一、智能問答系統最大的價值在於為客服附能

　　現在普遍認為智能問答能夠獨立解決很多問題，但是必須要承認現在技術所處的初級階段的性質。也就是說，智能問答系統在現階段最大的

　　價值在於為客服人員附能，而並非獨立於人自行解決眾多目前還有巨大錯誤率和不確定性的問題。一旦具有這樣的思想基礎——通過智能問答系統為客

　　服人員附能，那麽將智能問答系統做成一個工具和產品的基礎就有了，只有通過產品化、工具化的方式，才能夠實現這個預期。

二、局限性下的兜底策略

　　如今階段下的智能問答系統是有局限性的，這也是為什麽知識圖譜和深度學習是需要落地到某個具體的垂直領域的原因。但即使在某個具體的垂直領域，

　　局限性依然廣泛的存在，所以通過產品對機器問答系統做出兜底策略是一個重要的路徑，這樣能夠最大程度的增加用戶對系統的信心。比如對

　　於系統不知道的問題，可以及時轉換其他的服務策略或者進行多輪問答。就如錘子手機的大爆炸產品，智能分詞有的時候不是那麽準確的，但是只要你

　　在不準確的情況下，提供一種便捷的方式，讓用戶告訴機器自己想進行的操作，那麽系統的可用性就會大大提升，而這個成本相對於提升算法的性

　　能來說，要低的多，而且效果要好得多。這就是用產品的策略彌補機器算法本身的不足。

　　蘇寧雲商推出了小蘇智能機器人，用戶可以通過與小蘇聊天來了解商品的具體信息，以及協助解決一些購物流程中存在的問題。但是更加值得註意的是，

　　小蘇具備一定的拒識能力，它能夠知道自己不能回答用戶哪些問題，以便及時的調用其他的服務方式介入。所以可以看出，為了最大程度的降低這種局

　　限性，在產品方面做出了兩個方面的努力，一是不斷的熟悉和觀察具體的使用場景，通過擴展和精細使用場景，為智能問答系統提供更多地解決方案；

　　二是兜底策略，對於自己不知道的問題和場景，智能問答系統能夠調用其他的服務方式介入。

　　了解了兜底策略之後，實際上非常重要的一環是如何將兜底策略也做的更加智能，現在普遍的方式是直接介入人工客服，但是這絕對不是唯一的方式，

　　在不同的場景下也不見得是最有效的方式。比如語音問答系統進行實時監聽的時候，會有如下幾種場景：沒有監測到聲音或者沒有聽清楚、監聽到了聲

　　音但是識別錯誤、出現歧義或者有多個目標分析關鍵詞、給出了用戶不滿意的答案或者幹脆沒有任何答案、由於某些服務暫時沒有接入無法執行相應的動

　　作（比如因為手機上沒有安裝外賣APP，無法完成下單的操作）等等，這些不同的場景實際上都應該有不同的兜底策略。

　　考慮兜底策略，並且將兜底策略做的智能化，是在產品上非常重要的一個前進方向。

三、圈定在垂直領域下的確定性範圍

　　這是對兜底策略的進一步思考。

　　首先我們想這樣一個問題——為什麽之前很火的語音備忘錄產品現在很少人仍然在用？其實有這麽幾個原因：

　　1、純音頻數據不具有可視化性質，因此難於檢索，難於判斷內容質量的高低。

　　單純的音頻是不具備可視化性質的，也就是說在你具體去聽一段音頻之前，你是無法快速知道裏面有哪些內容是重要的，是對你有用的，更無法根據關

　　鍵詞進行搜索。在之前做音頻類產品的時候就存在這個問題，對於純音頻化的數據，能夠展現給用戶的只有音軌，知道什麽時間聲音大，什麽地方聲音

　　小，但是你卻不能提前知道這段音頻實質內容的一點點額外信息。一旦一段音頻的時間非常長，而你又不想去聽那些垃圾信息，又無法進行搜索和定位

　　那麽你能做就是放棄聽這段音頻，因為時間成本太高。

　　2、既然語音不具有可視化性質，無法進行檢索，那麽通過語音識別轉化為文字再進行存儲，會不會更好？

　　當然，這是一個很好的方案，因為一旦將音頻轉換為文字，那麽就可以解決上面所說的問題，這是在產品上做的非常大的優化了。但是還是有一些不可

　　忽略的問題，就是語音識別不準確，語音識別不準確的後果是什麽，用戶就需要不斷進行double check，就如老羅所說的那樣，語音識別的準確性從

　　85%提升到90%，提升到95%這個變化不足以產生革命性的變革，但是如果有一天語音識別的準確性變成了100%，那就是一個質的飛躍，因為再也不

