1.神州云动CloudCC CRM是深圳深圳否适合IT行业企业使用?
2.做了20个AI多轮对话项目后的总结
3.外贸跟单员需要做些什么?
4.克隆赢家Clone Winner外汇跟单-泓元证券用盗版MT4诈骗!!跟单跟单个好
神州云动CloudCC CRM是源码源码否适合IT行业企业使用?
这要看你们企业的具体需求,他们的深圳深圳专业化定制能力比较强,电脑端和移动端可以同步管理客户信息、跟单跟单个好销售跟单以及产品购买后的源码源码倚天屠龙记 源码客户维系等等。用账号登录,深圳深圳根据工作内容不同,跟单跟单个好设置不同的源码源码工作提醒、员工日志、深圳深圳考核目标等等。跟单跟单个好他们在IT行业的源码源码客户有阿里云、网易、深圳深圳神州数码等。跟单跟单个好IT行业企业应用是源码源码没问题的。
做了个AI多轮对话项目后的总结
编辑导语:随着科技的进步和普及,AI产品逐渐走进了大众的视野,从手机语音助手到各类智能音箱,AI技术不仅方便了我们的生活,还逐渐改变了我们的习惯。本文作者在做了个AI多轮对话项目后,为我们总结了这篇文章。
在AI走进大众视野的这几年,我们或多或少的都会接触到一些AI的产品,你去咨询天猫客服,一开始肯定是个机器人接待你的;你接到一个电话问你是否需要买保险、办信用卡或贷款,可能对方就是一个机器人;当然最常见的就是智能音箱。
以天猫精灵为例:
用户:天猫精灵天猫精灵:主人,您说用户:放一首逃跑计划的《夜空中最亮的星》天猫精灵:好的,马上为您播放这首好听的歌。
看起来很不错的样子,但是如果用户接着说“帮我换成新裤子的《没有理想的人不悲伤》”。
不好意思,这时天猫精灵是不会响应你的。因为天猫精灵在上一轮回复完用户的话之后,就结束了对话。想要再次跟她对话,必须喊“天猫精灵”再次唤醒后,才能继续对话。
以上这种每次只能进行一轮对话的模式,我们称之为“单轮对话”。其实目前大多数机器人都是单轮对话的模式。比如说闲聊:
用户:你好机器人:你也好呀用户:我今天很开心机器人:看到你这么开心,我也是很开心呀用户:我相信我的明天会更好机器人:你是最棒的,加油…….
这里可能你又会问了,ecshop服装源码这不是连续的对话吗,怎么会是单轮呢?
是的,因为这些对话,每一轮之间都是相互独立,上下文之间没有关联关系,我们暂时称之为单轮对话。与单轮对话相对的概念是多轮对话。
举例:
用户:帮我订个去深圳机票机器人:请问您哪里出发呢?用户:上海出发机器人:好的,上海出发,那您要几点出发呢用户:明天晚上8点左右机器人:好的,为您找到明天晚上8点左右,从上海到深圳的机票有这些。…….
