CN110138982B - 基于人工智能的服务实现 - Google Patents
基于人工智能的服务实现 Download PDFInfo
- Publication number
- CN110138982B CN110138982B CN201811641829.4A CN201811641829A CN110138982B CN 110138982 B CN110138982 B CN 110138982B CN 201811641829 A CN201811641829 A CN 201811641829A CN 110138982 B CN110138982 B CN 110138982B
- Authority
- CN
- China
- Prior art keywords
- user
- intent
- voice call
- users
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 82
- 108091006146 Channels Proteins 0.000 claims description 52
- 230000003993 interaction Effects 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 14
- 238000012797 qualification Methods 0.000 description 14
- 238000013461 design Methods 0.000 description 12
- 238000013499 data model Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
- H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals
- H04M3/4936—Speech interaction details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5166—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing in combination with interactive voice response systems or voice portals, e.g. as front-ends
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/527—Centralised call answering arrangements not requiring operator intervention
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/58—Arrangements for transferring received calls from one subscriber to another; Arrangements affording interim conversations between either the calling or the called party and a third party
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L2015/088—Word spotting
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
- H04M2201/18—Comparators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
- H04M2201/41—Electronic components, circuits, software, systems or apparatus used in telephone systems using speaker recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2203/00—Aspects of automatic or semi-automatic exchanges
- H04M2203/20—Aspects of automatic or semi-automatic exchanges related to features of supplementary services
- H04M2203/2011—Service processing based on information specified by a party before or during a call, e.g. information, tone or routing selection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2203/00—Aspects of automatic or semi-automatic exchanges
- H04M2203/20—Aspects of automatic or semi-automatic exchanges related to features of supplementary services
- H04M2203/2038—Call context notifications
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Telephonic Communication Services (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请总体上涉及基于人工智能的服务实现。根据示例,关于基于人工智能的服务实现,语音呼叫可以被分析以生成语音数据。语音数据可以被转换成文本数据,文本数据可以被分析以标识关键字。基于对标识的关键字的分析,多个用户中的用户可以被标识。多个用户协助流中的与标识的用户的确定的意图对应的用户协助流可以被查明。语音呼叫可以被传送给变化数字助理,数字助理可以基于与确定的意图对应的用户协助流来向标识的用户提供基于人工智能的协助。
Description
技术领域
本申请总体上涉及基于人工智能的服务实现。
背景技术
在客户服务领域中,客户(以下称为用户)可以联系客户服务中心以寻求协助。例如,用户可以联系客户服务中心以寻求对由客户服务中心支持的产品的协助。在客户服务中心,用户可以被提示来从若干预设菜单选项选择,并且响应于对菜单选项的选择,用户可以被引导到其他菜单选项。预设菜单选项可以不包括用户解决查询(inquery)所需要的选项,在这种情况下,用户可以在被提示时最终选择与实时用户助理讨论该查询的选项。
发明内容
根据本公开的第一方面,提供了一种系统,包括:语音呼叫分析器,所述语音呼叫分析器由至少一个硬件处理器执行以接收语音呼叫,分析所述语音呼叫以生成语音数据,将所述语音数据转换成文本数据,分析所述文本数据以标识所述文本数据中的关键字,以及基于对标识的所述关键字的分析来标识多个用户中的用户;以及数字转换器,所述数字转换器由所述至少一个硬件处理器执行以查明多个用户协助流中的与标识的所述用户的确定的意图对应的用户协助流,以及使得所述语音呼叫被传送给由所述至少一个硬件处理器执行的数字助理,其中所述数字助理将基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供基于人工智能的协助。
根据本公开的第二方面,提供了一种计算机实现的方法,包括:基于对针对多个用户的多个属性的分析来生成针对多个用户协助流的分数,所述多个用户协助流针对所述多个用户中的每个用户;通过针对所述多个用户中的每个用户标识所述多个用户协助流中的与多个生成的所述分数中的最高分数对应的用户协助流,来确定针对所述多个用户中的每个用户的意图;接收语音呼叫;分析所述语音呼叫以生成语音数据;将所述语音数据转换成文本数据;分析所述文本数据以标识所述文本数据中的关键字;基于对标识的所述关键字的分析来标识所述多个用户中的用户;基于标识的所述用户的确定的意图来生成用以确定所述语音呼叫的目的是否匹配所述确定的意图的查询;基于所述语音呼叫的所述目的匹配所述确定的意图的确定,查明所述多个用户协助流中的与所述确定的意图对应的用户协助流;以及使得所述语音呼叫被传送给由至少一个硬件处理器执行的数字助理,以基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供基于人工智能的协助。
根据本公开的第三方面,提供了一种非暂时性计算机可读介质,所述非暂时性计算机可读介质具有被存储在其上的机器可读指令,所述机器可读指令当被执行时使,得至少一个硬件处理器:基于对针对多个用户的多个属性的分析来生成针对多个用户协助流的分数,所述多个用户协助流针对所述多个用户中的每个用户;通过针对所述多个用户中的每个用户标识所述多个用户协助流中的与多个生成的所述分数中的最高分数对应的用户协助流,来确定针对所述多个用户中的每个用户的意图;查明针对语音呼叫的语音数据;将所述语音数据转换成文本数据;分析所述文本数据以标识所述文本数据中的关键字;基于对标识的所述关键字的分析来标识所述多个用户中的用户;基于标识的所述用户的确定的意图来生成用以确定所述语音呼叫的目的是否匹配所述确定的意图的查询;基于所述语音呼叫的所述目的匹配所述确定的意图的确定,查明所述多个用户协助流中的与所述确定的意图对应的用户协助流,以及使得所述语音呼叫被传送给由所述至少一个硬件处理器执行的数字助理,以基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供基于人工智能的协助;以及基于所述语音呼叫的所述目的不匹配所述确定的意图的确定,生成用以查明所述用户的意图的进一步的查询,查明所述多个用户协助流中的与所述用户的查明的所述意图对应的另一用户协助流,以及使得所述语音呼叫被传送给由所述至少一个硬件处理器执行的所述数字助理,以基于与所述用户的查明的所述意图对应的所述另一用户协助流来向标识的所述用户提供基于人工智能的协助。
根据本公开的第四方面,提供了一种系统,包括:用户简档生成器,所述用户简档生成器由至少一个硬件处理器执行以查明针对多个用户的多个属性,基于对针对所述多个用户的所述多个属性的分析来生成针对多个用户协助流的分数,所述多个用户协助流针对所述多个用户中的每个用户,以及通过针对所述多个用户中的每个用户标识所述多个用户协助流中的与多个生成的所述分数中的最高分数对应的用户协助流,来确定针对所述多个用户中的每个用户的意图。
附图说明
本公开的特征以在以下附图中示出的示例的方式被图示。在以下附图中,相同的标记指示相同的元件,其中
图1图示了根据本公开的示例的基于人工智能的服务实现系统的架构;
图2图示了根据本公开的示例的、图1的基于人工智能的服务实现系统的架构的进一步细节;
图3图示了根据本公开的示例的、图1的基于人工智能的服务实现系统的架构的进一步细节;
图4图示了根据本公开的示例的、图1的基于人工智能的服务实现系统的操作的示例;
图5图示了根据本公开的示例的、图1的基于人工智能的服务实现系统的架构的进一步细节;
图6图示了根据本公开的示例的、用来图示图1的基于人工智能的服务实现系统的操作的属性转动的示例;
图7图示了根据本公开的示例的、用来图示图1的基于人工智能的服务实现系统的操作的多项逻辑回归结果的示例;
图8图示了根据本公开的示例的、用于基于人工智能的服务实现的框图;
图9图示了根据本公开的示例的、用于基于人工智能的服务实现的方法的流程图;以及
图10图示了根据本公开的示例的、用于基于人工智能的服务实现的另外的框图。
