“欢迎您的致电，很高兴为您服务……”往往在放下手机之后，我们才会意识到，在电话的另一头对话的是一位智能客服。
今天，越来越多的客服工作由人工智能机器人去完成。智能客服在很多场景下，具备的高效率、低成本、灵活性和精准营销等特点，也打动了无数企业。
过去电商、新零售、生活服务、金融保险比较早的采用了智能客服，并收效显著，慢慢的房地产、医疗健康、教育培训甚至制造业等大行业纷纷投入了智能客服的怀抱。
其实，智能客服的“善解人意”也是有一定限度的。传统智能客服擅长处理于程序化的问题和固定的封闭问题，可以应付交互模式简单的消费场景，但面对知识性更强，复杂度更高的企业级服务场景就显得力不从心。
企业级场景，智能客服存在局限性
人工客服向智能客服转变，一个关键的标志，就是自然语言处理技术的引入，让通过“关键词”检索寻找答案模式，变成了通过“语义”来对应答案，明显更具有了“人性”。
在进入深度学习阶段后，智能客服机器人的模型算法不断演进，经过“自我学习”逐渐能够解答越来越多此前无法解答的问题。
但在企业级场景下，传统智能客服始终存在局限性。
首当其冲就是系统搭建成本高和效率低。智能客服诞生的意义本身就是为了提高效率、降低成本，但传统的智能客服系统由多模型多知识库支撑，每个知识库需要人工或半自动搭建，因此导致了维护成本居高不下和效率较低。同时在客服场景下，企业内部形成了重重烟囱式系统，也无法基于企业数据资产提供体验趋于一致的客户服务。
其次，企业级智能客服的难点是专业知识门槛比较高。2B业务场景更复杂，专业知识门槛更高，以数据中心的客户服务为例，往往会面临多元的软件、硬件，不同的客户应用场景，甚至是与客户的业务流程等因素相互交叉的复杂场景。因此如何让AI与复杂的数据与业务场景实现融合，在用户服务的全生命周期，实现专业服务端到端的智能化，是需要突破的难点。
第三，持续突破的难度更高。在良好的技术知识库的支撑下，企业级的智能客服起步会比较快，但很快就会陷入提升的瓶颈。需要投入的人力、算力、数据等多种要素投入需求会呈现指数级的提升，边际效用递减，这是一般的企业都无法承受之重。
客观地说，智能客服要进入更多的专业领域，不仅要在语言理解、数据分析、自主学习和智能推理能力等方面进一步深入，还需要一套完整的战略规划，有效降低时间成本、计算成本和运维成本。
具备更高的智能水平，更低的AI开发和应用成本，由AI大模型作为底层支撑的“智能客服大脑”，逐渐浮出水面。
“源晓服”的最佳实践
作为数据中心基础设施的服务商，浪潮信息自身的客服体系长期面临较大的服务压力，无论是服务器还是企业级存储，不仅技术细节包罗万象，还要结合用户的具体使用场景，部署和运维的情况。
面对这样“高知识性”和“专家级”的服务需求，智能客服能担此大任吗？
早在四五年前，浪潮就开始探索智能客服的转型实践，在2019年上线了任务式对话、知识图谱等多种类型的客服机器人，并投入大量资源对机器人进行训练，也无可避免的遇到了上述难题。
产品的快速迭代大幅增加了训练量，机器人的封闭式知识库制约了训练的效率，更为关键的是技术知识的复杂度高，很难让机器人理解客户的真实服务意图。
正是有了这些自身的实践和对困难的洞察，浪潮信息通过AI大模型“源”为智能引擎，依托InService智能服务平台，构建了“智能客服大脑”，并基于此打造了专家级智能客服“源晓服”。
据了解，“源晓服”由智能客服大脑进行统一驱动，打破了多知识库、多模型驱动的传统架构。通过对用户的提问和专业领域知识文档进行统一语义编码，做到有效降低计算成本和时间开销；并可直接学习企业文档库的现有资源，摆脱传统的FAQ人工训练模式，提升专家服务团队人效30%；同时，超强的自然语言理解和生成水平，能够高度模拟人类的交流过程。
从“源晓服”在浪潮信息实际业务中发挥的作用，也可对其价值略窥一二。目前，“源晓服”支持浪潮信息服务器、存储、边缘计算等八大产品线的全代际数据中心产品售后服务，拥有技术、产品、故障、服务四大类超百余种专业问题的解决能力，可覆盖终端用户92%的咨询问题，日均处理客户服务达近千次。针对数据中心常见技术问题，如系统安装、Raid配置、部件异常等问题，“源晓服”的解决率高达80%，可将复杂技术咨询问题的业务处理时长降低65%，提升浪潮信息整体服务效率达160%。
应该说“源晓服”的成功，既代表了专业级智能客服领域的最佳实践，也证明“源”大模型为行业智能应用打造智能引擎的价值所在。
从通用到专用，“源”展现出的“根”能力
我们知道，AI大模型最重要的优势是可以让算法模型进入到大规模可复制的工业落地阶段，同时不需要开发使用者再进行大规模的训练，使用小样本就可以训练自己所需模型，能够大大降低开发使用成本。
所以AI大模型，也被看做是通用AI开发的“根”能力。
很多人都有相似的疑问，通用“根”能力的AI大模型，迈向具体智能应用的专用AI，这中间到底应该怎么走？
浪潮通过“源晓服”其实已经向我们展示了其中的逻辑：
“源”大模型已经学习了来源于互联网5年的高质量中文文本巨量数据，已具备了高水平的中文语言能力和广泛的通用知识。当然，如果要进入专业领域，还需要专业数据的引入。比如服务器相关的数据都是来自于服务器的产品设计文档、介绍文档等等。
再将专业的数据，构建其行业的知识库，通过外挂知识库的形式结合“源”大模型的“根”能力，两者形成结合，就构成了大模型在行业落地的正确路径。
当然这个过程并不简单，在知识库的构建时，浪信息潮遇到的第一个困难：如何将企业文档中蕴含的知识进行提取和编码，从而形成高效的知识检索系统；第二个困难则是：大模型应用到具体的业务场景里，还需要结合大模型的能力，针对具体业务场景做好适配，这些适配工作包括了多任务学习、小样本学习的技术等等。
所以，“源晓服”是“源”与行业知识库不断融合，与应用场景不断适配之后演化出来的成果。
“源”在智能客服方向的“小试牛刀”，展现了出色的“根”能力，更为重要的是，通过“源晓服”的实践，浪潮已经掌握了“源”在具体智能服务落地的成功方法论，未来在智能运维、智能调派、智能在线管理、智能现场管理和智能备件供应链等方向，都将是“源”的舞台。