是的,这就是多轮对话,也是本文主要讨论的内容。如果说NLP是AI界皇冠上的明珠,那么多轮对话就是NLP界皇冠上的明珠。由此可见多轮的话的江湖地位。
由上面例子,跟单轮对话的对比,引出了对多轮对话的定义。
一、什么是多轮对话1.多轮对话的定义
定义:根据上下文内容,进行连续的,以达到解决某一类特定任务为目的的对话。
这里有3点:
上下文:机器人的每次出话,都是跟上文有强关联关系的;连续性:一个完整的对话内可进行多次连续的对话交互;某一类特定问题:这里主要是限定下讨论范围,讨论的是一个封闭域内的问题,一个完整的对话,只负责处理一个特定的任务。比如说订机票是一个特定的任务;订外卖是一个特定的任务;查天气也是一个特定的任务。2.多轮对话跟机器人的关系
多轮对话跟机器人的关系图:
通常来说,一个全能型的对话机器人是由很多个类型的机器人组成的,比如说闲聊机器人、任务机器人、问答机器人。而一个任务机器人内又可以包含多个多轮。
3.多轮对话和多轮对话平台的关系
那怎么来实现多轮对话呢?市面上各大厂家的做法是开发一个用于构建多轮对话的平台。有了这样的平台,你就可以构建出你想要的对话流程。
多轮比较擅长处理的两类经典任务:
分类任务(如上左图),用户的表达属于分支的哪一类,每一类应该走什么分支。信息收集/查询类任务(如上右图),需要向用户收集哪些必要信息,6603源码商城如查航班,需要收集出发地、目的地、出发时间3个必要信息。
如果把多轮对话比作一辆汽车的话,那多轮对话平台就是一个组装车间,底层的各类AI工具,就相当于汽车的零部件,因此我们可以在对轮对话平台内,用各种的工具,来组装出你想要的对话逻辑。
这里你可能想说,这个哪里智能了,不就是我们实现定义好的流程吗?是的,它确实并没有你想象中的那么智能,没有你想象中的那样通过大量的数据就能自己学习出一个流程,也没你想象中的那样机器可以自己生成新的答复话术。
但是它确实能解决很多工业上的问题,特别是一些比较固定的流程,比如说:
电销,机器人询问用户是否感兴趣;这里机器人最重要的事情不是促成下单,而是筛选有意向的用户。比如说用户说感兴趣,甚至是跟机器人多聊几句,就会被标识为感兴趣,然后后面就会有人工客服来跟进了。自助服务,传统的IVR是通过按键的形式来识别用户的意图的(充值服务请按1,业务办理请按2…..),那智能机器人可以直接识别并理解用户的自然语言来提供服务(如用户可以直接说:我要查询话费)。满意度回访,机器人通过电话回访来收集用户对服务的满意度情况,是否满意、不满意原因是什么,有什么改进意见等等。疫情期间人员基本情况调查,如收集用户是否有从武汉回来、有没有接触从武汉回来的人,有没有发烧、流鼻涕等信息。
这些固化的流程完全可以用机器人来完成,大大减少人力成本。相比于人,机器人可以一天小时,同一时间多线路给多个人拨打电话。Socks扫描源码
二、多轮对话平台由哪些功能模块组成1.按流程的执行顺序分
1)进入多轮对话任务的条件
比如识别到有订票的意图,则进入到订机票的多轮对话任务中;也可以通过关键字、指令等方式进入到多轮对话任务中。
2)机器人的应答话术
即用户的每一个动作(query),机器人应该用什么话术去应答。
目前任务类型的对话通常话术都是预设的,基本不会是生成式的。因为任务性对话容错率很低,宁可答不上,也不能答错。生成式的应答话术,更多是在闲聊机器人中,因为闲聊容错率相对比较高。
3)流程流转条件的设置(if)
4)满足条件执行动作的设置(then)
条件设置和动作设置是整个流程的核心思想,整个对话流程都是按:如果条件是什么…那么执行什么动作…的格式设置。
5)退出多轮对话任务的条件
最后,这个对话肯定是不能永远继续下去的,需要设置结束对话的条件,比如说常见的有以下几种情况:
任务已经完成结束,比如说已经收集完需要收集的信息;用户主动要求转人工结束,比如说用户跟机器人聊不下去了,要求要人工服务;用户长时间未回复结束,比如说机器人出话后,用户分钟内没有响应就自动结束。2.按流程和解析工具分
按另外一个维度,可以把多轮对话分为流程和解析工具。
1)流程–就是设定的流转规则,如是什么,那就做什么