具体实施方式
为了简化和说明的目的,本公开主要参考它的示例而被描述。在以下描述中,多个具体细节被阐述以便提供对本公开的彻底理解。然而,将容易地清楚的是,本公开可以在不受限于这些具体细节的情况下被实践。在其他实例中,一些方法和结构未被详细描述以免不必要的模糊本公开。
贯穿本公开中,术语“一”和“一个”旨在表示特定元素中的至少一个。如本文所用的,术语“包括”意味着包括但不限于,术语“包含”意味着包含但不限于。术语“基于”意味着至少部分基于。
在本文中公开了基于人工智能的服务实现系统,用于基于人工智能的服务实现的方法以及用于基于人工智能的服务实现的、具有被存储在其上的机器可读指令的非暂时性计算机可读介质。本文公开的系统、方法和非暂时性计算机可读介质提供对呼叫(诸如从用户到客户服务中心的语音呼叫)的意图的预测,并且响应于对呼叫的意图的确认向用户提供基于人工智能的数字体验的实现。
关于如本文公开的客户服务,用户可以联系客户服务中心以寻求协助。例如,用户可以联系客户服务中心以寻求对由客户服务中心支持的产品的协助。产品的示例包括由客户服务中心支持的智能电话,或通常的任何设备或服务。在客户服务中心,用户可以被提示来从若个预设菜单选项选择,并且响应于对菜单选项的选择,用户可以被引导到其他菜单选项。预设菜单选项的示例包括支付与智能电话相关的账单的选项,将服务添加到智能电话的选项等。预设菜单选项可以不包括用户解决查询所需要的选项,在这种情况中,用户可以在被提示时最终选择与实时用户助理讨论该查询的选项。例如,预设菜单选项可以不包括检查智能电话的国际漫游状态的选项。在这方面,在用户发起与客户服务中心的会话的时间与用户被连接到实时用户助理的时间之间可能经过了若干分钟。在此期间,若干其他用户可能已经发起了到客户服务中心的这样的呼叫,因此导致关于被拨打到、和由客户服务中心处理的呼叫的相对高的网络流量和带宽消耗。该相对高的网络流量和带宽消耗可能导致呼叫掉线,这可能会增加对成功地应答多个呼叫、通过减少不必要带宽的利用来维持足够的带宽等能力的技术挑战。
为了至少解决关于应答多个呼叫、维持足够带宽等的前述技术挑战,本文公开的系统、方法和非暂时性计算机可读介质通过预测从用户到客户服务中心的呼叫的意图以及响应于对呼叫的意图的确认将基于人工智能的数字体验实现给用户,来提供处理呼叫(诸如语音呼叫)所需要的时间的减少。在这方面,对来自用户的呼叫的意图的预测以及将基于人工智能的数字体验实现给用户可以减少和/或虚拟地消除用户花费的时间,例如,遍历预设菜单选项。因此,代替必须遍历预设菜单选项,用户可以利用关于主题而与实时用户助理谈论的意图来呼入到客户服务中心。本文公开的系统、方法和非暂时性计算机可读介质可以预测用户呼叫的原因。即,特定于用户以及被用于预测用户的意图的针对用户的简档,本文公开的系统、方法以及非暂时性计算机可读介质可以向用户提供模仿实时用户助理的数字体验。
例如,针对本文公开的系统、方法和非暂时性计算机可读介质,用户可以进行可以被引导到语音呼叫分析器的语音呼叫。在用户可以执行或以其他方式调用关于语音呼叫分析器的操作之前,本文公开的系统、方法和非暂时性计算机可读介质可以分析用户先前关于语音呼叫分析器已经完成的事项,并且基于关于该用户其他属性的进一步知识,本文公开的系统、方法和非暂时性计算机可读介质可以预测用户的意图以提供模仿实时用户助理的数字体验。针对智能电话的示例,本文公开的系统、方法和非暂时性计算机可读介质可以预测用户针对检查智能电话的国际漫游状态的意图。
用户的意图可以基于对针对多个用户的多个属性的分析而被确定。例如,属性可以包括与多个用户相关联的人口统计,与多个用户相关联的信道交互数据,其中信道交互数据可以标识多个用户与关联于具体产品等的网站的交互的模式
本文公开的系统、方法和非暂时性计算机可读介质可以进一步实现与用户的基于自助人工智能的会话。例如,用户可以在智能电话、个人计算机、虚拟显示器设备和其他这样的设备上体验基于自助服务人工智能的会话。在这方面,本文公开的系统、方法和非暂时性计算机可读介质可以将由用户进行的到客户服务中心的语音呼叫高效地移向由本文公开的系统、方法和非暂时性计算机可读介质实现的基于人工智能的解决方案。
根据示例,由用户进行的语音呼叫可以被进行以执行与客户服务中心的事务。备选地或附加地,由用户进行的语音呼叫可以被进行以与实时用户助理进行会话。在这方面,本文公开的系统、方法和非暂时性计算机可读介质可以包括如本文公开的分析以执行与用户的这样的事务和/或会话。
又进一步的,本文公开的系统、方法和非暂时性计算机可读介质可以确定适当的通信信道以对用户做出响应。例如,通信信道可以是向用户说明问题的聊天功能,或者通信信道可以是向用户提供信息的新配置的web门户,或者通信信道可以是向用户提供信息的现有的web门户。
在一些示例中,基于人工智能的服务实现系统的元素可以是被存储在非暂时性计算机可读介质上的机器可读指令。在这方面,基于人工智能的服务实现系统可以包括或者可以是非暂时性计算机可读介质。在一些示例中,基于人工智能的服务实现系统的元素可以是硬件或机器可读指令与硬件的组合。
图1图示了根据本公开的示例的基于人工智能的服务实现系统100(以下称为“系统100”)的架构。
参考图1,系统100可以包括用户简档生成器102,用户简档生成器102由至少一个硬件处理器(例如,图8的硬件处理器802和/或图10的硬件处理器1004)执行以查明针对多个用户106的多个属性104。多个属性104可以被分析以生成针对多个用户106中的每个用户的用户简档。根据示例,属性104可以包括与多个用户106相关联的人口统计、与多个用户相关联的信道交互数据,其中信道交互数据可以标识多个用户106与关联于指定产品等的网站的交互的模式。例如,人口统计可以包括与多个用户106相关联的年龄、位置、性别等。此外,信道交互数据可以包括访问的不同的网站以及由多个用户106执行的针对诸如智能电话的产品的搜索。相应地,针对用户的用户简档可以包括年龄30、性别男,包括浏览XYZ公司网站来寻求针对智能电话的升级资格的信道交互数据等。
用户简档生成器102可以基于对针对多个用户106的多个属性104(即,被包括在用户简档中)的分析来生成针对多个用户协助流108的分数,多个用户协助流108针对多个用户106中的每个用户。例如,假设用户协助流包括对20个属性的分析,则20个属性可以取决于它们被满足的程度而被评定为1-100。此后,平均分数可以针对所有属性而被确定,以确定针对用户协助流的分数。备选地,针对用户协助流的分数可以表示基于被应用到不同属性的权重而被确定的权重分数。例如,属性可以基于它们重要性而被加权。例如,与关于年龄等的属性相比,关于位置的属性可以包括为2的权重(例如,两倍)。因此,根据示例,分数可以包括针对多个用户协助流108的1-100的分数,多个用户协助流108针对多个用户106中的每个用户。此外,用户协助流可以被描述为被执行来解决用户的查询以执行交易或通常地执行否则可以由协助用户的用户助理执行的一个或多个任务的逻辑步骤的集合。
用户简档生成器102可以通过针对多个用户106中的每个用户标识多个用户协助流108中的与多个生成的分数中的最高分数对应的用户协助流,来确定针对多个用户106中的每个用户的意图110。例如,如本文公开的,针对多个用户中的第一用户,意图110可以基于来自多个用户协助流的“升级资格查询”用户协助流的标识而被确定,多个用户协助流包括“更新资格查询”用户协助流、“改变移动电话网络”用户协助流、“设备支付”用户协助流、“路由”用户协助流、“定制体验”用户协助流等。针对多个用户中的另一用户,意图110可以基于“改变移动电话网络”用户协助流的标识而被确定。类似地,意图110可以针对多个用户106中的每个用户而被确定。
由至少一个硬件处理器(例如,图8的硬件处理器802和/或图10的硬件处理器1004)执行的语音呼叫分析器112可以接收语音呼叫114。语音呼叫分析器112可以实现例如交互时语音响应(IVR)功能以分析语音呼叫114以生成语音数据,并且将语音数据转换成文本数据。在这方面,语音呼叫分析器112可以利用语音到文本转换来生成语音数据,以及将语音数据转换成文本数据。此外,语音呼叫分析器112可以分析文本数据以标识文本数据中的关键字,并且基于对标识的关键字的分析来标识多个用户106中的用户116,其中用户116与语音呼叫114相关联。例如,关键字可以包括用户116的名称、用户116的地址、与用户116相关联的密码、与用户116相关联的账号等。
关于交互式语音响应功能,这一功能可以允许用户116经由电话小键盘或通过语音识别来与语音呼叫分析器112交互。此后,交互式语音响应对话可以被用户116利用以经由语音呼叫分析器112来关于由系统100支持的服务来进行查询,并且可以对如本文公开的各种查询做出响应。
由至少一个硬件处理器(例如,图8的硬件处理器802和/或图10的硬件处理器1004)执行的数字转换器118可以基于标识的用户116的确定的意图110来生成用以确定语音呼叫114的目的是否匹配确定的意图110的查询。例如,查询可以指示“您是否正在呼叫来关于升级您电话的资格进行查询?”(例如,关于“升级资格查询”用户协助流)。
基于语音呼叫114的目的匹配确定的意图110(例如,关于“升级资格查询”用户协助流,用户正在关于升级他们的电话的资格而呼叫)的确定,数字转换器118可以查明多个用户协助流108中的与确定的意图110对应的用户协助流(例如,“升级资格查询”用户协助流)。此外,数字转换器118可以使得语音呼叫被传送给数字助理120,数字助理120由至少一个硬件处理器(例如,图8的硬件处理器802和/或图10的硬件处理器1004)执行以例如执行与确定的意图110对应的用户协助流。
根据示例,数字转换器118可以生成用以确定是否将语音呼叫114传送给实时用户助理122(例如,实时客户服务代表)或者传送给数字助理120的进一步的查询。
基于语音呼叫114将被传送给实时用户助理的确定,数字转换器118可以使得语音呼叫被传送给实时用户助理122。例如,如果用户116请求被传送给实时用户助理122,则数字转换器118可以使得语音呼叫被传送给实时用户助理122。
备选地,基于语音呼叫114将被传送给数字助理120的确定,数字转换器118可以使得语音呼叫114被传送给数字助理120。例如,如果用户116同意被传送给数字助理120,则数字转换器118可以使得语音呼叫114被传送给数字助理120。
数字助理120可以基于与确定的意图110对应的用户协助流来向标识的用户116提供基于人工智能的协助。例如,数字助理120可以基于与确定的意图110对应的“升级资格查询”用户协助流来向标识的用户116提供基于人工智能的协助。在这方面,数字助理120可以提供模仿实时用户助理122的数字体验。
根据示例,基于语音呼叫114的目的不匹配确定的意图110的确定,数字转换器118可以生成永以查明用户116的意图的进一步的查询。例如,进一步的查询可以指示“您是否正在呼叫以关于改变用于您的电话的移动电话网络进行查询?”(例如,关于“改变移动电话网络”用户协助流)。在这方面,数字转换器118可以查明多个用户协助流108中的与用户116的查明的意图对应的另一用户协助流(例如,“改变移动电话网络”用户协助流)。在这方面,另一用户协助流可以表示多个生成的分数中的针对用户116的第二高的分数。因此,用户116的意图可以通过向用户呈现进一步的查询(例如,三个查询)、至多为阈值数目(例如,四个)的最高分数而被查明。一旦用户116的意图被确认,数字助理120就可以基于与用户116的查明的意图对应的另一用户协助流,来向标识的用户116提供基于人工智能的协助。
根据示例,除了提供模仿实时用户助理122的数字体验之外,数字助理120还可以利用包括聊天功能的通信信道以基于与确定的意图110对应的用户协助流来向标识的用户116说明问题。例如,数字助理120可以利用聊天功能以例如通过向用户116提供文本和/或图形回答来与用户116通信。
