【51CTO.com原創稿件】2018年11月30日-12月1日，WOT2018全球人工智能技術峰會在北京·粵財JW萬豪酒店盛大召開。60+國內外人工智能一線精英大咖與千余名業界專業技術人員齊聚現場，分享人工智能的平臺工具、算法模型、語音視覺等技術內容，探討人工智能如何賦予行業新的活力。兩天會議涵蓋通用技術、應用領域、行業賦能三大章節，開設13大技術專場，如機器學習、數據處理、AI平臺與工具、推薦搜索、業務實踐、優化硬件等，堪稱人工智能技術盛會。

人工智能熱潮由深度學習技術推動，如今智能客服、語音識別等領域已經與商業場景應用相結合，賦能各個行業。針對這個話題，本屆WOT2018峰會特別設置了《人機智能》分論壇。來自京東、扇貝、蘇寧的三位大咖圍繞“人機智能如何賦能行業發展”進行了主題分享。

智能對話助力京東客服體驗升級

京東智能對話研發部技術總監劉丹，在主題為《智能對話助力京東客服體驗升級》的演講中，分享了京東智能對話是如何通過整體解決方案助力客服咨詢體驗升級的。

京東智能對話研發部技術總監 劉丹

劉丹表示，人工智能能夠解放機械性工作，更好地為人服務。過去，整個客戶流程包括排班調控、一線接待、運營管理，需要耗費大量的人力和精力。而現在AI正在助力客服體驗全面升級，通過全面的端對端的智能對話解決方案，從智能調度、智能對話、智能坐席、再到智能分析，形成一個完整的閉環。

京東堅持以技術驅動消費者體驗升級，致力于將人工智能技術與商業場景應用相結合，實現體驗升級和創新。京東發展智能對話具有三大獨特優勢：

• 優秀的團隊：多位海內外人工智能科學家，國內最龐大的自營客服團隊做業務支撐；
• 優質的數據：圍繞零售、金融、物流等領域的核心業務，擁有海量精準豐富的大數據基礎；
• 豐富的場景：擁有智能消費、智能供應、智能物流、金融科技、實體零售科技在內的多元場景布局。

智能對話作為京東布局已久的技術領域，目前已經在京東客服業務上進行了成熟應用。從整體上，京東智能對話產品面向京東用戶、京東客服、京東商家、外部企業四方向進行布局。面向京東用戶，我們推出智能客服、智能語音導航，能給京東用戶帶來智能化咨詢體驗，高效且富有人情溫度地解決用戶問題。面向京東客服，我們打造智能調度（天樞）、客服智能輔助（天弓）、大數據智能分析平臺（天象），能幫助他們提高工作效率，讓客服感知更全面、響應更迅速，提供給用戶更好的服務體驗。面對京東商家和外部企業，我們有商家服務機器人（小智）和智能對話解決方案，助力這些企業伙伴實現一站式智能化。

據介紹，京東正在探索下一代對話式電商體驗，基于自然語言處理、深度神經網絡和機器學習等AI前沿科技打造的智能客服是業內大規模商用的情感智能AI客服機器人，通過多維技術靈活應用，如首創Action/Business/Scene的方法構建業務知識圖譜、通過遷移學習、反向翻譯、噪聲處理的方法打造情感分析模型等，實現意圖識別能力和共情能力的突破與提升。

目前京東智能客服已經承接京東90%以上的消費者咨詢，擁有4000+京東客服售后標準化技能。提供給京東客服、京東商家和外部企業伙伴的一系列產品服務也在實踐過程中日漸強烈地迸發AI賦能的力量，相信隨著AI技術的不斷發展，未來智能客服對話系統還將有持續提升，我們也將和業界一道推動這一領域的創新實踐。

深度學習在語言學習場景下的技術實踐

扇貝算法團隊負責人張志博帶來了《深度學習在語言學習場景下的技術實踐》的主題分享。他以扇貝在谷歌開發者大會中的一個案例項目為例，分享了在語言學習場景下對深度學習的應用，探討在中小團隊中如何實現從基礎設施建設到數據收集清洗，再到模型的選擇和評估，逐步搭建深度學習落地的開發框架和迭代流程。

扇貝算法團隊負責人 張志博

扇貝是一家以全面、有效提升英語學習能力為目標的移動學習平臺，產品矩陣涵蓋聽說讀寫，擁有包括扇貝單詞、扇貝聽力、扇貝口語、扇貝閱讀。截止2018年12月，用戶已突破8000萬。對英語學習者詞匯水平的深度追蹤入選 2018 谷歌開發者大會案例展示。扇貝也與各種優質的內容提供平臺有深入的合作。

張志博詳細介紹了扇貝在語言學習方面的兩個案例：口語評測引擎和智能中英對照文本。

• 口語評測引擎：具有移動端離線實時打分、音頻多軌Mix&音量Normalize、音素級別的打分功能、高準確性（人機間皮爾森相關系數超過資深口語老師間均值）等特點；
• 智能中英對照文本：基于深度學習實現句子級雙語文本自動對齊，自動對齊準確率可高達93.2%。單本書籍平均人工審校時間可從2周減少到1天。