(如下图,如果是肯定回复那就跳转到A节点,如果是否定回复就跳转到B节点)这一块跟AI没有什么关系。
2)解析工具–理解用户说的话是什么
(如上图,如果用户说“我是他妈妈”,机器人怎么知道这是属于否定回复,这就是解析工具要做的事情),也是整个多轮对话的核心。
解析工具主要分类两大类:信息收集、文本分类。
1)信息收集
收集信息的方式主要有两种:对话里收集、对话外收集。
对话里收集:用各种解析器在对话内容中解析出所需信息,比如说时间解析器收集时间、地址解析器收集地址、电话号码解析器收集电话号码等。ubuntu源码架构对话外收集,即不是通过对话内容来收集的,而是通过其他数据交互方式获取的,比如说通过手机定位,来获取用户的位置信息;通过账号,来获取用户的基本信息等等。
2)文本分类
对话中的文本分类,通常又分为两大类:有较完整的句子结构类文本、超短文本。
有句子结构类文本(someonewanttodosomething)描述了一个比较完整的意图。有主谓宾这样的句子结构。比如说意图、FAQ,就是有句子结构的文本类型。超短文本,没有句子结构的,比如说;好的、可以、ok、行。常见的处理这类型超短文本的解析工具有:语言分类器、选择解析器。
除了是否有句子结构外,两类型的文本分类解析工具的应用场景也不一样。有句子结构类文本解析工具,是全局的应用。比如说“我要转人工服务”,可以做出一个意图,不管在流程的哪个节点,用户表达了这样的意图,都可以识别。
超短文本类解析工具,是局部应用的,是强依赖上线文的。比如说用户单独说一句“不是的”,如果没有上下文,是没有意义的。
机器问“请问您是深户吗”,用户可以回复“不是的”;
机器问“请问您是深圳高校学生吗”,用户可以回答“不是的”;
因此同样“不是的”,在不同的地方表达的意思是不一样的,只有联系上文,才能确定明确的含义。
解析工具直接决定了多轮对话平台能力的上限,而决定解析工具能力又可以分为两层:基础技术层、产品层。
基础技术层:取决于NLP的能力,包括分词、词性标注、NER识别、词法分析、句法分析、情感分析、句子相似度等底层的能力。产品层:有了强大的NLP能力,那能不能把这些技术落地,包装成实际的解决方案,去解决实际的场景问题,就是考验底层技术产品化的能力了。三、多轮对话平台目前的存在的问题1.解析工具与场景的不默契
1)例子1
用户:帮我订一张机票机器人:好的,请问你要从哪里出发呢用户:深圳明天会下雨吗
问在哪里出发后,我们往往会调用一个地址解析器来解用户接下来说的话,用户回复“深圳明天会下雨吗”,这时会抽到地址深圳,那机器人就理解为出发地是深圳了。
解析器确实没有问题,解出了地址深圳,但是解出的地址是不是符合上文需要填充的槽位,这时机器人就无能为力了,因为解析器只管解析,不管业务。
2)例子2
问是几月份,我们往往会在这个时候调用一个时间解析器来解用户接着说的话,用户只回复“8”,这时时间解析器解不出结果,因为时间解析器只能解“8月”、“8号”等等这个带单位的时间。纯说一个数字,机器人就懵掉了。
从上面两个例子就可以看出,解析工具跟实际应用场景的隔阂,导致了运用起来不够灵活,主要矛盾点体现在:
如果解析工具跟场景分割开,就会出现以上的问题;如果解析工具跟场景紧密关联,那通用性就比较差,这样会导致这个解析工具仅适用于某个场景,而无法迁移到其他场景。2.解析工具与解析工具之间不默契
举例:
用户:帮我订一张机票机器人:好的,请问你要从哪里出发呢用户:深圳明天会下雨吗
还是以上面例子为例,首先来了解几个概念:
主流程与辅助问答:这个多轮的主流程就是收集订机票所需要的槽位,辅助问答是只在主流程的过程中用户可能会问些相关的问题,如“怎么退票”、“深圳明天天气怎么样”。机器人回答完辅助问答之后,会继续回答主流程,继续收集槽位信息。信心分:是指解析工具,匹配到结果的分数值。假设分数值是从(0–),假设信心分高于分机器人就采纳。中控优先级:是指取解析工具结果的优先顺序,比如说解析工具A的优先级大于解析工具B,那解析工具A和B解析结果的信息分都是分,那机器人会优先取A的结果。
ok,了解了上面的概念之后,我们再回过来看这个例子。
用户说了:深圳明天会下雨吗?
