想必不少人都接听过客服人员打来的电话。作为企业营销及品牌价值宣传的第一渠道，“呼叫中心”、“在线客服”、“客服机器人”等客服系统在新技术的催化下得到蓬勃应用。在金融、教育等对客服需求颇大的行业里，企业通过建立自己的客服团队，向用户推销产品。
而另一个事实是，诸如“对不起，我很忙”、“谢谢，我们不需要”绝大多数用户的婉拒和反感声中，反映出客服行业面临的诸多挑战。AI技术的日趋成熟，如何更好地通过技术手段改善用户与企业之间的沟通效率？如何提升销售转化？优化营销业务流程？
今年6月，一种新的NLP模型预训练方法XLNet的推出，让不少人看到了它的研究意义及落地价值。作为论文一作的杨植麟很快将该方法应用在了共同创立的公司循环智能（Recurrent AI）的业务线中。
循环智能要解决的是，通过机器学习的方法分析原始的语音文字销售过程和销售转化过程，帮助企业提高销售转化率。
截至2019年8月，循环智能已服务二十余家中大型企业客户。在创业初期，经过长达一年多的产品打磨周期，与其想要构建的竞争壁垒分不开。团队在发展初期花了很长时间积累技术，2017年底有了一个比较成熟的模型。
近日，雷锋网采访了循环智能CEO陈麒聪、CTO张宇韬以及AI和产品负责人杨植麟，他们分别从业务、技术、AI产品的角度进行了阐释。
切换到场景思维
据官方资料介绍，循环智能主要提供的是一套智能化销售系统，在客户交互渠道如电话、IM中挖掘线索，主要有三大核心模块：
线索重定向，从企业客户的CRM系统里寻找挖掘更多高意向用户，提升销售转化率
客户心声分析，将大量非结构化文本抽取出来，做批量高效的生产，分析和监测销售沟通过程中的转化漏斗和客户画像
智能质检，帮助企业客户发现与用户交互中的问题与风险
循环智能在融合呼叫中心、CRM、BI等不同系统的同时，也在中间层搭建了语音、语义识别技术环节，以更好地支撑用户数据。
如上图所示为循环智能的整体服务架构，当语音数据、文本数据流进入循环智能系统后，将在声纹识别、语音识别、语义理解、标签分类器等多个技术引擎中并行处理。例如，通过ASR转写，可以将一段语音转化成文本；通过标签分类器，可以得到由人工标注的分类训练语料；通过语义的文本聚类，又能以无监督的学习方式组织文本信息。最终，不同技术引擎处理生成的数据，将依据不同诉求进行匹配和组合，进而形成可视化、高价值的数据，并以质检、客户画像等产品形态为客户业务做支撑。
这个过程中，循环智能会分别跟呼叫中心、CRM、BI等上下游企业建立合作，将得到的非结构化数据“收集起来，同时进行分析”，从而转化成一个结构化可消费的数据。
不过，由于需要同时对接客户不同渠道的沟通，复杂的CRM数据，以及一些客户行为数据，这些数据往往分散在不同的系统里，如跟客户的沟通在客服系统，跟销售的沟通在呼叫系统，微信的沟通则发生在CRM上，这种做“重”的方式也直接导致了循环智能如何将这些数据高效打通的挑战。
循环智能会提供通用化API，用户可以轻PaaS的方式完成整个工作流。“用户只需要将原始的语音、文本等非结构数据聚合并通过API提交，就可以从产品界面直接对分析结果进行消费，无需关注其中的技术细节。”张宇韬解释。
在输出产品的同时，循环智能构建的轻PaaS平台，将整体技术封装成业务中台，能够输出整体的技术解决方案。相比之下，这个轻PaaS平台更加聚焦于某个非常具体的行业或产品中，并非单纯输出ASR、NLP等技术。
本质上讲，针对不同行业提供的解决方案，用到的算法和技术是共通的，循环智能更需要做的是能力上的固化、产品上的下沉，并能够将技术以打包的形式销售给客户。
NLP领域仍未出现独角兽？
“传统NLP是一个非常高度定制化、手动的技术，这也是我觉得直到目前NLP领域仍未出现独角兽公司的原因之一，”杨植麟告诉雷锋网。在此之前，循环智能也曾先后采用了多层的Transformer、以及BERT预训练等技术方法。
循环智能希望能更多地专注在某个场景，并且这个场景能够在不同的行业快速复制和规模化。实现这一目标的前提将在于如何更好地解决自动化和通用的问题。