扇貝通過應用 TensorFlow，在深度知識追蹤系統上可以實時地預測用戶對詞表上每個詞回答正確的概率?；谙惹按罅烤€上詞匯量測試記錄，扇貝的總序列數量已經累積到千萬級別，這為使用深度學習模型提供了堅實的基礎。

模型方面，扇貝選用了斯坦福大學 Piech Chris 等人在 NIPS 2015 發表的 Deep Knowledge Tracing (DKT) 模型，該模型在 Khan Academy Data 上進行了驗證，有著比傳統 BKT 模型更好的效果。相比 Khan Academy Data，扇貝詞匯量測試數據的題目數量和所涉及用戶量都要更大，序列長度也更長，這些不同也是扇貝在模型調優過程中面臨的挑戰。

Baseline 模型結構為單層 LSTM ，輸入 xt 是用戶當前 action（所答單詞和正確與否）的 embedding，可以用 one-hot encodings 或者是 compressed representations。輸出 yt 代表模型預測用戶對詞表中每個詞回答正確的概率。

在模型改進方面，按照原論文思路實現的 baseline ，在 Khan Academy Data 上能較好地復現論文結果。針對實際應用場景，扇貝使用 TensorFlow 實現了相應模型，在數據預處理、引入外部特征、長序列依賴、超參數調優等方面做出改進，嘗試提升模型性能。

在模型部署方面，扇貝使用 TensorFlow Serving 作為模型部署上線的方案。在上線前我們有利用一些模型壓縮技術來減少模型大小，并根據 TensorFlow Serving Batching Guide來找到 batching config 參數。

最終，扇貝通過對一系列論文結果的復現、改進以及調優，成功將 DKT 模型上線，為數千萬用戶提供了更科學的詞匯測試方案。

蘇寧智能購物助理機器人平臺

蘇寧易購搜索算法團隊負責人孫鵬飛在《蘇寧智能購物助理機器人平臺》的分享中，介紹了蘇寧智能購物助理機器人平臺、智能人機交互構建技術實踐、挑戰與未來等內容。

蘇寧易購搜索算法團隊負責人 孫鵬飛

蘇寧一直把智慧零售的理念落到產品體驗上，作為國內O2O戰略的實踐者，蘇寧積攢了20多年的行業領域知識，通過大數據、機器學習、深度學習等新技術提升產品體驗，一直是蘇寧努力實踐的方向。

蘇寧在分析用戶搜索行為的時候發現，越來越多的問題是傳統搜索引擎無法解決的。圍繞著電子商務領域中的導購、服務以及任務助理等幾個方面，蘇寧搜索團隊進行了深入調研，在2015年開始研發智能購物助理機器人平臺。

隨著第一版的推出，得到了公司以及越來越多用戶的廣泛認可。但單純的售前智能導購已經無法滿足用戶的需求，在公司的支持下，研發了整個智能購物助理機器人平臺，加入和豐富了越來越多的場景，為業務線提供良好支持。

整個平臺的產品服務體系分為四層，最上層是用戶服務前臺體系，包括易購自助服務、云信用戶端、智能IVR、公眾號、小程序等產品和服務。中間是整個平臺的大腦部分，即智能調度系統，包括調度路由機器人以及QA機器人、商品推薦機器人、業務搜索機器人等。同時，在中間還有一個大中臺，包括場景化服務中臺和知識中臺兩部分。場景化服務中臺主要是根據不同業務需要，提供不同的API服務，而知識中臺主要是提供相應的數據支撐，構建知識庫，為不同的業務提供相應的數據。最后是后臺支撐體系，為不同的業務系統提供相應的API服務，以便能夠更好的為前臺進行相應的服務。

在技術實踐上，孫鵬飛介紹說，整個系統的構成可以分為三大模塊、四大類機器人。三大模塊分別是自然語言處理模塊、對話管理模塊、自然語言生成模塊。四大類機器人包括QA-Bot問答機器人、Task-Bot任務對話機器人、Chitchat-Bot閑聊機器人、Rec-Bot推薦機器人。

不同模塊在不同機器人上的應用是不同的。例如，在聊天型機器人中，自然語言理解主要負責一些情感及意圖的識別。而到任務型機器人，則主要是負責一些意圖分類以及語義槽填充。對話管理模塊，在問答型機器人上主要是做文本的檢索以及知識庫的匹配。而到了推薦型機器人，主要是做用戶興趣的匹配以及推薦內容的排序。自然語言生成模塊，在聊天型機器人上主要是進行開放領域的聊天回復，而到了任務型機器人，主要是確認、澄清、完成一些相應的動作。

最后，孫鵬飛認為，未來主要有意圖邊界劃分、數據標注、語料質量優化、對話質量評估、探索端到端任務型對話系統等五大挑戰，并且挑戰只多不少。

以上內容是51CTO記者根據WOT2018全球人工智能技術峰會的《人機智能》分論壇演講內容整理，更多關于WOT的內容請關注51cto.com。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】