。
3.用户体验排在前列的公司或集团中，91%的正在布局或已经使用了AI技术，平均水平的公司中只有42%的使用了AI技术。
4. 越早开始收集数据，就会拥有更多的数据，也就拥有更好的AI。
5. 自动化处理流程，缩减成本，增加员工效率。
三、需要认识的8个AI误区
1.复杂的AI不需要数据也能产生商业价值。AI需要分析大量的数据，才能做出有价值的决策和预测，所以在组织中数据的来源很重要，公开程度也很重要。
2.只需要正样本就够了。不对，为了训练出一个无偏差的模型，负样本也是需要的
3.拥有数据就够了。呵呵，数据也有好坏之分，也需要筛选处理才行的。不然训练出的就是一个坏模型。
4.要从公司内部获取数据很简单啊。并不，这里涉及到数据所有权的问题。很可能数据中间暗藏着公司的经营秘密，还有的数据需要外部共同协商（你懂的）才能拿出来作为训练数据。
5.需要数据科学家、机器学习专家和大量的经费砸到AI软件中。一般的创业型公司，建议就使用行业已有的开源模型就好了，谷歌公司已经训练很成熟，而且云服务也可以随便用。土豪公司随意砸钱。
6.AI将会取代人类。嗯，看科幻片走火入魔了。将取代变成“解放”，倒是可以啊。
7.AI软件是自动化的。尽管如此，还是需要人类来决策一些事情，比如决定在哪里使用AI，准备好数据给它（teach 的过程），写算法，训练模型，将结果翻译成人类能懂的语言（类似于你去医院拍了片子，片子里的阴影就是结果，但是你肯定不懂。所以需要医生给你翻译一下。）。
8. AI是公正的。如果训练数据是无偏的，AI才是无偏的。这个跟实验结果是一样的。准备数据的过程是人，所以AI公正与否完全取决于人。
四、联络中心的AI场景
1. 自助服务——对话机器人。关于如何建好一个成功的对话机器人，这里有一个参考资料《2018年2月 J Arnold & Associate 给思科提供的关于组建对话机器人的建议》。总结一下，大概是：首先要设定一个目标，就是在联络中心使用chatbot的目的是什么？希望达成什么效果？第二就是要控制好项目进度，项目开始前要选择合作伙伴，沟通好时间节点；项目进行中要确保任务按照节点完成，同时做好风险的处理；机器人部署之后，要关注用户的使用情况。第三就是做更大的布局。
这里作者提到了中国的产品，部署在微信公众号的招商银行智能客服，这个能力是由小爱同学提供的。据说每天会处理150~200万的交互语料，大多数问题跟银行卡余额以及支付相关。
2. 物联网
IOT设备可以与联络中心相关的地方在哪里呢？比如一个IOT冰箱在用户家里坏掉了，当用户打电话给联络中心的时候，或许联络中心就已经知道用户的问题在哪里，并且可以给用户一些基本的指导，或者直接预约维修，或者预定配件到家里。这里AI可以做的就是预测，根据每个IOT终端给控制中心发送的数据判断这台机器的工作情况。
3.用户语音识别
这个是说用户在打进联络中心电话的时候，就能知道用户的身份。比如询问医疗记录的时候，用语音来鉴别是不是用户本人。但这是一个伪需求吧，移动端的IP以及电话号码也能知道用户身份，为啥还需要AI呢？而且，用户的语言在不同的情形下具有很大的差异性，这个校验也是不准的。看起来高大上而已。
4. 虚拟助手
具有AI驱动的音频设备，可以接受用户的指令、问询，并且相互协同。SkySwitch 公司就利用Alexa给用户拨号，但不一定是非要播出用户的电话号码，而只用说：“给某某打电话即可”。（想想一天要打几十个电话的人来说，拨号确实是一项非常费时间的活）
还有思科的Spark Assistant，在学习到飞机引擎的相关知识后，能够回答相关的问题。酒店的客房服务系统现在也是传统的电话，但是如果可以直接用语音呼叫客房服务，对于用户来说也是很好的体验。（不用拨号，不用走到电话处）Roxy virtual assistant 现在就在提供这样的服务。
5.预测分析
在联络中心，AI可以做到这些事情：①发现满意度不高的用户，给予特别的照顾以期获得更多的反馈；②根据用户的生命周期提供帮助，而不是要等到用户发现问题主动联系企业才提供服务；③发现工作中有离职倾向的额员工，并且重新训练他们；④发现优秀员工的特点，储备潜在的候选人；⑤根据用户主要抱怨的问题，预测合适抱怨电话会多起来。
成功的例子比如Genesys 和 Altocloud 合作开发了一套预测用户行程的系统。主要是和用户在移动App上进行对话，通过AI和机器学习设定好的人物角色和过去的行为经理，可以自动预测用户的行车里程。
CornerstoneDemand 可以实现简历自动筛选（获取简历中对工作能力、性格特点、学历培训等相关的描述，并与JD做比对），记录他们的声音，以及在面试中采用虚拟助手进行初期的筛选。AI为公司降低了20~30%的损耗；员工产出增加了10~15%。
五、如何在联络中心使用AI技术
选择应用AI的时候，需要：
you should focus on a very simple case, text-based, probably a chat-bot（集中在一个小场景）
immerse yourself into the AI environment with your first project without ROI being a priority（在AI项目中，不要首先就考虑投入产出比）
yet do track and analyze how well your AI project is accepted and how well it helps customers.（跟踪分析，AI项目在员工和客户中的接受度和有效性）
决定在公司开始AI项目的时候，一个决策人需要：
▶ Have a good understanding of what AI can do and how it works.（ 充分了解AI能够做什么以及工作原理 ）
▶ Determine, which problem you are trying to solve.（定位清楚要解决的问题在哪里）