　　用double check了

　　我們分析語音備忘的相關問題是要得出這樣一個結論，如果某個事物能夠完成的任務是確定，是有清晰邊界的，那麽它就具有非常高的價值。而如果一個

　　事物的能力邊界是不確定的，那麽它的可信性就會大大降低，它的價值就會折損。因此智能問答系統在產品上的另一個方向是，在垂直領域圈定清晰的

　　邊界，讓用戶知道智能問答系統在什麽範圍之內是絕對可信的，一旦系統達到了用戶這樣的心裏預期，即使系統本身能夠解決的問題非常局限，它也會

　　變得非常有用，就比如說一個能夠為你查詢和訂購圖書的智能問答系統，即便它的能力有限，但是如果它在這個範圍內是可靠的，那麽用戶就會對它形

　　成依賴。

四、產品化流程上的自我增強機制

　　這一點是顯而易見的，重點在於從產品流程的某些環節上為智能問答系統的計算核提供非監督性或者監督性的數據。

　　對於問答系統的知識圖譜構建就是其中非常明顯的一方面。現在知識圖譜結構化數據的自動化構建技術實際上依然不成熟，所以很多垂直領域的知識

　　圖譜的構建都是進行人工標註。另一方面，實際上每一次客服問答的數據都應該存入語料庫，不斷的擴大這個語料庫，但是正如知識圖譜所做的事，這

　　些數據只有結構化之後，只有進行標註之後，才會有更有價值。所以從產品的角度看，提供一套簡易的人工標註界面給前線客服是有價值的。比如對於

　　每一次服務過程，客服人員都能夠使用工具對客戶身份、等級、問題類別、商品分類等等一系列的數據，在機器的協助下進行快速標註，並實時的存入

　　語料庫中，那麽就能夠極大的提高效率，為智能問答系統不斷地提供新的有效數據。我們都知道，在人工智能時代，誰擁有大數據誰就占據了制高點。

　　所以，這裏面重要一環就是在理解計算核工作原理的基礎上，提供協助機器變得更智能的產品解決方案，實現機器的智能增強。

五、中臺服務層的可擴展性

　　這一層是除了計算核之外非常重要的一層，也是智能問答系統的一個核心服務層。統籌、智能分流、數據統計、客服監督、客服考核在這一層，但是另

　　一種更加重要的服務是業務服務。所謂的業務服務就是將智能問答系統和自己的業務或者第三方業務服務打通。

　　對於商用問答系統，客戶的問題中很大一類不僅僅是需要提供一些基本的反饋信息，往往最後一個環節是需要系統幫助他去完成某些動作，比如下單、

　　退款、退貨等等，因此一個智能問答系統是否和公司業務打通是評價它是否有效率的一個非常重要的標準。

　　之所以提到這種服務的可擴展性，是最近對亞馬遜Echo的關註，這款智能音箱不同於Google、微軟等其他公司的產品，Google、微軟的語音智能

　　產品提供的服務都是本公司自己的服務。但是Echo則不同，這款音箱一開始的定位就是做一個服務平臺，提供類似於組件的接口和SDK，允許其他

　　的第三方服務集成進來。所以你不僅能夠通過Echo完成買書的服務，還能夠完成音樂、預定pizza這種服務。這種可擴展性是產品策略上關鍵的一環

六、用戶主動提供數據的巨大價值

　　不論怎樣，智能問答系統一個不可忽視的巨大價值在於，他收集的數據是用戶自己透漏的數據，直接體現了用戶自身的需求。

　　拿用戶在網上購物來說，他從瀏覽產品到最終購買一件產品，這個鏈路的數據都可以被收集，但是機器是沒有辦法對這些數據的產生、對購買行為的

　　產生做出準確解釋的。打個比方，我買了一件李寧的上衣，一連串的動作數據被記錄了下來，但是機器卻不知道，我為什麽喜歡這件上衣，而不是其他

　　的上衣呢？是因為材質？因為顏色？因為圖案？還是因為搭配？機器是無法給出準確回答的。

　　但是，如果我買了一件衣服，因為上面的圖案不清晰，我通過客服要求退貨，這個時候，其實我已經告訴客服，我很在意這個圖案，而且這個信息是我

　　主動清晰的告訴客服的，這個信息的價值要高得多，反之如果你讓機器去根據我之前的購買信息做大量的計算都不一定能夠得到這個有價值的信息。

　　當然這個例子可能有不太準確的地方，但是要說明的是，問答系統收集到的數據是用戶親口透漏的數據，這種數據的價值要高得多！

智能問答系統的產品化思路