根据示例,数字助理120可以利用包括新配置的web门户的通信信道以基于与确定的意图110对应的用户协助流来向标识的用户116提供信息。例如,数字助理120可以利用包括新配置的直接网络链路的新配置的web门户来允许用户116获得协助。在这方面,用户116可以由数字助理120提示以授权和创建直接网络链路,以允许用户116获得协助。例如,新配置的web门户可以被利用以控制智能电话的用以协助用户116的功能。
根据示例,数字助理120可以利用包括现有web门户的通信信道以基于与确定的意图110对应的用户协助流来向标识的用户116提供信息。例如,数字助理120可以利用包括现有的直接网络链路的现有的web门户,以允许用户116获得协助。在这方面,用户116可以由数字助理120提示以授权对现有的直接网络链路的使用,以允许用户116获得协助。例如,现有的web门户可以被利用以控制智能电话的用以协助用户116的功能。
由至少一个硬件处理器(例如,图8的硬件处理器802和/或图10的硬件处理器1004)执行的升级分析器124可以针对用户协助流来查明用户协助流的错误流成分。例如,假设“升级资格查询”用户协助流包括用以指导用户116首先标识他们的设备,第二标识他们的当前服务提供商,第三标识他们的合同类型的逻辑流成分,但是包括关于他们的升级资格是否受限于同一品牌的设备的错误,升级分析器124可以针对用户协助流来查明关于对相同品牌的设备的升级资格的限制的错误流成分。例如,用户116可以指示“为什么我的资格限于相同品牌的设备?”以提示升级分析器124来查明关于错误流成分的错误。在这方面,升级分析器124可以针对知识工程师126来生成用以解决关于用户协助流的错误流成分的错误的查询。例如,升级分析器124可以针对知识工程师126来生成指示用以解决关于用户协助流的错误流成分的错误的“升级资格是否应当受限于相同品牌的设备?”的查询。
升级分析器124可以从知识工程师126查明对用以解决关于用户协助流的错误流成分的错误的查询的响应。例如,知识工程师126可以确认升级资格并非受限于相同品牌的设备。
此外,升级分析器124可以基于对用以解决错误的查询的响应来修改用户协助流。在这方面,升级分析器124可以基于对用以解决错误的查询的响应来修改该用户协助流以包括提示用户116将满足用户升级资格的各种设备品牌的流成分。
图2图示了根据本公开的示例的系统100的架构的进一步的细节。
参考图1和图2,如本文公开的,用户简档生成器102可以查明针对多个用户106的多个属性104。多个属性104可以被分析以生成针对多个用户106中的每个用户的用户简档。根据示例,属性104可以包括用户人口统计、用户行为、跨多个信道的触摸点等。这些属性(即,基于属性的用户简档)可以被用于基于最新的用户简档来确定用户呼叫用户服务中心的时间,用户正在呼叫的原因。在这方面,属性104可以被用于预测用户116的关于用户为何正在呼叫用户服务中心的意图110。例如,用户116可以在呼叫用户服务中心之前过去的一个半小时内已经在线。当在线时,用户116可能已经浏览了到海外目的地的国际旅游通行证以确定他们的智能电话是否将在海外目的地工作。用户116然后可以呼入用户服务中心。在这方面,用户简档生成器102可以基于包括关于浏览国际旅游通行证的用户的动作的用户简档来预测用户116已经呼叫以关于他们的智能电话在海外目的地的使用进行查询。在这方面,用户可以被提示(例如,由数字转换器118)有关于用户116是否正在关于智能电话在海外目的地的使用而呼叫的查询。基于用户116的肯定响应,用户116可以被提示(例如,由数字助理120)有与在海外目的地的智能电话使用有关的其他查询,以引导用户获得指向在海外目的地的智能电话使用的服务。此外,该查询可以与由用户正在使用的具体智能电话和智能电话服务提供商的属性相关。
根据另一示例,假设针对用户116的最近账单高于针对用户116的平均账单,则用户简档生成器102可以基于包括平均账单量的用户简档来预测用户116经已呼叫以关于更高的账单进行查询。在这方面,用户116可以被提示(例如,由数字转换器118)有关于用户是否正在关于他们的最近的账单而呼叫的查询。基于用户116的肯定响应,用户116可以被提示(例如,由数字助理120)有与账单有关的用以将用户116导向关于他们的最近账单的任何查询的解决方案的其他查询。
参考图1和图2,如本文公开的、基于语音呼叫114的目的匹配确定的意图110的确定,数字转换器118可以查明多个用户协助流108中的与确定的意图110对应的用户协助流。此外,数字转换器118可以使得语音呼叫被传送给数字助理120,以例如执行与确定的意图110对应的用户协助流。在这方面,数字转换器118可以将语音呼叫114高效地移动到手机(例如,正由用户116利用的智能电话、计算设备等)中。例如,如果用户116选择绕过用户助理122,则数字转换器118可以将语音呼叫114移动到数字助理120中。
在数字助理120,正由用户116利用的设备(例如,智能电话、计算机等)的能力可以被利用以经由语音、图形、文本等提供用户信息。语音呼叫114向手机中的移动可以向用户116提供类似于与用户助理122的用户交互的模拟体验。因此,关于数字助理120的人工智能可以操作为用户助理122以回答用户116可能具有的任何问题,以按照需要来执行事务等。
参考图1和图2,升级分析器124可以针对用户协助流来查明用户协助流中的错误流成分。在这方面,升级分析器124可以针对知识工程师126来生成用以解决关于用户协助流中的错误流成分的错误的查询。随着时间,如果存在并非由数字助理120可解决的、与语音呼叫114有关的任何问题,则这样的语音呼叫114(或者与语音呼叫114有关的问题)可以被导向到代理协助聊天200,其中服务代理(例如,用户助理122)可以协助用户116。备选地或附加地,这样的语音呼叫114可以被导向到知识工程师126以协助用户116和/或解决与用户协助流的流组件相关的错误。在这方面,由知识工程师126生成的响应可以由训练工具202利用以训练用于这样的问题的数字助理120,这些问题与未来的语音呼叫相关。训练工具202可以由升级分析器124提示以针对图2的示例当语音呼叫114被导向知识工程师126时,可以被设置在数字助理120与训练工具202之间。
参考图1和图2,在204,除了提供模仿实时用户助理122的数字体验之外,数字助理120还可以利用包括聊天功能的通信信道以基于与确定的意图110对应的用户协助流来向标识的用户116说明问题。例如,数字助理120可以利用聊天功能以例如通过向用户116提供文本和/或图形回答来与用户116通信。
此外,在206,数字助理120可以利用包括新配置的web门户(或者现有的web门户)的通信信道,以基于与确定的意图110对应的用户协助流来向标识的用户116提供信息。例如,数字助理120可以利用包括新配置的直接网络链路的新配置的web门户以允许用户116获得协助。备选地或附加地,数字助理120可以利用包括现有的直接网络链路的现有的web门户,以允许用户116获得协助。
图3图示了根据本公开的示例的系统100的架构的进一步的细节。
参考图1和图3,如本文公开的,用户简档生成器102可以查明针对多个用户106的多个属性104。用户简档生成器102可以基于对针对多个用户106的多个属性104(即,被包括在用户简档中)的分析,来生成针对多个用户协助流108的分数,多个用户协助流108针对多个用户106中的每个用户。用户简档生成器102可以通过针对多个用户106中的每个用户标识多个用户协助流108中的、与多个生成的分数中的最高分数对应的用户协助流,来确定针对多个用户106中的每个用户的意图110。因此,用户简档生成器102可以分析属性(诸如人口统计、历史接触点以及实时信道交互数据)以标识模式。历史接触点属性可以包括用户可能先前在指定(以及最近的)时间段交互的任何位置,其中这些位置可以是物理的(例如,位置、建筑物等)或数字的(例如,网站、应用等)。对属性的分析可以被用于创建意图预测。此外,预测的意图可以被用于来利用特定于线等级的关键见解来驱动个性化。在这方面,针对可能是较大的组(例如,包括若干电话线的家庭)中的一部分的用户,预测的意图可以被用于来利用特定于用户116的线等级的关键见解来驱动个性化。
关于数字转换器118,如本文公开的,数字转换器118可以基于标识的用户116的确定的意图110来生成用以确定语音呼叫114的目的是否匹配确定的意图110的查询。基于语音呼叫114的目的匹配确定的意图110的确定,数字转换器118可以查明多个用户协助流108中的与确定的意图110对应的用户协助流。此外,数字转换器118可以使得语音呼叫被传送给数字助理120。在这方面,数字转换器118可以确定理想用户116,针对用户116的理想动作,以及将针对用户116的语音呼叫体验个性化。例如,理想用户116可以表示满足指定准则的用户。例如,可以存在可以适合用户针对其被排除的简档的用户群集(例如,使用陆线而不是智能电话的用户)。在这方面,用户可以在表示非理想用户的这一用户群集的外部。备选地,用户可以是使用智能电话的用户群集的一部分。在这方面,用户可以表示理想用户。根据另一示例,数字转换器118可以通过确定针对用户116的意图110来确定针对用户116的理想动作。此外,数字转换器118可以通过标识多个用户协助流108中的与确定的意图110对应的用户协助流来将针对用户116的语音呼叫体验个性化。进一步的,数字转换器118可以利用数字倾向模型、聊天成功和脱离(fallout)来细化谁是最优用户。关于数字倾向模型,这些模型可以被用于确定用户116是否是被数字地支持的。例如,用户116可以包括登录并且可以已经在过去六个月内连接到服务,而用户的亲人可能并没有登录。因此,用户116更可能是数字地支持的用户。聊天成功可以表示用户166已经成功地参与聊会会话的确定。此外,脱离可以表示用户116已经呈现了尚未被解决的问题的确定。数字转换器118因此可以表示基于规则的引擎,该引擎被构建为基于高级客户参与的使用/采纳而灵活。在这方面,用户对系统100的使用程度可以与被提供给用户116的服务类型直接相关。
关于升级分析器124,如本文公开的,升级分析器124可以针对用户协助流来查明用户协助流的错误流成分。在这方面,升级分析器124可以针对知识工程师126来生成用以解决关于用户协助流的错误流成分的错误的查询。升级分析器124可以从知识工程师126查明对用以解决关于用户协助流的错误流成分的错误的查询的响应。此外,升级分析器124可以基于对用以解决错误的查询的响应来修改用户协助流。因此,升级分析器124可以利用知识工程师126来标识用以提升自动化和用户满意度的间隙。升级分析器124可以增强由数字助理120利用的人工智能代码,以及基于脱离模式来升级人工智能。例如,升级分析器124可以确定用户何时被传送给知识工程师,并且因此提供对改善数字助理120的建议以修改关于如何协助用户116的人工智能。例如,假设用户116请求青色的智能电话,如果青色智能电话不可用,则不可以提供智能电话。在这方面,人工智能可以被修改以确定当用户请求青色智能电话时,可以向用户提供可比较的蓝色智能电话,其中青色可以被确定为蓝色的同义词。
参考图3,OMNI信道分析服务平台300可以集成跨不同信道(例如,物理、数字、人等)的所有用户交互。例如,与零售、网站、呼叫中心、移动应用等相关的所有信道可以被连接并且被集成在单个平台中以用于分析。
图4图示了根据本公开的示例的系统100的操作的示例。
参考图1和图4,在400,假设用户116的名称是已知的,或者语音呼叫分析器112确定了用户116的名称,数字转换器118可以通过用户的名称来问候用户116。在这方面,数字转换器118可以指导用户116来选择他们的意图。例如,数字转换器118可以查询“您是否正在呼叫以改变您的移动电话网络?”。这一查询可以基于对意图预测的高置信度。例如,如果关于用户116上已知相对较少的信息,则已知信息的量可以被用于确定关于意图预测的置信度。例如,如果针对用户116的仅x%的属性包括已知答案,则关于意图预测的置信度可以直接地对应于x%的已知答案属性。备选地,关于意图预测的置信度还可以包括被指定给关于属性的不正确或正确答案的负权重和正权重。如果用户116指示其并非正在呼叫以改变他们的移动电话网络,或者如果关于意图预测的置信度为低(例如,低于70%的指定的置信度阈值),则数字转换器118可以查询“为了协助您,请说出您当前呼叫的原因…<暂停>例如,您可以说‘改变我的号码’”。
如本文公开的,一旦语音呼叫114被传送给数字助理120,数字助理120就可以利用行为信息和账户信息来简化与用户116的交互。例如,数字助理120可以如402处所示地生成关于账户的多条线的显示。进一步的,在404,数字助理120可以生成最近账单地址改变的显示。
数字助理120还可以考虑未来的个性化考虑,诸如与服务提供商的周年纪念、奖励状态等。在这方面,未来的个性化考虑可以被用于将数字助理120与用户116之间的交互个性化。
图5图示了根据本公开的示例的系统100的架构的进一步细节。
参考图3和图5,图5包括与图3类似的布局,除了图5包括关于数字助理120与用户116的交互的个性化的进一步细节。在这方面,在500,用户简档生成器102可以生成关于多个用户106的分析模型。分析模型可以通过以下各项而被生成:查明属性104、净化属性104以移除例如异常,将与属性104相关的数据变换成工作数据以及应用使用预测模型模型的智能。在这方面,决策树、逻辑回归、聚类以及动态仿真也可以被执行以生成分析模型。此外,用户简档生成器102可以关于分析模型来执行持续评分。
在502,语音呼叫分析器112可以利用置信度来预测用户意图。例如,语音呼叫分析器112可以根据包括针对用户116的信息的属性的总数来将关于用户意图的预测的置信度值确定为属性的数目的函数。
在504,数字转换器118可以确定资格,例如,关于用户是否数字地有接收关于数字助理120的服务的资格。进一步的,数字转换器118可以例如基于用户的资格以及接受服务的倾向来提供针对意图的数字助理120的服务。
在506,移动web浏览器聊天和移动应用可以将关于用户116的短消息服务(SMS)文本消息个性化。
在508,数字助理120可以将与用户116的聊天的内容个性化。例如,数字助理120可以使用已知的人口统计信息(例如,名称)以及情况数据(例如,用户历史)来使体验更个性化。例如,诸如订单的最近生成、用户最近是否在店中或在线的方面可以被查明以使体验更个性化。
再次参考图1,系统100的分析框架被进一步详细描述。
关于分析框架,分析区域可以聚焦于改善针对意图的用户体验。在这方面,分析框架可以包括人工智能设计分析、个性化分析、数字转换器分析、操作分析、一致的数据模型以及应用编程接口(API)层。人工智能设计分析可以表示现有的信道交互中的潜在脱离的区域。潜在脱离的示例可以包括当用户尝试支付账单并且该支付并未被适当地处理时(通过用户过错或现有的技术)。个性化分析可以表示可以被用作用于语音呼叫分析器112和数字助理120中的个性化的输入的客户行为和交互。数字转换器分析可以表示用户选择进入并且成功利用数字助理120的可能性以及确定数字助理120是否应当被提供的因素。在这方面,如果用户具有相对大的数字足迹,或者以高频率使用数字信道,则该用户可以被视为很可能被提供关于数字助理120的服务的用户。操作分析可以表示对人工智能交互以及改善的区域的结果的测量。一致的数据模型可以表示来自会话分析记录的OMNI交互分析记录和模式。在这方面,一致的数据模型可以对用户的旅程建模,诸如用于故障排除的零售访问或者用于购买的在线访问。所有用户体验的收集可以使见解能被开发以增加用户满意度。应用编程接口(API)层可以包括具有用以馈送分析输出的系统的接口。
关于可以包括智能设计分析、个性化分析、数字转换器分析、操作分析以及一致的数据模型的分析框架和分析区域,这些区域可以对应于语音呼叫分析器112、数字转换器118决策、人工智能聊天以及如下的知识工程师126。
具体地,人工智能设计分析可以对应于用以通过分析当前脱离行为来改善会话设计的人工智能聊天。
个性化分析可以对应于用于找到关键分段(关于引导意图的呼叫关心的)并且使用见解来将语音呼叫分析器112接触点个性化的语音呼叫分析器112。在这方面,基于了解关于用户的旅程的信息,关于用户的信息的被个性化,或者关于用户在其旅程中的位置的信息可以被个性化。例如,如果用户最近尝试在线激活智能电话并且在步骤#2失败了,则针对这一用户的体验可以被个性化以具体地排除步骤#2的故障。针对个性化分析,数字转换器118决策可以包括从可以影响数字助理120是否被提供的个性化分析学习。针对个性化分析,关于人工智能聊天,导致意图呼叫的动作的知识可以在个性化的数字助理问候中被使用。关于意图呼叫,意图呼叫可以表示用户的查询的原因或缘由。例如,正在呼叫的用户的“意图”可以是讨论他们的账单。进一步的,针对个性化分析,知识工程师可以在针对关于用户行为的附加背景的聊天期间查明关于用户116的个性化发现。
关于数字转换器118分析,数字转换器决策可以通过数字倾向、对数字信道的成功的评估以及其他规则的组合来决定用户116是否应当被提供数字助理120。在这方面,数字转换器118可以检查用户的数字倾向(例如,用户有多么可能是数字的、用户是否具有数字账户、用户是否最近使用过数字助理120、用户是否从未使用过数字助理120)以及关于用户已知的信息(例如,用户是否具有智能电话、用户当前是否正在使用智能电话)以及是否将用户用于呼叫的意图/原因编程到数字助理120中以便确定是否使用数字助理120。
操作分析可以对应于用于监测个性化分析的有效性以及细化个性化分析的语音呼叫分析器112。针对操作分析,数字转换器118决策可以包括对数字转换器分析的有效性的监测以及细化数字转换器分析。针对操作分析,关于人工智能聊天,关键性能指标可以被用于评估人工智能性能。关于关键性能指标,关键性能指标(诸如自动化百分比(%)、在电话呼叫上采用数字助理120的用户百分比(%)、利用数字助理120而被成功地认证的用户百分比(%)等)可以被用于评估人工智能性能。进一步的,针对操作分析,知识工程师可以标识人工智能中正在发生的脱离的位置、可能的根本缘由,并且利用操作报告来改善人工智能聊天体验。
一致的数据模型可以对应于用于使用交互行为和会话模式来将语音呼叫分析器112体验个性化的语音呼叫分析器112。针对一致的数据模型,数字转换器118决策可以利用客户会话属性来指示是否提供数字助理120。在这方面,诸如用户可能已经对语音呼叫分析器122说的、作为他们针对呼叫原因的内容以及与数字助理120的类似会话是否已经成功的会话属性都可以归因于确定是否提供数字助理120。针对一致的数据模型,关于人工智能聊天,交互和会话模式可以导致人工智能中的个性化的聊天。进一步的,针对一致的数据模型,知识工程师可以使用一致的数据模型来检查从人工智能的脱离。
关于用于数字助理120的人工智能设计,在系统100的启动之前,关于信道中哪里针对引导意图发生横向(traversal)脱离、以及脱离为何发生在标识的区域的检查可以被做出。在这方面,用户106的群体可以被分段以确定哪个用户正在脱离自助服务信道。在这方面,在系统100的启动之前,支持可以被提供以用于附加的分析以改善机器人会话。如上文公开的检查和分段的结果可以被提供以用于过往的旅程检查以确定针对引导意图的当前信道脱离的根本原因,发现行为模式以及标识由用户116在交互期间体验到的痛点,以通知用户体验和人工智能会话的设计,以及用以打磨分段的分类和聚类。关于分类和聚类,诸如数字地了解的用户或者相对繁忙并且不想要具有很长会话的用户的用户分段,可以是将很可能是针对数字助理120的候选者的分段的示例。诸如低于某些年龄的儿童群体可以是被排除用于数字助理120的分段。
关于人工智能设计分析输入,旅程中哪里发生脱离的检查可以被做出,其可以具有与脱离倾向模型类似的因素。在这方面,如果在特定区域存在相对大量的脱离或者用户在数字助理120中的某些点“失败”,则该会话/讨论元素可以在将来被排除。
关于本文公开的个性化分析,这可以包括正在驱动实时信道交互的用户的组件和意图分段上打磨。用于某些意图和用户分段的强驱动器可以被用于语音呼叫分析器112中的个性化。关于强驱动器,强驱动器可以表示可以被分析的呼叫类型或者可以被分析的、驱动不成比例的大量呼叫的意图,并且这些可以表示可以通过数字助理120而被建立和仿真的交互的类型。关于用于个性化分析的前述方面的结果可以包括针对呼入关心的驱动器的预测,语音呼叫分析器112中的微段个性化、针对数字助理120的个性化以及可以影响知识工程师和解决方案的提供的发现。
关于个性化分析,与被用于确定针对多个用户106的意图的属性有关的输入可以包括线级智能、简档属性、事件历史以及分段。在这方面,如本文公开的,针对包括“升级资格查询”用户协助流、“改变移动电话网络”用户协助流、“设备支付”用户协助流、“路由”用户协助流、“定制体验”用户协助流的多个用户协助流的示例,这些用户协助流中的每个用户协助流可以包括不同的相关联的属性。
例如,“升级资格查询”用户协助流可以包括升级的频率、任期、账户升级新近度、社交影响力、升级的设备、升级的优选通道、品牌忠诚度、新设备版本、合同结束日期/剩余支付/余额、合同类型(两年计划/补贴、设备支付计划等)、通过数字通道浏览设备、信道交互的频率、升级的可能性、排除相关接触点故障等的属性。
关于“改变移动电话网络”用户协助流,相关联的属性可以包括地理位置的改变、可期望的区域代码、关于移动电话网络改变的先前呼叫、接近存储、先前改变的移动电话网络、骚扰报告、被阻止的呼叫/消息、块#请求、年龄等。
关于“设备支付”用户协助流,相关联的属性可以包括与升级资格的重叠、多线账户、流失倾向、升级的可能性等。
关于“路由”用户协助流,相关联的属性可以包括流失倾向、通道中的某些产品的加售/交叉销售的可能性等。
关于“定制体验”用户协助流,相关联的属性可以包括数字了解性、大学教育、城市比对郊区、单身/已婚、有孩/无孩、通过信道的交互长度、交易率比对信息接触点等。
相应地,关于意图的确定,针对不同的用户体验,与不同人口统计有关的属性以及情况数据可以被分析。这种数据然后可以被分析以确定数据是否存在于用户简档中,数据在重要性中扮演多少角色,并且这些方面可以被用于确定分数。例如,关于“升级资格查询”用户协助流,针对包括例如升级频率、用户任期、社交影响、升级设备(用户具有的是什么类型的设备)等的所有不同属性,这些属性可以被用于生成分数。例如,分数可以针对多个用户协助流中的每个用户协助流而被生成。例如,针对“升级资格查询”用户协助流,分数可以指示用户当前正关于升级资格而呼叫有95%的可能性。备选地,针对“改变移动电话网络”用户协助流,分数可以指示用户当前正关于改变移动电话网络而呼叫有70%的可能性。在这方面,不同的属性可以被分析以确定哪个用户协助流最可能对应于用户116的意图。因此,基于针对升级资格查询用户协助流的95%的得分,用户可以被提供关于升级资格的协助。即,数字转换器118可以将呼叫114导向数字助理120,以提供关于升级资格的用户116协助。
关于评分,针对用户协助流的每个属性可以被分配分数。例如,针对升级资格查询用户协助流,诸如升级频率、任期、账户升级新近度等的每个属性可以被指定分数。例如,针对更新频率,关于用户116在指定持续时间(例如,2年)内升级频率的、在0-100之间的分数可以被分配。类似地,针对任期,关于用户116在关联于经受查询产品的特定公司已经有多长时间的、在0-100之间的分数可以被分配。以此方式,与针对每个用户协助流的所有属性相关的分数可以被确定,并且然后被平均以生成针对用户协助流的最终分数。