会有两个解析工具解到结果,假设地址解析工具得到的信心分是分,意图解析工具解到的查天气意图的信心分也是,但是由于地址解析工具属于主流程,优先级高于查天气意图,因此机器人最后选择的是前者。因此机器人的动作是把深圳当作了出发地填入槽位。
因此,从这里可以看到有两个问题:
人为事先设定的死死的规则,是没办法应对在自然对话中无穷无尽的场景。因此机器人的决策机制不能全由预设规则决定,应该是要结合实际的数据,比如说可以针对单个节点做训练,A类数据出A回复;B类数据出B回复。解析工具与工具之间没有建立连接,它们之间各自评分,相互之间没有通讯,没有协作关系。如果解析工具之间先经过讨论,再给出结果,是不是会有更好的效果呢,就比如说,识别到查天气的意图之后,意图工具会告诉地址解析工具,这里的深圳是只深圳的天气,可能不是你想要的出发地,你要再考虑下。这只是一个脑洞,但值得我们去深思。3.机器人的回复话术是非生成式的
这里先理清一对概念:
预设式话术:话术提前设定,不会改变生成式话术:机器人根据场景的各变化因素,而创造出的话术
举例:
机器人问题1:请问你平均每天运动有超过分钟吗?用户:我平均每天至少跑步1小时机器人问题2:请问你会经常熬夜吗?
机器人的话术已经被事先死死的设定了,问完问题1,就问问题2。没有根据用户的话做出一些反馈,就会显得很生硬。
假设能这样:
机器人问题1:请问你平均每天运动有超过分钟吗?用户:我平均每天至少跑步1小时机器人问题2:那你很自律啊,这么说你应该不会经常熬夜吧?
这样不但能对用户的回答做出响应,还根据用户前面说的话来调整问题2的问法。这就是非生成式回答无法达到的效果,这也是机器人比较死板的原因。
4.NLP理解的维度比较局限
举例:
还记得她吗,在采访中她说“我已经用了洪荒之力了”。如果你只看文字,你能理解她里面所表达的是满意的情绪吗?
正常人与人的对话,一般会根据语调、文字、表情、动作等维度,组合起来理解对话所表达的内容。但是目前大多数的多轮对话平台都是只以文字单一维度来做解析处理,即使很多平台都亮出了自己在ASR环节的情绪理解有多么强大,但真正跟多轮平台运用起来是隔离开的,训练数据只是转译成文本的形式训练,而不是直接拿语音去训练。
不同语气的“呵呵”,表达的意思是不一样,有的是开心,有的是讽刺。如果丢失了语调的维度,那解析的结果肯定是会失真的。
4.使用门槛高,优化难度大
在以用户体验为王的时代,如果你操作一个软件或APP,你还要看它的说明书,甚至看了说明书还不会操作,那你肯定会疯掉。
没错,多轮对话操作平台就是一个看了说明说还不会用平台,通常需要经常专业的培训才会使用,因此是有很高的使用门槛的,而且逻辑能力不好人,还真做不来。
除了操作门槛高,后续的优化也不灵活。不是说像我们想象中的那么简单,加点数据,标注下就能解决的。比如说机器人询问:你是马先生吗?
你一开始想到的用户可能的回答是两类:肯定回复(是的、我是)、否定回复(不是、打错了)。但是上线后,你会发现还有很多类型的回复:中性回复怎么啦、你说、式有关系人我是他老婆、我是他儿子、反问你是谁呀、是机器人吧你
每增加一个分类,就要重新在流程图里增加分支,从新设定规则等等,并非直接加点数据重新训练就能解决问题了。
四、多轮对话平台未来的发展方向是怎样的1.在目前的框架下去优化
前面大篇幅讨论了,目前多轮对话平台的核心是解析工具,因此我觉得未来的优化方向也是在解析工具上面,比如说:
怎么让解析工具通用,然后又可以跟特定的场景紧密结合在一起;怎么让解析工具之间的协作更加高效,更加合理;怎么让后期优化延伸性更加广,让机器有条不紊的接纳更多的分类。2.用新的框架去解决问题
目前的做法是对话流程、对话分支是由人工搭建的,这种方式对数据的利用率是非常低的。只是根据对话记录,人为整理出对话流程,而对话之间的上下文关系是不参与到模型训练的。机器人不会随着人机对话量的增加而变得更加聪明。
未来的优化方向一定是最大化的利用数据,比如说通过给机器输入大量的对话记录,机器能够学习出对话之间的逻辑关系,然后自己能学习出一个对话流程。
最后,用一句话总结下目前的多轮对话平台:在解决固定化流程的问题上,确实能降低人力成本,但是对话比较死板,要想做到向人与人之间的自然交流,还有很长的路要走。
AI人,一起加油吧!