XLNet的出现，恰恰改善了在通用性上的问题。从原理上讲，XLNet有效结合了自回归方法（Auto-Regressive，无法对双向的上下文进行建模）、自编码（Auto-Encoding，预训练和调优之间会有所区别的缺陷）两种方法的优势特征，将自回归思想泛化，泛化之后的语言模型可以处理双向上下文。可以说XLNet在NLP语言建模中很大程度上优于此前的BERT。
而在自动化问题上，循环智能还形成了一套AutoAI技术架构，其中包括两个关键步骤：一是引入AutoML，无需手动调参；二是human-in the-loop，将人的数据作为整个生产流程里面的闭环。例如，标注团队实时标注数据，标多少数据，是一套流水线，跟模型是统一的过程。
在2019年6月XLNet正式推出之后，循环智能很快将这套预训练方法应用于智能营销系统上。据不完全统计，该系统可为企业线索池带来 5%-10%的增量成单，分析并监测影响销售漏斗转化的关键步骤，提高15倍的质检效率，进一步提升企业售前、售后、续费/复购整个流程的转化效率。
例如在催收行业，因其合规风险大，质检成本高，工作量大，急需提高话术能力和客户跟进策略等痛点，循环智能以极低人力复检成本，完成了行业首例数千座席的全量质检，还发掘了影响催回率的核心特征，在全量高度合规的情况下提高了企业用户的催回率。
6个月的窗口期
对于这样一支初出茅庐的团队来讲，取得这样的成果实属不易。尽管技术能保证创业公司在切入市场之初形成一定的先发优势，但技术窗口期也是有限的。杨植麟认为只有6个月的时间。而在这短短6个月里，循环智能采取了更为“扎实”的打法：
一是ToB领域软件的替代成本很高，在一些成熟的行业里，不一定有机会。
二是设立长短期目标。短期目标是将智能化做到极致，而长期目标则是为相对传统的公司提供数字化的服务。
不过就这个层面来讲，AI技术本身在行业内是相对透明的，真正的核心价值是什么？三位创始人一致的回答都是：行业垂直数据，积累的know-how以及深度产品化的能力。截止目前，循环智能已累计标注了几万个小时的垂直行业语音数据，以及不同行业上百个语义点数据。
为此，循环智能也将更多的精力投入在了产品和交付上。“客户需求太多了！现在最主要的不是如何打动企业客户，而是如何将企业客户的需求进行交付。”陈麒聪强调。
那么，如果对当前从事人工智能技术的创业公司进行划分，有做平台的，有做模块的，还有做应用的，循环智能的定位究竟是什么？
“我们是一个专注场景和产品的垂直性的公司。我们用一个小很多的模型就可以达到很好的效果，我们不希望也没有必要去支持所有的领域，”这也更加表明，循环智能可能专注的能够描述成：一些高客单价、获客成本比较高、需要改善留存率、且天然存在非结构化数据的行业。
此外，在某些线下场景如零售、4S店等，尽管没有存量的非结构化数据，用户仍有意愿采集这些数据。
客服“对话”的底层逻辑
实际上，在客服场景，你所面对的客户无非就两种，一种是想要了解你的客户，一种是已经付费的客户。对于后者，客服的沟通可能主要是满足客户的咨询和问题解决，但对于前者，销售沟通的频率高，客服在这个阶段的价值体现也最为明显。
一种趋势是，在企业客服的运营模式正从成本中心向利润中心转变的同时，“客服”这个概念也早已从原本纯粹的客服转变成为提高销售转化率的“助手”。
或许，语音将是文本、图像之后，企业数据挖掘的下一个价值洼地，而聚集了大量语音数据的客服系统只是一个切口。在NLP技术应用尚未成熟的背景下，如何打动用户付费，挖掘市场更多的想象力，需要更多有勇气的厂商前来实践。
对于循环智能而言，产品仍处于打磨阶段，所以也必然会将产品市场匹配度（PMF, Product Market Fit）放在最优先级，将这款产品做成一个生态系统，并能够在销售的每个“沟通”环节里都有所渗透。这种逻辑或许也有效避免了与潜在对手的正面交锋。（雷锋网）
正在生成分享图...
我在思考中