关于数字转换器118,关于数字转换器118的分析可以基于对将要接受与机器人聊天的用户116的数字了解性的分析,对针对数字助理120应用现有的信道倾向模型的分析,对开发现有的机器人引导结果来找到很可能被包含在人工智能中的用户和意图分段的分析,以及对规则分层(诸如,用户的长期价值、流失、销售可能性、重复呼叫者)的分析。所有这些因素可以被包括在数据模型中,并且例如,如果存在流失机会,则数字助理120可以不被提供,并且作为替代,呼叫可以被发送给用户助理122。然而,针对之前与数字助理120具有良好体验的重复呼叫者,该用户可以被优先考虑数字助理体验。进一步的,这些方面的结果可以包括用来确定用于人工智能工具的信道倾向、关于在人工智能内包含成功的可能性的预测、具有低脱离风险的客户行为分段以及数字转换剧本(playbook)(例如,与分析被结合以确定何时提供数字助理120的作为目标的规则引擎)的算法。
关于数字转换器分析,用于数字转换器118的输入可以包括线级智能、简档属性、事件历史以及分段。在这方面,针对选择进入数字助理120的倾向,输入可以包括信道偏好-频率和新进度、数字交互的复杂性、年龄、教育水平、职业、地理:乡村比对城市、技术中心、电子商务使用、数据使用、购买的设备(较新版本比对较老版本)、平板计算机、先前的聊天使用(y/n)、尝试转换出语音呼叫分析器而不尝试语音呼叫分析器(选择0-代理)、下载的电信应用(y/n)等。针对具有成功的数字助理交互的倾向,输入可以包括先前交互的复杂性、信道交互持续时间、长保持时间、成功前使用的聊天(y/n)、事务是否在聊天中、无关于相同意图的后续呼叫、无重复触摸点等。进一步的,针对用来确定数字助理120是否应当被提供的规则,输入可以包括重复呼叫者/未成功的数字助理交互、流失、LTV、用来支付交互的最近承诺、逾期的账单余额、乡村、低覆盖区域、年龄、低数据使用、安装的应用的数目等。
关于升级分析器124,操作分析可以包括如下方式,诸如用户116是否选择了引导意图?用户是否成功?<-KPI的操作仪表板以及设计的监测、数字转换器118和个性化分析、对数字助理交互内的脱离的分析、认为可以被馈入改善的会话设计的、针对人工智能中的脱离的原因,以及对目标的未来意图,以及根据每个(多个)用例对操作报告的时序的确定:实时、周仪表板等。这些方式的结果可以包括例如,设置用于知识工程师消耗的数据连接和可重复使用的报告,对数字转换器118的评估和个性化分析以及对发生的脱离作为用于重新训练人工智能引擎的输入的见解。
关于针对升级分析器124的一致的数据模型,方式可以包括交互以及按照需要对信道/变换元件的添加,交互包括对针对脱离分析中的可行性的接触点数据的探索。进一步的,方式可以包括会话,该会话包括跨数据科学以及操作团队的设计和收集需求,以及对自然语音处理技术的用以来解析会话以找到模式和属性探索。进一步的,用于这些方式的结果可以包括将用户跨信道交互和会话的历史接合在一起,输入到数字转换器用户提供中,以及关于从人工智能工具的脱离行为的分析的协助。
关于用于升级分析器124的应用编程输出层,方式可以包括对模型和发现可以跨OMNI信道空间而被利用的机会的标识。进一步的,用于这些方式的结果可以对与信息技术系统的连接的包括设计和部署,以及将模型输出和见解发送给其他信道,诸如用于在零售中使用。
可以被用于通过用户简档生成器102来确定意图的属性可以包括,例如n_ivr,表示并未去往用户助理122的语音呼叫分析器交互的数目;n_store,表示存储交互(直接和间接)的数目;n_chat,表示聊天交互的数目;channel_prior_post_base,表示紧接基础交互之前的交互的信道;n_alltps_prior,表示在交互之前的、跨所有信道的总触摸点;n_mvm_l_prior,表示旧式移动应用交互的数目;n_human_prior,表示在基础之前的总人类交互;n_caregen_prior,表示通常客户服务交互;n_carets_prior,表示技术服务交互(呼叫);n_telesales_prior,表示电话销售交互(呼叫);n_retail_prior,表示之前的直接零售交互;cluster_final,表示人口统计群集;line_tenure_dtl,表示用户线已经被激活了多久;bill_presentment,表示用户如何接收他们的账单;segmt_desc,表示年龄组;handset_tier,表示移动设备的类型;MVM driver,表示移动应用会话:账户维护、国际、商店以及升级;keyword search driver,表示在web上搜索单词:账户维护以及升级;call driver,表示先前的呼叫:账户维护以及升级;以及web driver,表示web会话:账户维护、仅主页、商店以及升级。
针对上文列出的属性,所有“n_”变量可以对交互计数,例如,在语音呼叫114之前的三天中。
由系统100利用的模型可以包括例如用以促进变量选择的逐步函数;用以通过意图来聚类以标识高于另一意图的、与一个意图更强相关的属性的K-Means聚类;以及用于变量选择并且标识最优模型的决策树。
图6图示了根据本公开的示例的、用来图示系统100的操作的属性转动的示例。
参考图6,关于用来将分类的输入数据属性变换成用于分析的各个计数的属性转动,在600处,用户数目和相关联的web驱动器被列出。在602处,不同的web驱动器和他们的相关联的计数被列出。针对602处的列表,用户-1可以被确定为具有与商店和计划都相关的特性,并且因此关于用户的其他信息(例如,计划信息、最近访问等)可以被考虑以帮助确定呼叫的意图。与账户维护相比,用户-2更看重去往商店,并且数字转换器118可以将用户-2的意图确定为与商店相关,并且提供相关联的用户流。
图7图示了根据本公开的示例的、用来图示系统100的操作的多项逻辑回归结果的示例。
参考图7,回归分析可以被用于预测与针对呼叫的其他原因对立的针对呼叫的原因,以确定是否存在可能针对呼叫的多个原因以及何时进行提供,是否应当进行多个提供。即,回归分析可以示出是否是单个原因,或者模型上是否可能存在多个原因(以及针对多个原因进行提供的准确度)。参考图7,用于添加改变计划的数字(诸如5673)、用于账单说明和添加计划改变的733、用于账单说明的7652等可以表示用户与分析中的体验匹配的数目。
图8至图10分别图示了根据示例的用于基于人工智能的服务实现的框图800、方法900的流程图以及进一步的框图1000。以示例并且非限制性的方式,框图800、方法900以及框图1000可以被实现在上文参考图1而被描述的系统100上。框图800、方法900、以及框图1000可以被实践在其他系统中。除了示出框图800之外,图8还示出了系统100中的可以执行框图800的指令的硬件。硬件可以包括处理器802以及存储机器可读指令的存储器804,机器可读指令当由处理器执行时,使得处理器执行框图800的指令。存储器804可以表示非暂时性计算机可读介质。图9可以表示用于基于人工智能的服务实现的方法以及方法的步骤。图10可以表示用以提供基于人工智能的服务实现的非暂时性计算机可读介质1002,非暂时性计算机可读介质1002具有被存储在其上的机器可读指令。机器可读指令当被执行时,使得处理器1004执行图10中也示出的框图1000的指令。
图8的处理器802和/或图10的处理器1004可以包括单个或多个处理器或者其他硬件处理电路以执行本文描述的方法、功能和其他过程。这些方法、功能和其他过程可以被体现为被存储在计算机可读介质上的机器可读指令,计算机可读介质可以是非暂时性的(例如,图10的非暂时性计算机可读介质(1002),诸如硬件存储设备(例如,RAM(随机存取存储器)、ROM(只读存储器)、EPROM(可擦除可编程ROM)、EEROM(电可擦除可编程ROM)、硬盘驱动以及闪存)。存储器804可以包括RAM,用于处理器的机器可读指令和数据在运行时期间可以驻留在RAM。
参考图1至图8,并且特别地参考图8中示出的框图800,存储器804可以包括用以接收语音呼叫114的指令806。
处理器802可以取读、解码以及执行指令808以分析语音呼叫114以生成语音数据。
处理器802可以取读、解码以及执行指令810以将语音数据转换成文本数据。
处理器802可以取读、解码以及执行指令812以分析文本数据以标识文本数据中的关键字。
处理器802可以取读、解码以及执行指令814以基于对标识的关键字的分析来标识多个用户106中的用户116。
处理器802可以取读、解码以及执行指令816以查明多个用户协助流108中的与标识的用户116的确定的意图110对应的用户协助流。
处理器802可以取读、解码以及执行指令818以使得语音呼叫114被传送给数字助理120。
处理器802可以取读、解码以及执行指令820以基于与确定的意图110对应的用户协助流来向标识的用户116提供基于人工智能的协助。
参考图1至图7以及图9并且特别地参考图9,针对方法900,在块902,方法可以包括基于对针对多个用户106的多个属性104的分析来生成针对多个用户协助流108的分数,多个用户协助流108针对多个用户106中的每个用户。
在块904,方法可以包括通过针对多个用户106中的每个用户标识多个用户协助流108中的与多个生成的分数中的最高分数对应的用户协助流,来确定针对多个用户106中的每个用户的意图110。
在块906,方法可以包括接收语音呼叫114。
在块908,方法可以包括分析语音呼叫114以生成语音数据。
在块910,方法可以包括将语音数据转换成文本数据。
在块912,方法可以包括分析文本数据以标识文本数据中的关键字。
在块914,方法可以包括基于对标识的关键字的分析来标识多个用户106中的用户116。
在块916,方法可以包括基于标识的用户116的确定的意图110来生成用以确定语音呼叫114的目的是否匹配确定的意图110的查询。
基于语音呼叫114的目的匹配确定的意图110的确定,在块918,方法可以包括查明多个用户协助流108中的与确定的意图110对应的用户协助流。
在块920,方法可以包括使得语音呼叫114被传送给由至少一个硬件处理器执行的数字助理120,以基于与确定的意图110对应的用户协助流来向标识的用户提供基于人工智能的协助。
参考图1值图7和图10并且特别地参考图10,针对框图1000,非暂时性计算机可读介质1002可以包括指令1006,以基于对针对多个用户106的多个属性104的分析来生成针对多个用户协助流108的分数,多个用户协助流108针对多个用户106中的每个用户。
处理器1004可以取读、解码以及执行指令1008以通过针对多个用户106中的每个用户标识多个用户协助流108中的与多个生成的分数中的最高分数对应的用户协助流,来确定针对多个用户106中的每个用户的意图110。
处理器1004可以取读、解码以及执行指令1010以查明针对语音呼叫114的语音数据。
处理器1004可以取读、解码以及执行指令1012以将语音数据转换成文本数据。
处理器1004可以取读、解码以及执行指令1014以分析文本数据以标识文本数据中的关键字。
处理器1004可以取读、解码以及执行指令1016以基于对标识的关键字的分析来标识多个用户106中的用户116。
处理器1004可以取读、解码以及执行指令1018以基于标识的用户的确定的意图110来生成用以确定语音呼叫114的目的是否匹配确定的意图110的查询。
基于语音呼叫114的目的匹配确定的意图110的确定,处理器1004可以取读、解码以及执行指令1020以查明多个用户协助流108中的与确定的意图110对应的用户协助流,以及使得语音呼叫114被传送给由至少一个硬件处理器执行的数字助理120,以基于与确定的意图110对应的用户协助流来向标识的用户116提供基于人工智能的协助。
基于语音呼叫114的目的不匹配确定的意图110的确定,处理器1004可以取读、解码以及执行指令1022以生成用以查明用户116的意图的进一步的查询,查明多个用户协助流108中的与用户116的查明的意图对应的另一用户协助流,以及使得语音呼叫114被传送给由至少一个硬件处理器执行的数字助理120,以基于与用户116的查明的意图对应的另一用户协助流来向标识的用户116提供基于人工智能的协助。
本文已经描述和图示的内容是示例以及该示例的变型中的一些变型。本文使用的术语、描述以及附图仅以说明的方式被阐述,并且并不意味着限制。在本主题的精神和范围内可以很多变型是可能的,这些可能的变型旨在由随后的权利要求以及它们等同物来定义,其中除非另有说明,否则所有术语都是它们的广泛的合理含义。