本文由@Jimmy原创发布于人人都是产品经理。未经许可,禁止转载。
题图来自Unsplash,基于CC0协议。
外贸跟单员需要做些什么?
贸跟单流程
一,定舱
(1)确认工厂是否已生产完毕.
(2)传订舱委托书给货代,写名要订的船期,目的港,始发港,几个柜子(大柜还是小柜),产品名称,数量,件数,毛重,净重,体积等.让其代为定舱.
(3)货代定舱成功后,会传真一份进仓单给你,上面注有何时到工厂拖柜或何时前将货物送到指定的仓库地点,及单证的送达截止日期.(一般是开船前三天为截止时间,最好是按照货代通知单上的要求时间,当然能提前最好)
(4)收到货代的进仓通知后,就要给工厂发进仓通知,写明货物的品名,箱数,送达仓库的详细地址,到达时间(最好比规定的提前一天),进仓编号,联系人,电话等.
(5)然后电话确认工厂是否已收到该进仓通知,是否能按时进仓,如有状况,可即使与货代调整
二,准备报关资料
(1)如无商检单,需如下单据:
a,报关委托书
b,报关发票(原则上按实际收汇单价来报关,有时也有不同,看各公司的操作)
c,装箱单
d,报关单
e,核销单
(2)如果是通关单,需如下单据:
a,报关委托书
b,报关发票
c,装箱单
d,报关单
e,核销单
f,通关单
(3)如果有商检换证凭单,需如下单据:
a,报关资料同(1)
b,商检单据
a,商检换证凭单(一般是当次用完,如当次不能全部走完,有剩余,可告知货代让其为你保留到下次出货用)
b,发票(单列商检单上的品种)
c,装箱单
d,报关单
e,有些产品需要提供知识产权证明
准备好报关资料后,将其寄给货代,代为报关
三,到厂拖柜或在货代仓库装柜.
四,跟货代要提单确认件.按照装箱单上的件数,数量等来确认,特别是要注意目的港,件数,品名,体积的功能,因为这是比较重要的哦.如果寄单时才发现不对,不仅耽误时间,还有可能要出费用(海运提单要改单的话要收费用,货代提单则一般不要)要多次确认,直到没有一点错误,方可要求货代出正本提单.
五,准备议付单据
一般情况下,需要如下单据:
(1)发票
(2)装箱单
(3)提单
(4)form a 或产地证(应在开船期前办,日期在开船期前或一致)
(5)保险单
如果是做信用证,按照信用证要求来做.
六,收汇 (1)如是t/t,催客户付款
(2)如是l/c或d/p,交单
摘自福步论坛
克隆赢家Clone Winner外汇跟单-泓元证券用盗版MT4诈骗!!
由老撕鸡财经授权,揭露一起金融骗局:克隆赢家Clone Winner外汇跟单项目与泓元证券的关联。声称是跟单社区的克隆赢家,与自称受加拿大监管的泓元证券合作,实则存在严重问题。泓元证券使用盗版的MT4软件,而非迈达克授权,且其所谓的监管机构AMF实为错误,实际上是CCMA,一个非监管机构。泓元证券试图以公司注册ID冒充MSB牌照,而其真正的MSB牌照号与之不符,显示出低劣的专业水平。
加拿大的金融监管体系中,MSB仅监管货币兑换,而非外汇保证金交易,真正的外汇保证金监管机构是IIROC和证监会。克隆赢家选择与无正规监管、盗版MT4的泓元合作,显得异常。盗版MT4软件上无法找到泓元证券的合法信息,证明其行为不轨。
该项目的风险不仅在于缺乏监管,还涉及资金盘操作,通过伪造盈利订单,实质上是资金的长收短付和期限错配。这与租房骗局中的套路相似,一旦资金积累到一定程度,跑路风险极高。因此,投资者需警惕此类以跟单名义实为资金盘的骗局。以下是更多详细报道,以供参考: