理想的未來絕對不是機器取代人類，在智慧客服的領域中，人機協作才是真的達到為企業降低服務成本，且兼顧用戶滿意度的唯一方案。
1964年在MIT的人工智慧實驗室中，名為「ELIZA」的聊天機器人誕生，她是史上第一個能夠與人類對談的機器人，而她的名字來自於音樂劇《窈窕淑女》的女主角，自然是她的創造人希望她能夠在持續的學習中，成為教養良好的「淑女」。2010年蘋果推出Siri，以及2014年微軟推出Cortana，科技公司不斷地推動機器能與人對話，同時也希望將這項技術應用於產業中，因此智慧客服就成為了落地的首要之選。
屈指一算，從「ELIZA」問世至今55年，機器人與人類溝通的問題真的解決了嗎？其實，從「ELIZA」一直到近年來國內多數銀行都踩過坑的中國「小i機器人」，都是屬於「模式比對」的技術，也就是在資料庫裡存放多個對話範本，根據使用者輸入的內容去比對最接近者。這個技術橫跨數十年，只不過是從精確比對進化到模糊比對而已，本質上沒有出現在範本裡的就無法回答，因此出現了之前讓眾多導入智慧客服系統的銀行怨聲載道的「每個問題必須輸入50種問法」的災難。
AI仍無法處理中文斷句難題
如果是英文，窮舉法可以達到很好的效果，但不幸的是，我們在台灣所使用的，是全世界最複雜的語言中，較為複雜的那個版本──「繁體中文」。就不提英文世界中所有字母大小寫加上數字標點，只需要80個字元就能搞定；中文光是unicode中的中日韓統一表意文字就有20,928個，若再加上注音符號、英文數字與標點，數量就遠遠超過英文。更別提中文天生沒有斷字符號，因此中文斷字成為中文數據預處理的首要難題，別說是機器，就算是人類遇到「小明明明明白白白喜歡他」或是「無線電法國別研究」這樣的斷詞難題，恐怕也只能舉白旗投降。
中文更神奇的一點在於，可以透過虛字與位置調換，將一個句子產生出多種講法。〔圖1〕是我們之前使用了2億筆天貓、淘寶的買家評論數據中抽取出來關於「送貨很快」的說法。驚人的是，2016年1月份統計有1,700多種講法，不過半年時間，2016年7月份統計，卻有高達3,600種講法。這意味著什麼？這表示任何企圖使用窮舉法來解決人機對話問題的，終將失敗。
（相關報導：
軟銀孫正義預估：人工智慧2040將成為「超級天才」 機器人數目將超越全球人口
｜
更多文章
）
作者使用了2億筆天貓、淘寶的買家評論數據中抽取出來關於「送貨很快」的說法，證明企圖使用窮舉法解決人機對話問題的，終將失敗。（台灣銀行家雜誌提供）
「意圖識別」成為AI客服技術基礎
人機對話、溝通只是個不切實際的夢想嗎？這波人工智慧浪潮的基礎技術「深度學習」為我們開了一扇窗。深度學習與之前機器學習最大的差別，在於機器學習透過分析人員或是產業知識專家來定義特徵，再交給機器找規則；而深度學習則是從產生特徵到產生規則統統由機器處理。機器可以經由讀取大量語料後，根據文字的上下文關係，無監督地找出其中規則，更能夠根據人類給予的標籤進行監督式的分類預測。也因此，文字分析的技術從過去強調將非結構數據轉換為結構化格式的「自然語言處理」（NLP），正式進化為「自然語言理解」（Nature Language Understanding, NLU），雖然還不甚完美，但是機器開始能夠理解我們人類的語言。以〔圖2〕為例，這是我使用了2.9億個中文句子訓練出來的詞向量，若是我們希望透過類比關係來找出「張惠妹之於阿妹，那周杰倫會之於什麼？」機器可以正確地回答「周董」，而我們詢問「雙子座之於花心，處女座會之於什麼？」機器也能正確地回答「潔癖」。