Claims (20)
1.一种用于语音呼叫的系统,包括:
语音呼叫分析器,所述语音呼叫分析器由至少一个硬件处理器执行以接收语音呼叫,
分析所述语音呼叫以生成语音数据,
将所述语音数据转换成文本数据,
分析所述文本数据以标识所述文本数据中的关键字,以及
基于对标识的所述关键字的分析来标识多个用户中的用户;数字转换器,所述数字转换器由所述至少一个硬件处理器执行以
查明多个用户协助流中的与标识的所述用户的确定的意图对应的用户协助流,以及
使得所述语音呼叫被传送给由所述至少一个硬件处理器执行的数字助理,
其中所述数字助理将基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供基于人工智能的协助;以及
用户简档生成器,所述用户简档生成器由所述至少一个硬件处理器执行以
查明针对所述多个用户的多个属性,
基于对针对所述多个用户的所述多个属性的分析来生成针对所述多个用户协助流的分数,所述多个用户协助流针对所述多个用户中的每个用户,其中所述多个属性中的至少一个属性被分配有与所述多个属性中的另一属性不同的权重,以用于所述分数的生成,以及
通过针对所述多个用户中的每个用户标识所述多个用户协助流中的与多个生成的所述分数中的最高分数对应的用户协助流,来确定针对所述多个用户中的每个用户的意图。
2.根据权利要求1所述的系统,其中所述数字转换器将:
基于标识的所述用户的所述确定的意图来生成用以确定所述语音呼叫的目的是否匹配所述确定的意图的查询;以及
基于所述语音呼叫的所述目的匹配所述确定的意图的确定来查明所述用户协助流。
3.根据权利要求2所述的系统,其中基于所述语音呼叫的所述目的匹配所述确定的意图的所述确定,所述数字转换器将
生成用以确定是将所述语音呼叫传送给实时用户助理还是传送给所述数字助理的进一步的查询,
基于所述语音呼叫将被传送给所述实时用户助理的确定,使得所述语音呼叫被传送给所述实时用户助理,以及
基于所述语音呼叫将被传送给所述数字助理的确定,使得所述语音呼叫被传送给所述数字助理。
4.根据权利要求2所述的系统,其中基于所述语音呼叫的所述目的不匹配所述确定的意图的确定,所述数字转换器将
生成用以查明所述用户的意图的进一步的查询,以及
查明所述多个用户协助流中的与所述用户的查明的所述意图对应的另一用户协助流,
其中所述数字助理将基于与所述用户的查明的所述意图对应的所述另一用户协助流来向标识的所述用户提供基于人工智能的协助。
5.根据权利要求1所述的系统,其中所述多个属性中的属性包括
与所述多个用户相关联的人口统计,或者
与所述多个用户相关联的信道交互数据,其中所述信道交互数据将标识所述多个用户与关联于指定产品的网站的交互模式。
6.根据权利要求1所述的系统,进一步包括:
升级分析器,所述升级分析器由所述至少一个硬件处理器执行以
针对所述用户协助流,查明所述用户协助流的错误流成分,
针对知识工程师,生成用以解决关于所述用户协助流的所述错误流成分的错误的查询,
从所述知识工程师查明对用以解决关于所述用户协助流的所述错误流成分的所述错误的所述查询的响应,以及
基于对用以解决所述错误的所述查询的所述响应来修改所述用户协助流。
7.根据权利要求1所述的系统,其中所述数字助理将利用包括聊天功能的通信信道以基于与所述确定的意图对应的所述用户协助流来向标识的所述用户说明问题。
8.根据权利要求1所述的系统,其中所述数字助理将利用包括新配置的web门户的通信信道来基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供信息。
9.根据权利要求1所述的系统,其中所述数字助理将利用包括现有的web门户的通信信道来基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供信息。
10.一种计算机实现的方法,包括:
基于对针对多个用户的多个属性的分析来生成针对多个用户协助流的分数,所述多个用户协助流针对所述多个用户中的每个用户,其中所述多个属性中的至少一个属性被分配有与所述多个属性中的另一属性不同的权重,以用于所述分数的生成;
通过针对所述多个用户中的每个用户标识所述多个用户协助流中的与多个生成的所述分数中的最高分数对应的用户协助流,来确定针对所述多个用户中的每个用户的意图;
接收语音呼叫;
分析所述语音呼叫以生成语音数据;
将所述语音数据转换成文本数据;
分析所述文本数据以标识所述文本数据中的关键字;
基于对标识的所述关键字的分析来标识所述多个用户中的用户;
基于标识的所述用户的确定的意图来生成用以确定所述语音呼叫的目的是否匹配所述确定的意图的查询;
基于所述语音呼叫的所述目的匹配所述确定的意图的确定,查明所述多个用户协助流中的与所述确定的意图对应的用户协助流;以及
使得所述语音呼叫被传送给由至少一个硬件处理器执行的数字助理,以基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供基于人工智能的协助。
11.根据权利要求10所述的方法,其中基于所述语音呼叫的所述目的匹配所述确定的意图的所述确定,所述方法进一步包括:
生成用以确定是将所述语音呼叫传送给实时用户助理还是传送给所述数字助理的进一步的查询;
基于所述语音呼叫将被传送给所述实时用户助理的确定,使得所述语音呼叫被传送给所述实时用户助理;以及
基于所述语音呼叫将被传送给所述数字助理的确定,使得所述语音呼叫被传送给所述数字助理。
12.根据权利要求10所述的方法,其中基于所述语音呼叫的所述目的不匹配所述确定的意图的确定,所述方法进一步包括:
生成用以查明所述用户的意图的进一步的查询;以及
查明所述多个用户协助流中的与所述用户的查明的所述意图对应的另一用户协助流,
其中所述数字助理将基于与所述用户的查明的所述意图对应的所述另一用户协助流来向标识的所述用户提供基于人工智能的协助。
13.根据权利要求10所述的方法,其中所述多个属性中的属性包括
与所述多个用户相关联的人口统计,或者
与所述多个用户相关联的信道交互数据,并且其中所述信道交互数据将标识所述多个用户与关联于指定产品的网站的交互模式。
14.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质具有被存储在其上的机器可读指令,所述机器可读指令当被执行时, 使得至少一个硬件处理器:
基于对针对多个用户的多个属性的分析来生成针对多个用户协助流的分数,所述多个用户协助流针对所述多个用户中的每个用户,其中所述多个属性中的至少一个属性被分配有与所述多个属性中的另一属性不同的权重,以用于所述分数的生成;
通过针对所述多个用户中的每个用户标识所述多个用户协助流中的与多个生成的所述分数中的最高分数对应的用户协助流,来确定针对所述多个用户中的每个用户的意图;
查明针对语音呼叫的语音数据;
将所述语音数据转换成文本数据;
分析所述文本数据以标识所述文本数据中的关键字;
基于对标识的所述关键字的分析来标识所述多个用户中的用户;
基于标识的所述用户的确定的意图来生成用以确定所述语音呼叫的目的是否匹配所述确定的意图的查询;
基于所述语音呼叫的所述目的匹配所述确定的意图的确定,
查明所述多个用户协助流中的与所述确定的意图对应的用户协助流,以及
使得所述语音呼叫被传送给由所述至少一个硬件处理器执行的数字助理,以基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供基于人工智能的协助;以及
基于所述语音呼叫的所述目的不匹配所述确定的意图的确定,
生成用以查明所述用户的意图的进一步的查询,
查明所述多个用户协助流中的与所述用户的查明的所述意图对应的另一用户协助流,以及
使得所述语音呼叫被传送给由所述至少一个硬件处理器执行的所述数字助理,以基于与所述用户的查明的所述意图对应的所述另一用户协助流来向标识的所述用户提供基于人工智能的协助。
15.根据权利要求14所述的非暂时性计算机可读介质,其中所述机器可读指令当由所述至少一个硬件处理器执行时,进一步使得所述至少一个硬件处理器:
针对所述多个用户协助流中的与所述确定的意图对应的所述用户协助流来查明所述用户协助流的错误流成分;
针对知识工程师,生成用以解决关于所述用户协助流的所述错误流成分的错误的查询;
从所述知识工程师查明对用以解决关于所述用户协助流的所述错误流成分的所述错误的所述查询的响应;以及
基于对用以解决所述错误的所述查询的所述响应来修改所述多个用户协助流中的与所述确定的意图对应的所述用户协助流。
16.根据权利要求14所述的非暂时性计算机可读介质,其中所述机器可读指令当由所述至少一个硬件处理器执行时,进一步使得所述至少一个硬件处理器:
针对所述多个用户协助流中的与查明的所述意图对应的所述另一用户协助流,查明所述另一用户协助流的错误流成分;
针对知识工程师,生成用以解决关于所述另一用户协助流的所述错误流成分的错误的查询;
从所述知识工程师查明对用以解决关于所述另一用户协助流的所述错误流成分的所述错误的所述查询的响应,以及
基于对用以解决所述错误的所述查询的所述响应来修改所述多个用户协助流中的与查明的所述意图对应的所述另一用户协助流。
17.根据权利要求14所述的非暂时性计算机可读介质,其中所述机器可读指令当由所述至少一个硬件处理器执行时,进一步使得所述至少一个硬件处理器:
利用包括聊天功能的通信信道以基于与所述确定的意图对应的所述用户协助流来向标识的所述用户说明问题。
18.根据权利要求14所述的非暂时性计算机可读介质,其中所述机器可读指令当由所述至少一个硬件处理器执行时,进一步使得所述至少一个硬件处理器:
利用包括新配置的web门户的通信信道以基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供信息。
19.根据权利要求14所述的非暂时性计算机可读介质,其中所述机器可读指令当由所述至少一个硬件处理器执行时,进一步使得所述至少一个硬件处理器:
利用包括现有的web门户的通信信道以基于与所述确定的意图对应的所述用户协助流来向标识的所述用户提供信息。
20.一种用于确定用户意图的系统,包括:
用户简档生成器,所述用户简档生成器由至少一个硬件处理器执行以
查明针对多个用户的多个属性,
基于对针对所述多个用户的所述多个属性的分析来生成针对多个用户协助流的分数,所述多个用户协助流针对所述多个用户中的每个用户,其中所述多个属性中的至少一个属性被分配有与所述多个属性中的另一属性不同的权重,以用于所述分数的生成,以及
通过针对所述多个用户中的每个用户标识所述多个用户协助流中的与多个生成的所述分数中的最高分数对应的用户协助流,来确定针对所述多个用户中的每个用户的意图。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/892,930 US10714084B2 (en) | 2018-02-09 | 2018-02-09 | Artificial intelligence based service implementation |
US15/892,930 | 2018-02-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110138982A CN110138982A (zh) | 2019-08-16 |
CN110138982B true CN110138982B (zh) | 2021-08-10 |
Family
ID=65009494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811641829.4A Active CN110138982B (zh) | 2018-02-09 | 2018-12-29 | 基于人工智能的服务实现 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10714084B2 (zh) |
