一、政策中心産品介紹
我介紹一下創新的政策中心的産品。達摩院一直有一個目标，叫技術産品化。人工智能商業化中智能客服這一塊相對比較成熟。AI服務有四個階段，最開始是電話客服。第二個階段是結合了線上客服的文本語音處理。第三個階段是阿裡小蜜。第四代是數字化服務，即資料驅動服務。數字化轉型是企業未來十年的大趨勢。包括雲計算，大資料，人工智能，物聯網，5G，區塊鍊。
我們對标企業的客服中心原來是成本中心。它的主要目标是降本提效。随着時代的發展，客戶中心從成本中心轉換成價值中心。是以營收增長會成為客戶中心的非常重要的功能和需求。
客戶場景是對私域客戶進行精準營銷轉換。我們針對自己的私域客戶做咱們做精準的觸達，做二次促銷做複購，實際上是企業未來新的增長點。
客服場景是對私域客戶進行精準營銷轉化的最佳觸點。首先是機器人進行解決問題和業務辦理。在滿足一定的觸達條件下，我們會轉到人工，進行智能的作息配置設定。在這個場景中進行商品資源的推薦。
我們的智能政策中心是基于資料和模型的營銷服務大佬。為我們解決人貨場的比對的問題。人就是我們的的使用者。我們對使用者進行人群圈選，對他們的營銷意圖作判斷。然後我們的貨就是服務資源，包括機器資源，人工資源。第三個就是廠。··我們要提供一些配套的工具，我們希望從被動服務走到主動服務。通過一些主動的排程，比對，用更合适的服務資源去接待我們的客戶。第二點，我們希望做成一個營銷服務一體化。最後，我們的資料結合我們的模型，通過資料和模型打造我們的智能中樞。
二、政策中心場景介紹
這個圖我們從右往左看，首先做一個營銷人群的準備，包括尋找種子客戶，建立私域客戶庫和商品資訊的總結。第二步，進行人群圈選。第三步，做作息配置設定。首先考慮客戶行為，客群屬性，同時要考慮客服的能力和行為，然後進行職能配置設定。最後,幫助我們的客服做一些就金牌話術的教育訓練。
第二個場景，當客戶打電話進來。首先用機器人系統對接，機器人客服幫助他解決問題。我們背景會對人機對話内容做實時的分析。如果有一個好的機會觸發營銷的機會，可以轉人工服務。
我們的産品有一個基于畫布的方法，支援各種各樣的規則，包括模型政策的配置。
我們會有一些完善的模型訓練工具和一些營銷小流量測試工具。
三、核心技術分享
這是我們的算法的架構。首先我們有模型管理。包括模型注冊，管理和部署。第二塊兒是我們模型的建構，包括模型詞。我們有配置設定營銷，包括預測決策的模型。同時我們有模型訓練的工具，比如智能選擇神經網絡、結構搜尋等訓練工具。最後是資料處理，我們有資料清洗和特征轉換。資料清洗包括異常檢測，我們的資料缺失都有補充，包括标準化、交叉轉換、和篩選。這些都是常見的資料模型，處理工具和結果。
舉個例子，看看我們都用到了什麼技術。首先是預測。包括我們的AI，機器學習或者深度學習。可以了解為它是一個敲門磚。現在叫做資料驅動，根據曆史資料預測未來。我們一般有三大需求。分别是排班計劃，短臨排程和财務規劃。以cco業務為例：長期預測(大于30天)：用于人員招聘。短期預測(7天-14天)：用于排班。補貨等實時預測(15-30分鐘)：用于實時人員配置設定，排程等。
根據多種各樣多模态資料，我們會建立一個模型，把所有的資料融合起來。比如樹結構比較穩定，效果容易看到。如果資料規模比較大，希望做一些深度學習的更新。進而得到更好的效果，是以我們會結合樹結構和深度學習做一個更新，比如transformer就在這方面做了一些探索和應用。
關于服務量預測效果，首先從阿裡内部有很多的服務。80%以上客戶準确率完全高于之前的方法。尤其村淘、盒馬等業務精細化預測後，準确率提升＞5pt。
比如排班，服務量預測最大的應用就是排班。根據服務量的預測，我們對人員進行排班。其實人員排班是軟限制和硬限制。在大量的限制條件下存在大規模優化的問題。我們需要考慮幾個因素，第一個是客戶的服務量。第二個是考慮人工客服的身體狀況和其他要求。最後呢我們要保證效率，在滿足限制條件下，實作最大化的運籌優化。
這個問題有三種解法，一種解法是混合整數規劃。用一個精确的解法得到最優值，或者近似最優值的解。但它的複雜性會導緻計算時間的增加，我們叫指數性增。實際上我們會采取啟發式算法。雖然理論上沒有保障，但我們可以利用一些經驗，發掘一些算法，快速得到一個解法。
我們排班的效果有很多客戶在應用。除了排班效率有提升，最大的優點是縮短排班時間，保障排班的拟合度。
從服務到營銷是現在很大的需求。我們基于深度學習的模型，我們會加上一些控制排程的模型，給出一個真正的最優決策的模型。幫助企業客戶管理他們的客戶中心。
不管是預估精度，穩定性還是高效性。都有很好的效果。其中一個例子是外呼場景。我們有一個大客戶，他們的互損率一直是15%。他們希望把互損率降到5%以下。是以在保證互通量的情況下，通過我們的算法把它的互損率降到了2%。是以算法在營銷場景下有非常好的效果。
最後我們簡單說一下實時排程，這是一個實時排程的大圖。在學術界配置設定，排程，路由都叫做排程。但在業界，排程會有更多的細分。當你需要做實時排程，我們能夠最大化的提升服務效率和保障，保證15秒到30秒的穩定接通率。
傳統的算法可以用技術監督，學習規則和排程來做。這個優勢在于對資料量的需求比較少，容易上手。缺點是沒有考慮全盤的優化。強化學習的方法是要考慮到多周期和未來周期的影響，能夠從資料中學習更好的規則。但是強化學習也有很多的局限性，在資料量不夠的時候通過規則和監督學習的方法積累一些資料。在資料足夠的情況下，再把強化學習的工具做上去。
比如說阿裡内部在雙十一的高峰期，30秒接起率提升了5.7%, 等待時長縮短了2.01秒。外部客戶的呼損數相對降低5%，全天平滑度更高。秒接起率可以提高 3.1%, 等待時長縮短2.01秒。
最後一頁稍微總結一下，什麼是政策中心呢？政策中心是我們的多管道。比如線上，熱線和外呼各種場景的客戶輸入。首先通過機器人去解決一些簡單的問題。如果營銷企圖的機率比較大，我們會觸發人工服務，給他配置設定最佳的服務。實際上，在我們的客戶場景裡呢，我們可以把營銷整體轉換提升25%個百分點。