日前，國際權威研究機構IDC釋出了《IDC MarketScape 全球對話式AI平台廠商評估報告》，阿裡雲智能客服以突出的多輪對話能力、低代碼可視化操作、自訓練的語義模型等産品技術優勢，以及阿裡業務規模和豐富場景下積累的領域經驗和應用，成為國内唯一入選IDC全球MarketScape報告解決方案提供方，且取得Major Players位置。
據IDC在報告稱，阿裡雲智能客服具備一系列領先優勢：具備内置的FAQ、任務式問答、知識圖譜以及表格問答引擎，可以靈活支援單輪和多輪對話；完善的快速冷啟動和高效部署的工具集，可支援低代碼可視化操作，為開發人員和生态ISV提供開放的API與客戶系統(如CRM)或資料平台做深度內建。
“如果正在尋找一家功能強大，久經考驗的廠商合作對話式AI應用，尤其是在亞洲，應考慮阿裡雲智能客服。”IDC在報告中建議其客戶。
阿裡雲智能客服的核心算法來自達摩院對話智能團隊， 2017年開始團隊從0打造了阿裡雲智能客服的整套核心引擎，目前整個對話引擎的主要架構如下圖：
在任務型對話方面，打造了面向第三方開發者的對話開發平台Dialog Studio，目前該平台為雲（阿裡雲智能客服）、釘釘（釘釘官方智能工作助理）、阿裡經濟體（手淘等數十個BU）等業務提供海量的人機對話服務，疫情期間基于該平台的疫情外呼機器人為全國24個省提供1800萬+次外呼服務，榮獲人民網“人民戰疫”一等獎。
在将Dialog Studio大量落地應用于各個行業領域的過程中，主要面臨着兩個挑戰：第一個是在涉及多行業、場景分散的toB業務中，怎麼能解決低資源小樣本下的語言了解問題；第二個是如何把多輪對話管理（Dialog Management）從業界普遍的狀态機推進到深度學習模型，讓多輪對話具備持續學習的能力。
在低資源的語言了解方面，我們在業界和學術界，率先将few-shot learning引入到人機對話領域，并且從人類的小樣本學習機制出發，提出了歸納網絡（Induction Network【1】）和記憶網絡（Dynamic Memory Induction Network【2】），分别發表在EMNLP2019和ACL2020上，這兩篇論文目前的引用量在90左右，為該方向的典型論文；在多輪對話管理方面，我們引入了使用者模拟器，把使用者模拟器和對話系統結合在一起，通過兩者之間的Self-Play産生海量的标注資料來解決資料難題，進而實作了對話管理從狀态機到模型的進步，并且進一步提出了Meta-Dialog Model【3】，解決多輪對話資料的遷移學習問題，相關成果發表在ACL2020上。
在表格問答方面，這裡通過一個例子來介紹TableQA。首先有一個理财産品的Table，圍繞這個Table， 使用者可能會問：“收益率大于3.5%且保本型的理财産品最低起投金額是多少？”，要想解決這個問題，需要先把自然語言轉換成一個SQL語句，然後用SQL語句去查詢表格，最終就可以回答這個問題。
TableQA是最近兩年裡發展最快的一種問答方式。從2017年開始重新被發掘出來，2019年的時候這個方向的研究開始加速，達摩院對話團隊也是在2019年啟動了對TableQA的研究。經過過去一年多的發展，目前我們在國際四大資料集（榜單）上都取得了第一名的成績，整體處于國際領先位置。
在圖譜問答方面，系統打造了從文檔到圖譜的整條低成本建構鍊路和産品，在營運商、保險、政務行業提供基于圖譜的問答服務，實作從文檔中構件圖譜并問答的整套低成本建構體系。
知識圖譜問答（KBQA）是指通過語義了解模型将使用者輸入的query解析成sparql查詢語言，并從建構的圖譜中自動查詢得到使用者答案。達摩院對話團隊自成立後即2018年啟動了對KBQA的研發。經過3年的發展，目前我們在國際公開資料集ComplexWebQuestions Freebase的LeaderBoard上排名第一，超過Google 4.1% ；并在QALD-8、LcQuAD 2.0 取得SOTA結果。目前，已支援營運商、政務、金融等多個行業的業務。
此外，為了降低KBQA的标注成本，将圖譜中知識融入到預訓練模型KGBert中。基于KGBert的KBQA模型隻需為每個屬性配置20條話術，準确率即可達到80%以上。此外我們在FewClue公開榜單和CCF舉辦的《預訓練模型知識量度量》比賽中均獲得了第一名。
作為面向ToB的産品，阿裡雲智能客服在低代碼開發方面也走在業界前列。其中在2017年推出的任務型對話引擎Dialog Studio，就采用了low-code的設計思路，将對話抽象為“使用者說、機器想、機器說”三類基礎節點，通過拖拽式連線即可實作任務型對話的建構。
阿裡雲智能客服于2015年試運作，最早主要為商家提供智能客服能力以緩解大促期間巨大的服務壓力。2016年，逐漸賦能阿裡巴巴生态圈如Lazada、盒馬、阿裡健康等事業部 。2017年正式對外向政府、企業和開發者開放。
截止目前，阿裡雲智能客服已圍繞客戶服務的全鍊路場景，打造了智能對話機器人、智能質檢、智能對話分析、智能政策中心、智能輔助、智能外呼等産品家族，為10萬付費企業提供了對話式AI相關服務，在制造、零售、金融、交通、通信、政務等近20行業沉澱了成熟的解決方案和客戶案例。
據6月份釋出的IDC《中國AI雲服務市場2020年度市場研究報告》，阿裡雲公有雲對話式AI産品已占據40%的市場佔有率，位居首位，接近二三名的市場佔有率之和。
參考文獻：
【1】Ruiying Geng, Binhua Li, Yongbin Li, Xiaodan Zhu, Ping Jian, Jian Sun, Induction Networks for Few-Shot Text Classification, EMNLP 2019.
【2】Ruiying Geng, Binhua Li, Yongbin Li, Jian Sun, Xiaodan Zhu, Dynamic Memory Induction Networks for Few-Shot Text Classification, ACL 2020.
【3】Yinpei Dai, Hangyu Li, Chengguang Tang, Yongbin Li, Jian Sun, Xiaodan Zhu, Learning Low-Resource End-To-End Goal-Oriented Dialog for Fast and Reliable System Deployment, ACL 2020.
【4】Guanglin Niu, Yang Li, Chenguang Tang, et al. Relational Learning with Gated and Attentive Neighbor Aggregator for Few-Shot Knowledge Graph Completion[J]. arXiv preprint arXiv:2104.13095, 2021.
【5】Taolin Zhang, Zerui Cai, Chengyu Wang, et al. HORNET: Enriching Pre-trained Language Representations with Heterogeneous Knowledge Sources[C]// Proceedings of the 30th ACM International Conference on Information & Knowledge Management. 2021: 2608-2617