EP (1) | EP3525438B1 (zh) |
JP (1) | JP6805226B2 (zh) |
CN (1) | CN110138982B (zh) |
AU (2) | AU2018274927A1 (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102518543B1 (ko) * | 2017-12-07 | 2023-04-07 | 현대자동차주식회사 | 사용자의 발화 에러 보정 장치 및 그 방법 |
US11854040B1 (en) * | 2018-03-23 | 2023-12-26 | Amazon Technologies, Inc. | Responding with unresponsive content |
US11197143B2 (en) * | 2018-04-16 | 2021-12-07 | Motorola Solutions, Inc. | Virtual partner bypass |
US11048614B2 (en) | 2018-05-07 | 2021-06-29 | Google Llc | Immersive web-based simulator for digital assistant-based applications |
US11086741B2 (en) * | 2018-05-07 | 2021-08-10 | Google Llc | Immersive web-based simulator for digital assistant-based applications |
US10477028B1 (en) * | 2018-07-13 | 2019-11-12 | Bank Of America Corporation | System for processing voice responses using a natural language processing engine |
US11423413B2 (en) * | 2019-05-10 | 2022-08-23 | Paypal, Inc. | Intelligent communication channel determination |
KR102433964B1 (ko) * | 2019-09-30 | 2022-08-22 | 주식회사 오투오 | 관계 설정을 이용한 실감형 인공지능기반 음성 비서시스템 |
US11687802B2 (en) * | 2019-11-13 | 2023-06-27 | Walmart Apollo, Llc | Systems and methods for proactively predicting user intents in personal agents |
US11444893B1 (en) | 2019-12-13 | 2022-09-13 | Wells Fargo Bank, N.A. | Enhanced chatbot responses during conversations with unknown users based on maturity metrics determined from history of chatbot interactions |
CN111341309A (zh) * | 2020-02-18 | 2020-06-26 | 百度在线网络技术(北京)有限公司 | 一种语音交互方法、装置、设备和计算机存储介质 |
US11435881B1 (en) * | 2020-06-29 | 2022-09-06 | United Services Automobile Association (Usaa) | Integrated smart graphical user interface for customer management systems |
US11431848B2 (en) | 2020-06-30 | 2022-08-30 | Td Ameritrade Ip Company, Inc. | Machine-learning system for incoming call driver prediction |
US10944867B1 (en) | 2020-07-06 | 2021-03-09 | Google Llc | Reducing telephone network traffic through automated telephone calls |
US11922372B2 (en) | 2020-08-31 | 2024-03-05 | Walgreen Co. | Systems and methods for voice assisted goods delivery |
US11663415B2 (en) * | 2020-08-31 | 2023-05-30 | Walgreen Co. | Systems and methods for voice assisted healthcare |
US11675820B2 (en) * | 2020-10-27 | 2023-06-13 | International Business Machines Corporation | Building and modifying conversational user journeys |
US11842733B2 (en) | 2021-06-02 | 2023-12-12 | Kyndryl, Inc. | Artificial intelligence system for tasks |
US20230090049A1 (en) * | 2021-09-17 | 2023-03-23 | Optum, Inc. | Computer systems and computer-based methods for automated callback scheduling utilizing call duration prediction |
CN114500419A (zh) * | 2022-02-11 | 2022-05-13 | 阿里巴巴(中国)有限公司 | 信息交互方法、设备以及系统 |
US11849069B1 (en) * | 2022-08-31 | 2023-12-19 | Capital One Services, Llc | System and method for identifying themes in interactive communications |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206269A (zh) * | 2015-08-14 | 2015-12-30 | 百度在线网络技术(北京)有限公司 | 一种语音处理方法和装置 |
CN106357942A (zh) * | 2016-10-26 | 2017-01-25 | 广州佰聆数据股份有限公司 | 基于上下文对话语义识别的智能应答方法及系统 |
CN107112013A (zh) * | 2014-09-14 | 2017-08-29 | 谷歌公司 | 用于创建可定制对话系统引擎的平台 |
Family Cites Families (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010047261A1 (en) * | 2000-01-24 | 2001-11-29 | Peter Kassan | Partially automated interactive dialog |
US20020046030A1 (en) * | 2000-05-18 | 2002-04-18 | Haritsa Jayant Ramaswamy | Method and apparatus for improved call handling and service based on caller's demographic information |
US20020032591A1 (en) * | 2000-09-08 | 2002-03-14 | Agentai, Inc. | Service request processing performed by artificial intelligence systems in conjunctiion with human intervention |
US20020178226A1 (en) * | 2001-05-24 | 2002-11-28 | Anderson Andrew V. | Method and apparatus for message escalation by digital assistants |
US20060215824A1 (en) * | 2005-03-28 | 2006-09-28 | David Mitby | System and method for handling a voice prompted conversation |
US9318108B2 (en) | 2010-01-18 | 2016-04-19 | Apple Inc. | Intelligent automated assistant |
US9800721B2 (en) | 2010-09-07 | 2017-10-24 | Securus Technologies, Inc. | Multi-party conversation analyzer and logger |
WO2013042117A1 (en) * | 2011-09-19 | 2013-03-28 | Personetics Technologies Ltd. | System and method for evaluating intent of a human partner to a dialogue between human user and computerized system |
US9092801B2 (en) * | 2011-09-23 | 2015-07-28 | 24/7 Customer, Inc. | Customer journey prediction and resolution |
US9124694B2 (en) | 2012-08-08 | 2015-09-01 | 24/7 Customer, Inc. | Method and apparatus for intent prediction and proactive service offering |
US9105268B2 (en) * | 2012-09-19 | 2015-08-11 | 24/7 Customer, Inc. | Method and apparatus for predicting intent in IVR using natural language queries |
US9798799B2 (en) * | 2012-11-15 | 2017-10-24 | Sri International | Vehicle personal assistant that interprets spoken natural language input based upon vehicle context |
DE212014000045U1 (de) | 2013-02-07 | 2015-09-24 | Apple Inc. | Sprach-Trigger für einen digitalen Assistenten |