▶ Look at both customer-facing and internal problems.（关注面向客户和内部的问题）
▶ Use technological advances: gathering & processing a new source of data and making autonomous decisions.（有必要利用技术优势，比如收集处理新的数据源，做出自动化决策）【我理解的是，利用大数据分析，看系统会给出怎样的决策，来辅助人决策】
▶ Find a business case for AI.（找到商业化的场景）
▶ Don’t yet define ROI, but focus on a proof of concept.（不要定义投入产出比，但是要对这个概念给出定义）【我理解的是你要知道AI技术投入之后，要产出什么，但是初期不要去计较这个比值的意义】
▶ Get a buy-in from the trenches, someone from the contact center or IT, to make it relevant.（获得相关部门的支持，比如呼叫中心或者IT部门）
▶ Get executive support and make sure the executives understand AI. （获取决策层的支持，保证他们理解AI（现有的能力和预期结果））
▶ Determine, where and how you’ll get the tons of data that’s needed to teach AI.（定义训练AI所需要的数据来源）
▶ Determine, which type of vendor you need: a hands off one or one that’d help you integrate the solution.（定义所需的供应商，是甩手掌柜那种，还是需要深度整合解决方案的那种？）
▶ Acquaint yourself with available AI solutions.（自己要熟悉AI 的解决方案）
▶ Pick the one that matches your use case and level of automation.（选择与你的使用场景和目标一致的解决方案）
▶ Make sure the solution is integrated into your contact center and CX processes.（保证这个解决方案与你的联络中心和用户体验流程是整合到一起的）
▶ Ensure high voice quality for AI to work with, which will otherwise result in bad data.（保证AI获取数据的语音设备质量，不然得到的都是坏数据）【这个跟摄像头要达到一定的像素是一样的道理】
▶ Ensure the data you work with and create is secure.（保证数据的安全性）
▶ Train the AI on your business-specific data.（训练AI数据的时候，要基于你的业务数据）【这一点很重要，不同的数据训练出来的模型不一样。此模型对于另外一个不想干的业务可能不是通用的】
▶ Test extensively to avoid customer dissatisfaction and public failures.（公开使用前一定要充分地测试）
▶ Attract or develop the right AI talent，build an AI team. （组建合适的AI人才以及团队）
▶ Organize employee communication, education, and re-training on the topic to reduce employee resistance. （组织员工学习讨论AI相关的技术，降低员工抵抗情绪）
六、如何克服使用AI中的阻碍？
在一个“对于新兴技术，公司的采纳速度会有多快”的问题中，有人回答：“3/4的决策者相信AI能够为公司开创新的业务，大约85%的人认为AI能够增加他们的竞争优势，但只有1/5的人正在使用AI，少于39%的公司具有AI策略。超过10万员工的大公司更可能具有AI战略，但只有一般的人有。”
不同的公司面临的问题不一样，具有行业壁垒，但是依然可以有一些通用的指导意见供AI战略制定者们去遵循：
1.执行人一定要理解AI，懂得AI在商业场景中能够发挥的价值（找到公司业务中的一个痛点，用AI去解决它）
2.成立AI部门。不管是中心化还是去中心化还是融合化的组织架构，一旦决定去做，就要开始找人才了：数据科学家、项目经理、工程人员、数据分析师、领域专家、人才管理......
3.制定AI战略，获得决策者支持。公司战略也很重要，AI写不到战略层，基本上就会凉凉了。
4.关注数据。数据来源、数据安全性、数据干净程度、数据合法性......数据就是AI的源头活水，没有就煮不成饭。
5.找到商业应用场景，挖掘出明显能够被感知的价值。跟老板约定好验证时间（当然是越短越好，不然部门活下去都有问题）。
6.先解决工程上的问题。什么都没有就要来搞AI？也是很膨胀了。配套的软硬件设施都要有，比如云服务、服务器、语音设备、其他渠道等等。
7. 帮助员工培训学习。在公司营造一种AI驱动的氛围，而不是AI部门的同事搞得热火朝天，但是其他部门的员工一脸懵逼，不知道里面那群geek 一天到晚在搞什么飞机。
8.帮助客户理解AI价值。用教育员工的策略去教育客户，最重要的是，让他们能够明显的感受到AI给他们企业能够带来的实际效用。
附链接：The Ultimate Guide to Using AI in Contact Centers for an Early Adopter 发表于2018年6月19日。