作者使用了2.9億個中文句子訓練出來的詞向量。（台灣銀行家雜誌提供）
基於自然語言理解的技術，衍生出「意圖識別」（intent recognition），開發者可以透過大量的對話語料訓練，讓機器能夠學習判斷對方的意圖（像是來掛失信用卡，或者想要申請提高額度），以及我們該回答他什麼樣的內容，而這個就成為真正智慧客服的技術基礎。但是，各位如果以為這樣就等於擁有了像是《鋼鐵人》的Jarvis這樣的人工智慧，之後所有的人工客服都要失業，那就大錯特錯了。
當我在機器學習與人工智慧領域學習得越久，就越讚嘆人類大腦的偉大。機器需要從成千上萬的數據（這也是最難獲得的）中學習，但它只能從人類事先定義好的輸入與輸出中學習，不會觸類旁通，也不會舉一反三，更不會有基本常識。就以意圖識別來說，如果客戶來電的意圖，不在原先預定義的範圍內，或者是客戶的對話中沒有意圖（就是所謂的說空話），那機器就會陷入無法識別的問題。甚至如果智慧客服是用純中文語料所訓練的，那麼日常生活中隨處可見的中英夾雜、注音文、表情符號，都有可能讓「人工智慧」突然變成「人工智障」的那根稻草。
目前仍無99.9%正確理解語意的機器人
那麼，究竟智慧客服這個技術真的靠得住嗎？我覺得這個要從人工智慧的本質來看，傳統的應用程式是人透過需求訪談把規則列出來，因此可以照著規則測試與驗收，不論什麼樣的輸入就能預期獲得什麼樣的輸出。但是，對於無法列出規則的需求，就束手無策了，智慧客服正是這樣的一個場景，而人工智慧可以把它想像成機器自動從數據中幫我們整理規則，也因此，它所學習到的東西會受訓練數據很大的影響。我們都聽說過80/20法則，這法則仍然適用於客服場景，那就是20%的問題就占了80%的來話量，意味著這20%的問題具有足夠多的語料可供訓練，機器可以幫我們處裡這一部分，也能夠獲得最大的人力資源紓解。
但是，當客戶問的不是這20%的問題該怎麼辦？很多人問我，什麼才是衡量一個智慧客服的最重要指標？我說絕對不是意圖識別正確率，甚至要他們小心，正確率過高，恐怕是廠商作假（我曾經看過在後台有工程師操作Pepper，以及有人在後台拿著麥克風，替號稱全世界第一個機器人公民蘇菲亞講話後，我才警覺假人工智慧無處不在）。根據最新的通用語言理解評估基準（GLUE）排行榜看來，大多數的系統都只獲得65%左右的正確率，而排名第一的微軟具有89%正確率，其實也輸給人類95%正確率一大截。更不要忘了這個評分基準全部是使用英文，而我們用的是「繁體中文」。所以，任何號稱自己可以99.9%正確理解語意、可以對話如流的機器人，請不用懷疑，一定是騙子，因為99.9%的正確率連人類都做不到。
AI讓人們有餘裕「做擅長的事」
既然意圖識別正確率不是最重要的指標，那什麼才是最重要的指標？答案就是「轉接人工客服的正確率」，雖然人工智慧在自然語言理解技術上仍在持續精進，但是現階段更重要的是如何讓機器與人類各自分工，做擅長的事，因為要求高意圖識別正確率只會逼迫廠商造假，因此在現階段技術上，更重要的是如何讓機器知道自己的能力邊界，而將自己無法判別的通話，甚至是能從文字中判斷客戶已經被搞毛了的通話（這裡涉及到另一個人工智慧技術：文字情緒識別）轉交給人工客服處理。當大部分的通話被智慧客服處理之後，人工客服當然會有更大的餘裕來處理剩下20%的各種疑難雜症，不需要擔心每通處理時長的KPI，人類特有的溫暖、專業與耐心，可以化解用戶焦躁不耐煩的心。
＊作者為數據決策公司技術長，trubuzz ai人工智能科學家。本文經台灣金融研訓院授權刊載，精彩全文詳見《台灣銀行家雜誌》2019年7月號。