US20170006161A9 (en) | 2013-03-15 | 2017-01-05 | Genesys Telecommunications Laboratories, Inc. | Intelligent automated agent for a contact center |
US9875494B2 (en) * | 2013-04-16 | 2018-01-23 | Sri International | Using intents to analyze and personalize a user's dialog experience with a virtual personal assistant |
JP6025785B2 (ja) * | 2013-07-08 | 2016-11-16 | インタラクションズ リミテッド ライアビリティ カンパニー | 自然言語理解のための自動音声認識プロキシシステム |
US10534623B2 (en) * | 2013-12-16 | 2020-01-14 | Nuance Communications, Inc. | Systems and methods for providing a virtual assistant |
WO2015134767A1 (en) * | 2014-03-05 | 2015-09-11 | 24/7 Customer, Inc. | Method and apparatus for personalizing customer interaction experiences |
US11151577B2 (en) * | 2014-04-28 | 2021-10-19 | Oracle International Corporation | Dynamically selecting contact center workflows based on workflow insights |
US9559993B2 (en) * | 2014-10-02 | 2017-01-31 | Oracle International Corporation | Virtual agent proxy in a real-time chat service |
US9723149B2 (en) * | 2015-08-21 | 2017-08-01 | Samsung Electronics Co., Ltd. | Assistant redirection for customer service agent processing |
US20170186018A1 (en) * | 2015-12-29 | 2017-06-29 | At&T Intellectual Property I, L.P. | Method and apparatus to create a customer care service |
US10547728B2 (en) * | 2016-01-21 | 2020-01-28 | Avaya Inc. | Dynamic agent greeting based on prior call analysis |
US20170277993A1 (en) * | 2016-03-22 | 2017-09-28 | Next It Corporation | Virtual assistant escalation |
EP4030295B1 (en) * | 2016-04-18 | 2024-06-05 | Google LLC | Automated assistant invocation of appropriate agent |
US10536579B2 (en) * | 2016-10-24 | 2020-01-14 | Sriram Venkataramanan Iyer | System, method and marketplace for real-time interactive video/voice services using artificial intelligence |
US10224031B2 (en) * | 2016-12-30 | 2019-03-05 | Google Llc | Generating and transmitting invocation request to appropriate third-party agent |
US20180261223A1 (en) * | 2017-03-13 | 2018-09-13 | Amazon Technologies, Inc. | Dialog management and item fulfillment using voice assistant system |
US10452251B2 (en) * | 2017-05-23 | 2019-10-22 | Servicenow, Inc. | Transactional conversation-based computing system |
US20180349446A1 (en) * | 2017-06-01 | 2018-12-06 | Bank Of America Corporation | Interactive system employing machine learning and artificial intelligence to customize user interfaces |
US20190095927A1 (en) * | 2017-09-28 | 2019-03-28 | American Express Travel Related Services Company, Inc. | Predictive Communication System |
US10749855B2 (en) * | 2017-10-30 | 2020-08-18 | Vmware, Inc. | Securely managing digital assistants that access third-party applications |
-
2018
- 2018-02-09 US US15/892,930 patent/US10714084B2/en active Active
- 2018-12-05 AU AU2018274927A patent/AU2018274927A1/en not_active Abandoned
- 2018-12-12 EP EP18211922.2A patent/EP3525438B1/en active Active
- 2018-12-27 JP JP2018245925A patent/JP6805226B2/ja active Active
- 2018-12-29 CN CN201811641829.4A patent/CN110138982B/zh active Active
-
2020
- 2020-10-16 AU AU2020256428A patent/AU2020256428B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107112013A (zh) * | 2014-09-14 | 2017-08-29 | 谷歌公司 | 用于创建可定制对话系统引擎的平台 |
CN105206269A (zh) * | 2015-08-14 | 2015-12-30 | 百度在线网络技术(北京)有限公司 | 一种语音处理方法和装置 |
CN106357942A (zh) * | 2016-10-26 | 2017-01-25 | 广州佰聆数据股份有限公司 | 基于上下文对话语义识别的智能应答方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP6805226B2 (ja) | 2020-12-23 |
US10714084B2 (en) | 2020-07-14 |
EP3525438B1 (en) | 2020-12-02 |
AU2020256428A1 (en) | 2020-11-12 |
CN110138982A (zh) | 2019-08-16 |
EP3525438A1 (en) | 2019-08-14 |
US20190251959A1 (en) | 2019-08-15 |
AU2020256428B2 (en) | 2022-07-14 |
JP2019194839A (ja) | 2019-11-07 |
AU2018274927A1 (en) | 2019-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110138982B (zh) | 基于人工智能的服务实现 | |
US11588760B2 (en) | Initialization of automated workflows | |
US10410633B2 (en) | System and method for customer interaction management | |
US11425251B2 (en) | Systems and methods relating to customer experience automation | |
US9712671B2 (en) | Method and apparatus for intent prediction and proactive service offering | |
CA3009944C (en) | Optimized routing of interactions to contact center agents based on machine learning | |
US11367080B2 (en) | Systems and methods relating to customer experience automation | |
US20170111509A1 (en) | Optimized routing of interactions to contact center agents based on machine learning | |
US20170111505A1 (en) | System and method for generating a network of contact center agents and customers for optimized routing of interactions | |
US20160189558A1 (en) | Learning Based on Simulations of Interactions of a Customer Contact Center | |
US11900300B2 (en) | Coach-assist controller for customer service representative (CSR) interactions | |
Hunt et al. | Artificial Intelligence for Customer Experience and Care | |
US11716418B2 (en) | Systems and methods for facilitating communication between a user and a service provider | |
CN114005439A (zh) | 确定话术的方法、装置以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |