--------點選螢幕右側或者螢幕底部“+訂閱”，關注我，随時分享機器智能最新行業動态及技術幹貨------------
一切都始于優質的資料
為了實作這一願景，我們需要從後端的一些繁重工作開始。誰是你的客戶？你真的知道他們是誰嗎？所有客戶都留下了資料路徑，但該資料路徑是一系列碎片，将這些碎片互相關聯起來真的很難。如果一個客戶有多個帳戶，你能查出來嗎？如果客戶有單獨的帳戶用于商業和其他用途，你可以關聯它們嗎？如果一個組織使用了許多不同的名稱，你能發現它們其實就是個單一的組織嗎？客戶體驗始于準确了解客戶是誰以及他們如何關聯，擦除客戶清單以消除重複稱為實體解析，它曾經是一些擁有大量資料的公司才能涉足的領域。随着時間的發展，我們可以看到實體解析的解決方案正在民主化：已經出現了大量提供适合中小型組織的實體解析軟體和服務的初創公司。
一旦你清楚了你的客戶是誰，你就必須問你對它們的了解程度到底有多少。全面了解客戶的活動對于了解客戶的需求至關重要，例如它們有什麼資料，以及如何使用它？ML 和 AI 現在被被廣泛用作資料收集的工具：處理來自傳感器、應用程式和其他來源的資料流。收集客戶資料可能具有侵入性，并且在道德上存在問題，是以當你建立對客戶的了解時，請確定他們同意并且不會損害他們的隐私。
ML 與任何其他類型的計算沒有根本的差別：“進入垃圾，出來垃圾”規則仍然适用。如果你的訓練資料品質很差，那你的結果将會很差。随着資料源數量的增加，潛在資料字段和變量的數量也會增加，并且可能出現錯誤，例如轉錄錯誤，印刷錯誤等等。在過去，我們可以手動糾正和修複資料，但手動更正資料是一項容易出錯且繁瑣的任務，而且占用大多數資料科學家的時間。與實體解析一樣，資料品質和資料修複已成為最近研究的熱點，并且開始出現了一套用于自動化資料清理的新機器學習工具。
應用
機器學習和 AI 對客戶體驗的一個常見應用是個性化推薦系統。近年來，混合推薦系統——結合多種推薦政策的應用變得更加普遍。許多混合推薦系統依賴于許多不同來源的資料，并且深度學習模型通常是這種系統的一部分。雖然現有的大量模型大多數訓練完後再部署，但進階推薦和個性化系統确是實時的。很多公司開始使用強化學習，線上學習和個性化算法，建構推薦系統不斷訓練模型對抗實時資料。
機器學習和人工智能可以自動執行許多不同的企業任務和工作流程，包括客戶互動。目前市面上有“經驗豐富”的聊天機器人，可以自動化客戶服務的各個方面。到目前為止，聊天機器人還沒有達到人類的水準，但如果設計良好，簡單的“常見問題”機器人可以帶來良好的客戶轉化率。我們正處于自然語言處理和了解的早期階段，但在過去的一年時間裡，我們已經看到了許多突破。随着我們建構複雜語言模型能力的提高，我們可以看到聊天機器人多個階段的進展：從提供通知到管理簡單的問答場景，再到了解上下文和參與簡單的對話，最後是“了解”使用者需求的個人助理。随着聊天機器人的改進，我們希望它們可以成為客戶服務不可或缺的一部分。為了使聊天機器人達到這種性能水準，他們需要整合實時推薦和個性化，他們需要了解客戶以及人性。
欺詐檢測是另一項正在應用機器學習的技術。欺詐檢測涉及好人和壞人之間的持續較量，欺詐專家正在發明更複雜的線上犯罪技術。欺詐不再是人對人：它是自動化的，就像機器人購買演唱會所有門票一樣，因為他們可以再次出售。正如我們在最近的許多選舉中看到的那樣，犯罪分子很容易通過建立一個充斥着自動回複的機器人來滲透社交媒體。發現這些機器人并實時阻止它們真的很困難，隻有機器學習才有可能，即使這樣，這也是一個難以解決的問題。
語音技術和情感檢測的進步将進一步減少自動化客戶互動中的摩擦。結合不同類型輸入（音頻、文本、視覺）的多模式模型将使得更容易适當地響應客戶; 客戶可能能夠向你展示他們想要的内容，或者發送他們所面臨問題的實時視訊。雖然人類和機器人之間的互動經常将使用者置于令人毛骨悚然的“神秘山谷”中，但可以肯定的是，未來的客戶對機器人的熟悉程度将超過我們現在的水準。
但如果我們要讓客戶通過這個神秘山谷的另一邊，我們也必須尊重他們的價值。影響客戶的 AI 和 ML 應用必須尊重隐私，他們必須是安全的，他們必須公平和公正。這些挑戰都不簡單，但如果客戶最終感到受到虐待，技術将無法改善客戶體驗。
機器學習和人工智能将為客戶體驗做些什麼？它已經做了很多。但它還有更多可以做的事情，而且必須要做的是建立未來更自然的客戶體驗。
原文連結：
https://developer.aliyun.com/article/709062