CN113806502A - 用于会议的基于ai机器人的会议中即时查询助手 - Google Patents

Abstract

本公开涉及用于会议的基于AI机器人的会议中即时查询助手。提供了方法和系统，用于经由人工智能机器人自动接收由会议中的参与者作出的查询，确定在会议之外要联络的一个或多个主题专家，从主题专家中的至少一者接收对查询的响应，并且将对查询的响应呈现给会议的参与者。人工智能机器人在会议在进行的同时呈现对查询的响应，而无需会议的任何参与者与主题专家通信，无需将主题专家的客户端设备连接到会议，并且无需将主题专家包括在会议中。

Description

用于会议的基于AI机器人的会议中即时查询助手

技术领域

本公开概括而言针对的是多方通信，具体而言针对的是在参与者的通信设备之间建立的会议。

背景技术

会议，尤其是网络会议，包括一系列的通信服务。这些通信服务可包括在通信设备之间通过通信网络建立的会议、协作通信会话和/或其他通信。在典型的协作通信会话期间共享的信息可包括视频、音频、聊天和/或其他数字内容。

在会议期间，参与者可能会提出查询，该查询要求不是会议的一部分的主题专家来回答或解决。当特定的查询无法被参与者回答时，这些查询可能会被推迟，以便在会议结束之后采取后续动作，比如电子邮件、额外会议、聊天对话和/或与主题专家的其他通信。推迟查询是不方便的，而且可导致会议的整体效率降低。

附图说明

图1描绘了根据本公开的至少一些实施例的通信系统的框图；

图2A是描绘根据本公开的至少一些实施例的通信系统中使用的会议服务器的组件的框图；

图2B是描绘根据本公开的至少一些实施例的会议服务器的组件之间的交互的框图；

图3是描绘根据本公开的至少一些实施例的会议用户界面的框图；

图4是描绘根据本公开的至少一些实施例的一组通信流程的图；

图5是描绘根据本公开的实施例使用的主题专家数据结构的框图；

图6是描绘根据本公开的实施例使用的会议中查询数据结构的框图；

图7A是描绘根据本公开的至少一些实施例的确定主题专家来用作查询顾问的方法的流程图；

图7B是描绘根据本公开的至少一些实施例的自动确定并与主题专家通信的方法的流程图；

图8是描绘根据本公开的至少一些实施例的在不将主题专家包括在会议中的情况下代表会议中的参与者与主题专家自动通信的方法的流程图；

图9是描绘根据本公开的实施例的自动确定对查询的建议响应以呈现给会议外的主题专家的方法的流程图；并且

图10是描绘根据本公开的至少一些实施例的利用对先前提供的查询响应的反馈来自动训练推荐和机器学习引擎的方法的流程图。

具体实施方式

在接下来的描述中，出于说明目的，记载了许多具体细节以便提供对本文公开的各种实施例的透彻理解。然而，本领域技术人员将会清楚，没有这些具体细节中的一些也可实现本公开的各种实施例。接下来的描述仅仅提供了示范性实施例，而并不打算限制本公开的范围或者适用性。此外，为了避免不必要地模糊本公开，先前描述省略了若干个已知的结构和设备。此省略不应被解释为对权利要求的范围的限制。更确切地说，接下来对示范性实施例的描述将向本领域技术人员提供使能实现示范性实施例的描述。然而，应当明白，本公开可以按超出本文记载的具体细节的多种方式来实现。

将联系通信系统的执行来描述本公开的实施例。通信系统可包括被配置为管理一个或多个通信客户端设备之间的通信的会议服务器。在一些情况下，会议服务器可在跨通信网络的多个通信客户端设备之间建立协作通信会话、多方会议或者会议。会议可包括主持人和一个或多个其他参与者之间的音频/视频网络会议。额外地或替换地，会议可在会议和通信会话的参与者之间提供即时消息传递、文本和/或聊天通信。

在会议中，参与者经常提出要求咨询主题专家的查询。本文所使用的术语“查询”(query)及其变体可以指在会议期间由参与者以文本和/或音频格式提出或问及的任何疑问或问题，该疑问或问题要求会议之外的主题专家的输入或回答。本文所使用的术语主题专家(ubject matter expert，“SME”)可以指对某个特定主题，以及在一些情况下对与查询相关联的主题拥有广泛知识的资源。在一些情况下，SME可能不是会议的一部分，因此，查询可能需要被推迟。参与者，例如演示者或主持人，通常会给这些推迟的查询指派后续动作，例如要求一个或多个参与者经由电子邮件与SME联系，安排额外的会议，和/或举行额外的聊天对话来回答推迟的查询。

查询的推迟可导致一些问题，包括但绝不限于未能履行作为会议议程一部分的所有项目，未能达成会议的商定结论，和/或延迟作为会议一部分的决策作出。正如可明白的，这些问题可导致参与者有糟糕的会议体验，特别是当多个“阻碍”(showstopper)查询被推迟时。“阻碍”查询可对应于在会议可继续之前和/或在其他议程项目可被解决之前需要回答或解决的查询。整体上，推迟查询会降低所有涉及者的会议效率。

本文给出的实施例是针对上述问题和其他问题构思出来的。除其他事项外，本公开通过提供一种人工智能(artificial-intelligence，“AI”)、非人类的机器人来解决这些和其他问题，该机器人可自动接收会议中作出的查询，确定在会议之外联系的一个或多个SME，从SME接收对查询的响应，并且将对查询的响应呈现给会议的参与者。在一些实施例中，AI机器人可在会议仍在进行的同时呈现对查询的响应，而无需会议的任何参与者与SME通信，无需将SME的客户端设备连接到会议，并且无需将SME包括在会议中。

当查询要求咨询(一个或多个)SME时，会议参与者可通过语音、聊天或即时消息将查询委托给AI机器人，而不是将会议中查询推迟到后续动作。AI机器人通过最佳可及的通信渠道即刻联系(一个或多个)相关SME，收集来自(一个或多个)SME的响应，并且将对查询的响应传达回给会议的参与者。在一些实施例中，AI机器人和(一个或多个)SME之间的通信是在没有添加或将(一个或多个)SME带入会议的情况下进行的。在一个实施例中，AI机器人代表SME提供对查询的响应，而不允许从SME到会议中的任何参与者的直接通信，反之亦然。

在一些实施例中，对查询的响应可由至少一个参与者的会议客户端设备的一个或多个用户界面或者显示器来呈现。本文描述的界面和/或显示器可被提供给会议中的主持人、演示者和/或其他参与者。

除了提供会议中即时查询辅助以外，AI机器人还可通过分析(一个或多个)SME的历史数据，包括响应的准确性、响应查询的迅捷度以及(一个或多个)SME在会议持续期间的可用性，来学习和推荐要咨询的(一个或多个)最佳SME。基于学习，AI机器人还可向(一个或多个)SME提供建议，以快速处理查询。例如，AI机器人可基于所做的历史响应、会议信息、参与信息、响应的信心水平和/或其他机器学习数据来确定对查询的建议响应。

在一个实施例中，会议服务器可通过AI机器人提供来自(一个或多个)SME的会议中即时查询辅助，该AI机器人学习、推荐最佳的(一个或多个)SME，并且带着学习到的响应建议透明地联系该(一个或多个)SME。

通常，在安排音频或视频会议时，主持人使用各自的会议解决方案，然后与预期参与者共享会议细节。这些会议细节可包括，但绝不限于，设置的会议时间，会议网络链接，和/或会议桥拨入号。在一些实施例中，这些细节可包括分机号、个人识别号(personalidentification number，PIN)和/或接入会议的密码中的一个或多个。参与者可利用能够经由音频、视频和/或即时消息传递来通信的会议客户端设备加入会议。

AI机器人可使用从会议细节获得的信息作为信息的初始来源，以确定和识别要咨询的(一个或多个)候选SME。这些(一个或多个)候选SME可对应于在会议期间可能被AI机器人咨询的那些(一个或多个)SME。在一个实施例中，AI机器人的SME信息的初始来源可以是组织级别的数据源。SME的信息可包括至少一个通信地址和专业领域。可利用来自过去会议的信息、后续查询和来自(一个或多个)SME的响应/回答来训练AI机器人。

额外地或替换地，可允许会议主持人或者会议的其他特权参与者在安排会议的同时配置SME细节。此配置选项可包括，但绝不限于，预期进行SME咨询的主题的名称，该主题的(一个或多个)SME的群组，议程，和/或类似的。

在一些实施例中，当会议提醒时间被触发时，会议服务器可实例化AI机器人实例。

在一个实施例中，例如，在SME细节是由会议的主持人或其他特权参与者配置的情况下，AI机器人可检查(一个或多个)SME的可用性。在一些实施例中，AI机器人可在确定潜在咨询的(一个或多个)适当SME时检查(一个或多个)SME的可用性。在任何情况下，AI机器人可通过任何可能的通信渠道来检查(一个或多个)SME的可用性，例如，通过即时消息(“IM”)在场性、日历可用性、交互式ping即时消息和/或其他可用性状态指标。在确认可用性确认后，AI机器人利用细节、议程和指定主题的至少一部分来提醒(一个或多个)SME关于会议。然而，在一些实施例中，(一个或多个)SME可能被限制参与会议。

当会议开始时，会议服务器创建运行会议所要求的资源，例如音频或视频桥和群聊。会议服务器将AI机器人实例与会议桥和群聊两者关联起来。从这个时点开始，AI机器人等待来自会议参与者的通过聊天或语音的查询请求。可明白的是，当参与者通过会议客户端设备加入会议时，参与者被添加到音频/视频会议桥和群聊。

在会议期间，任何参与者都可通过聊天或语音提出查询。提出的查询可由包括演示者或主持人在内的其他参与者回答。在一些实施例中，在参与者无法回答查询的情况下，参与者中的一个或多个可要求咨询SME。

当要求咨询时，参与者可将查询与“主题”关联起来，并且/或者用“标识符”(例如，关键字或短语)称呼AI机器人，该标识符将该查询自动委托给AI机器人。在语音查询的情况下，参与者可能需要称呼AI机器人来委托查询。例如，参与者可以说“嘿，AI机器人”，然后在该短语后面加上AI机器人将处理的查询。

在接收到查询后，AI机器人可进而确定哪个(或哪些)SME与该“主题”相关联，然后通过任何可能的通信渠道将查询转发给关联的(一个或多个)SME。AI机器人可通过分析(一个或多个)SME的历史数据，例如查询响应的准确性和迅捷性以及(一个或多个)SME在会议期间的可用性来确定最佳的(一个或多个)SME。如果AI机器人缺乏为该查询学习或确定(一个或多个)最佳SME所要求的足够历史数据，则该查询可被转发给所有相关的(一个或多个)SME。

在识别了(一个或多个)SME之后，AI机器人分析过去的查询，并且可确定一组相关的响应推荐，或者建议的响应，然后将查询与建议的响应一起转发给所识别的(一个或多个)SME，以帮助(一个或多个)SME迅速响应查询。

在通过IM、文本或语音渠道接收到来自AI机器人的查询消息后，SME可回答查询(例如，通过提供对查询的响应，等等)。当AI机器人接收到来自(一个或多个)SME的响应时，AI机器人可将该响应呈现回给会议的参与者。在一个实施例中，对查询的响应可通过音频渠道(例如，经由会议客户端设备的扬声器或者其他音频输出，等等)由人工语音输出来提供。在另一实施例中，对查询的响应可通过视频渠道(例如，经由会议客户端设备的显示器或者其他视频输出，等等)由人工视频输出来提供。在另外一个实施例中，AI机器人可将响应发布回到会议群聊，并且关联查询。AI机器人可缓存查询，直到有SME可用或者会议完成为止。

当会议完成时，AI机器人可整合并与主持人共享由于不可用或者没有接收到来自(一个或多个)SME的响应而没有转发给(一个或多个)SME的未决查询，以便采取进一步动作。

在一些实施例中，AI机器人学习、推荐(一个或多个)最佳SME，并且带着学习到的响应建议透明地联系(一个或多个)SME。如上所述，(一个或多个)SME不是会议的一部分。在一个实施例中，本文描述的方法可包括：1)识别和推荐(一个或多个)最佳SME；2)在可用或者可能的通信渠道中联系(一个或多个)SME；并且3)基于机器学习确定或创建一组相关的响应推荐。

本文所使用的短语“AI机器人服务”可以指后端(例如，服务器侧)服务，它包括AI/机器学习引擎(例如，处理器，等等)，用于识别/推荐(一个或多个)SME和/或者响应建议。短语“AI机器人”可以指机器人，它分别通过不同的通信渠道与会议的参与者和(一个或多个)SME交互，并且由AI机器人服务驱动。本文所使用的术语“AI机器人”、“机器人”、“自动化机器人”及其变体，可互换使用。在一些实施例中，本文所使用的术语“主题”、“情境”及其变体可互换使用。

在一些实施例中，识别和推荐(一个或多个)最佳SME可由AI机器人服务中的SME发现引擎组件完成。

AI机器人服务可基于一个或多个学习和输入源来学习(一个或多个)SME和相关细节。例如，AI机器人服务的初始学习可通过组织级别数据源完成。例如，一个数据源可包含(一个或多个)SME的通信地址，他们的专业知识主题/与技能组合相关联的课题、专业知识领域和/或(一个或多个)SME的当前活跃项目。也可利用任何数目的先前会议细节、后续查询和来自(一个或多个)SME的回答来训练AI机器人服务。

在初始的学习解决方案部署之后，AI机器人服务可从每次会议中开始即时学习过程。AI机器人服务可学习关于识别(一个或多个)最佳SME的因素，包括但绝不限于查询响应的准确性、查询响应的迅捷性、来自参与者的响应反馈、响应周转时间、额外技能、关于新主题的专业知识、优选的通信渠道，等等。

额外地或者替换地，如果主持人或者特权参与者在预期某些查询并且一个或多个SME在会议之前是已知的，则可以有选项可供会议的主持人或其他特权参与者用来在安排会议时配置“即时SME咨询”细节，或者在组织级别上使用可用的配置。在一些实施例中，这个选项可在安排会议时或者在会议提醒时间之前的任何时间提供。

AI机器人服务可在一个或多个识别阶段中识别(一个或多个)最佳SME。例如，响应于接收到查询，AI机器人可通过分析(一个或多个)SME的历史数据，例如查询响应的准确性和迅捷性，以及(一个或多个)SME在会议期间的可用性，来确定/识别与该主题相关联的(一个或多个)最佳SME。

在一个实施例中，在“即时SME咨询”细节是由主持人或特权参与者配置的情况下，那么当AI机器人服务将查询与“即时SME咨询”细节对其可用的主题相关联时，AI机器人服务会优先考虑配置的(一个或多个)SME并且选择配置的(一个或多个)SME。AI机器人服务可进而从其学习中识别(一个或多个)最佳SME。在AI机器人服务确定配置的(一个或多个)SME不适合回答查询(例如，与查询相关联的主题不同于最初配置(一个或多个)SME的主题，等等)的情况下，则可确定该(一个或多个)SME不适合。

如果AI机器人缺乏为该查询学习或确定(一个或多个)最佳SME所要求的足够历史数据，则该查询将被转发给所有相关的(例如，可用的、活跃的、高评级的，等等)(一个或多个)SME。

AI机器人服务可经由可能的通信渠道与(一个或多个)SME进行通信。在一个实施例中，AI机器人服务可经由一个或多个通信渠道向(一个或多个)SME发布查询。在一些实施例中，在“即时SME咨询”细节由主持人或特权参与者配置的情况下，AI机器人服务可在会议之前通过任何可能的通信渠道检查(一个或多个)SME的可用性。例如，经由即时消息(“IM”)的在场性或者交互式ping IM。在确认(一个或多个)SME的可用性后，AI机器人可提醒(一个或多个)SME关于会议的会议细节、议程以及甚至指定的主题。额外地或者替换地，在(一个或多个)SME是由AI机器人服务在接收到查询后基于学习识别的情况下，则AI机器人服务从学习中选择(一个或多个)SME的优选/最佳可达通信渠道，并且经由这些通信渠道联络该(一个或多个)SME。

本公开的一个方面是，AI/机器学习引擎可使得AI机器人能够发现(一个或多个)SME，并且确定响应建议。例如，AI/机器学习引擎可使得AI机器人能够发现(一个或多个)最佳SME，与其他(一个或多个)SME相比，该(一个或多个)最佳SME可对会议参与者发布的查询提供迅速且更准确的响应。AI/机器学习引擎可使得AI机器人能够向所发现的(一个或多个)SME提供情境或主题相关的响应建议。

AI/机器学习引擎可在发现(一个或多个)SME和/或者确定响应建议时分析(一个或多个)SME的若干个因素。一个因素可包括SME提供的响应的准确性(例如，过去对查询的响应，等等)。这可对应于一个序数值，并且可由发布了查询的参与者来测量。在一些实施例中，该准确性测量值可通过由会议参与者执行的反馈动作被传递给AI机器人。另一个因素可包括SME对参与者发布的查询提供响应的迅捷度。这个迅捷度可对应于一个序数值，并且可由AI机器人通过使用与查询被发布到SME的时间和SME响应的时间相关联的定时器来测量。另外一个因素可包括SME在会议持续期间接收咨询查询的可用性。该可用性可以是一个标称值，并且可由AI机器人测量。在一些实施例中，这些因素中的一个或多个可被AI机器人用于训练机器学习模型，并且预测能够对会议参与者发布的查询提供更准确响应的(一个或多个)最佳SME。

在训练和/或学习主题或情境相关的查询响应时，AI/机器学习引擎可分析：1)从(一个或多个)SME接收到的每个查询响应；以及2)从会议参与者为该查询接收到的反馈。学习到的相关或更适当的情境或主题相关查询响应可作为类似或建议的响应被提供给(一个或多个)SME。

现在参考图1，根据本公开的至少一些实施例示出了通信系统100的框图。图1的通信系统100可以是分布式系统，并且在一些实施例中，包括将通信设备108、112与会议服务器116相连接的通信网络104。通信系统100可包括但不限于多个会议客户端设备108A-N，多个SME客户端设备112A-N，以及会议服务器116。在一个实施例中，会议客户端设备108A-N可与会议服务器116的音频/视频桥服务124和/或即时消息传递服务128通信连接。会议服务器116可提供协作通信会话、会议、多方呼叫、基于web的会议、基于web的研讨会(“webinar”)和/或其他音频/视频通信服务。在任何情况下，会议可包括两个、三个、四个或者更多个会议客户端设备108A-N，它们经由通信网络104访问会议服务器116。

SME客户端设备112A-N可各自与SME 114相关联，这些SME不是会议客户端设备108A-N之间的会议的参与者。SME客户端设备112A-N和会议客户端设备108A-N之间的通信受到限制。例如，AI机器人服务120可利用音频/视频桥服务124和/或即时消息传递服务128来通过第一通信会话与会议客户端设备108A-N进行通信。AI机器人服务120可通过一个单独且不同的通信会话与SME客户端设备112A-N进行通信。以这种方式，会议的参与者和SME114之间的双向通信被禁止。

根据本公开的至少一些实施例，通信网络104可包括任何类型的已知通信介质或通信介质的集合并且可使用任何类型的协议来在端点之间传输消息。通信网络104可包括有线和/或无线通信技术。因特网是通信网络104的示例，其构成由位于全世界各地、通过许多电话系统和其他手段连接的许多计算机、计算网络和其他通信设备组成的互联网协议(Internet Protocol，IP)网络。通信网络104的其他示例包括但不限于标准的普通老式电话系统(Plain Old Telephone System，POTS)、综合业务数字网络(Integrated ServicesDigital Network，ISDN)、公共交换电话网络(Public Switched Telephone Network，PSTN)、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、互联网协议语音(Voice over Internet Protocol，VoIP)网络、会话发起协议(Session InitiationProtocol，SIP)网络、蜂窝网络和现有技术中已知的任何其他类型的封包交换或电路交换网络。此外，可明白，通信网络104不需要限于任何一种网络类型，而是可包括若干种不同的网络和/或网络类型。通信网络104可包括若干种不同的通信介质，例如同轴线缆、铜缆/铜线、光缆、用于发送/接收无线消息的天线以及这些的组合。

会议客户端设备108A-N和/或SME客户端设备112A-N可对应于计算设备、个人通信设备、便携式通信设备、膝上型电脑、智能电话、平板设备、个人计算机和/或能够运行操作系统(“OS”)、至少一个通信应用、web浏览器等等的任何其他设备。通信应用可被配置为在各个客户端设备108A-N、112A-N和会议服务器116之间交换通信。例如，客户端设备108A-N、112A-N可被配置为操作各种版本的微软公司的

和/或苹果公司的

操作系统、各种市售的

中的任何一种(例如LINUX或者其他类似UNIX的操作系统)、iOS、

等等。这些客户端设备108A-N、112A-N也可具有有各种应用中的任何一种，包括例如数据库客户端和/或服务器应用、web浏览器应用、聊天应用、视频应用、社交媒体应用、呼叫应用，等等。客户端设备108A-N、112A-N可替换地或者额外地是任何其他电子设备，例如瘦客户端计算机、支持互联网的移动电话和/或个人数字助理，能够经由通信网络104进行通信和/或显示和浏览网页或者其他类型的电子文档。

额外地或者替换地，通信可作为电话呼叫、封包或封包的集合(例如，通过IP网络传输的IP封包)、电子邮件消息、IM、短消息服务(short message service，“SMS”)消息、多媒体消息传递服务(multimedia messaging service，“MMS”)消息、聊天和/或这些的组合经由各个客户端设备108A-N、112A-N被发送和/或接收。如图1所示，会议客户端设备108A-N可通过音频/视频渠道(例如，示为实线的通信)和/或通过IM渠道(例如，示为虚线的通信)进行通信。

如本文所描述，会议客户端设备108A-N可各自与会议的参与者(例如，主持人、演示者、出席者，等等)相关联。另一方面，SME客户端设备112A-N可各自与一组SME 114中的特定SME相关联。如本文所描述，SME客户端设备112A-N不连接到参与者和会议客户端设备108A-N之间的会议，也不被包括在其中，或者作为其一部分。SME客户端设备112A-N可通过音频/视频渠道(例如，示为实线的通信)和/或通过IM渠道(例如，显示为虚线的通信)与AI机器人服务120在参与者之间的会议之外分开通信。

会议服务器116可包括硬件和/或软件资源，这些资源除其他事项外还提供举行多方呼叫、会议呼叫和/或其他协作通信的能力。会议服务器116可包括会议调度服务118、AI机器人服务120、音频/视频桥服务124、即时消息传递服务128和存储装置132，仅举几例。

在一些实施例中，会议调度服务118可被包括在会议服务器116中和/或作为通信系统100中与会议服务器116分开的单独服务或组件系统。在任何情况下，会议调度服务118提供会议调度资源，这些资源可允许会议组织者，或者主持人，安排并邀请参与者参加会议。会议调度服务118可对应于内置的会议调度服务，例如内置到微软公司的

或者苹果公司的Calendar应用中的会议和约会调度器，等等。在一些实施例中，会议组织者(例如，主持人)可通过经由第一会议客户端设备108A在通信网络104上与会议调度服务118进行通信来设置会议。会议调度服务118可包括电子邮件指令136和调度器指令138，当由被处理器执行时，这些指令允许会议组织者可为会议安排日期和时间(例如，调度器138)并且经由电子邮件(例如，电子邮件136)邀请出席者(例如，其他参与者)。一旦设置了会议，主持人和/或会议调度服务118就可经由电子邮件和/或通过日历应用与其他参与者(例如，参与者B至参与者N，等等)通信，以告知其他参与者会议细节、获得响应以及更新出席状态，等等。在一些实施例中，会议调度服务118可以在调度会议之前确定一个或多个参与者的可用性。

会议服务器116可包括会议资源，例如音频/视频桥服务124和/或即时消息传递服务128，这些资源可允许两个或更多个会议客户端设备108A-N参与会议。会议的一个示例包括但不限于两个或更多个用户/当事人之间建立的网络会议通信会话、网络研讨会、会议，等等。虽然本公开的一些实施例是结合会议来论述的，但本公开的实施例并没有如此限制。具体而言，本文公开的实施例可应用于音频、视频、多媒体、会议呼叫、网络会议、这些的组合、其他协作通信会话等等中的一种或多种。

在一些实施例中，会议服务器116可包括一个或多个资源，例如会议混合器和其他会议基础设施。可以明白，会议服务器116的资源可取决于会议服务器116提供的会议或通信的类型。除其他事项外，会议服务器116还可被配置为在任何数目的参与者之间提供至少一种媒体类型的会议。会议服务器116的会议混合器可在预定量的时间中被指派给特定的通信会话。在一个实施例中，会议混合器可被配置为与参与会议的每个会议客户端设备108A-N协商编解码器。额外地或替换地，会议混合器可被配置为从每个参与的会议客户端设备108A-N接收输入(至少包括音频输入)，并且将接收到的输入混合成可被会议服务器116监视和/或分析的组合信号。

AI机器人服务120可包括一个或多个组件，这些组件能够在会议中实例化AI机器人，确定会议中的参与者何时提出可能要求SME咨询的查询，向一个或多个SME客户端设备112A-N发送查询，以及向会议中的参与者发布对查询的响应(例如，从SME客户端设备112A-N中的至少一个接收到的响应)。AI机器人服务120的所有动作都可自动执行，无需人类交互，并且不要求SME和参与者与彼此通信。除其他事项外，AI机器人服务120还允许会议中的参与者在AI机器人取回对查询的响应的同时继续进行会议，而不中断会议，并且不要求SME成为会议的一部分。本文所使用的术语“AI机器人”可对应于被表征为虚拟非人类实体的软件和/或指令，该实体执行与AI机器人服务120的一个或多个组件以及会议中查询辅助相关联的功能和方法。

在一些实施例中，AI机器人服务120可包括AI/机器学习(“ML”)引擎140，自然语言处理单元144，以及话音识别引擎148。将结合图2A更详细地描述AI/ML引擎140。

自然语言处理单元144可包括软件和指令，当由处理器执行时，这些软件和指令被配置为自动解释从会议中的参与者和/或在单独的通信会话中从SME 114接收到的话音或文本，确定所解释的话音或文本的加权含义，并且基于所确定的加权含义来采取动作(例如，作为会议的一部分与一个或多个会议客户端设备108A-N通信，在会议之外与一个或多个SME客户端设备112A-N通信，更新历史响应，更新SME候选选择，等等)。自然语言处理单元144可联合AI机器人服务120的AI/ML引擎140一起工作。

话音识别引擎148可包括软件和指令，当被处理器执行时，这些软件和指令被配置为自动将从会议中的至少一个会议客户端设备108A-N和/或在与会议分开的单独通信会话中从至少一个SME客户端设备112A-N接收的音频数据转换为识别的话音。识别的话音可被存储为文本或数字数据，该文本或数字数据被话音识别引擎148提供给自然语言处理单元144和/或AI机器人服务120的其他组件。在一个实施例中，会议中的参与者可通过说“嗨，AI机器人”，然后通过在称呼后面提供一个查询，例如“技术支持热线的状态是什么”或者“客户服务组的统计数据是什么”等等，来称呼AI机器人。在此实施例中，话音识别引擎148可将音频话音信息转换为识别的文本，该文本被提供给自然语言处理单元144和/或AI/ML引擎140以便进一步处理。

存储装置132可对应于任何类型的非暂态计算机可读介质。在一些实施例中，存储装置132可包括易失性或非易失性存储器和用于其的控制器。可在会议服务器116中利用的存储装置132的非限制性示例可包括RAM、ROM、缓冲存储器、闪存、固态存储器或者其变体。这些存储器类型中的任何一种都可以被视为非暂态计算机存储器设备，即使由其存储的数据可以被改变一次或多次。存储装置132可用于存储关于会议的信息、过去的查询、过去对查询的响应、过去对查询的建议响应、会议中的参与者、SME 114，和/或类似的信息。在一些实施例中，存储装置132可被用于为AI机器人服务120的一个或多个组件存储规则和/或指令。例如，存储装置132可包括用于训练AI机器人服务120的AI/ML引擎140的训练数据。

图2A是描绘根据本公开的至少一些实施例的通信系统100中使用的会议服务器116的组件的框图。会议服务器116被示为包括存储一个或多个指令集、应用、或者模块(可能采取AI/ML引擎140的形式)的计算机存储器212。会议服务器116可被配置为包括图1中描绘的会议服务器116的任何或所有组件的服务器或服务器的一部分。会议服务器116还被示为包括经由总线210连接到彼此的一个或多个处理器204和网络通信接口208。总线210可对应于电力和/或通信总线。

存储器212可对应于任何类型的非暂态计算机可读介质。在一些实施例中，存储器212可包括易失性或非易失性存储器和用于其的控制器。可在会议服务器116中利用的存储器212的非限制性示例可包括RAM、ROM、缓冲存储器、闪存、固态存储器或者其变体。这些存储器类型中的任何一种都可以被视为非暂态计算机存储器设备，即使由其存储的数据可以被改变一次或多次。

处理器204可对应于一个或多个计算机处理器设备。处理器的非限制性示例包括微处理器、集成电路(IC)芯片、通用处理单元(GPU)、中央处理单元(CPU)，等等。本文描述的处理器204的示例可包括但不限于以下所列项的至少一者：

800和801，具有4G LTE集成和64比特计算的

620和615，具有64比特体系结构的

A7处理器，

M7运动协处理器，

系列，

Core^TM系列处理器，

系列处理器，

Atom^TM系列处理器，

系列处理器，

i5-4670K和i7-4770K 22nm Haswell，

i5-3570K 22nm Ivy Bridge，

FX^TM系列处理器，

FX-4300、FX-6300和FX-8350 32nm Vishera，

Kaveri处理器，Texas

Jacinto C6000^TM汽车信息娱乐处理器，Texas

OMAP^TM汽车级移动处理器，

Cortex^TM-M处理器，

Cortex-A和ARM926EJ-S^TM处理器，其他工业等同处理器；并且可利用任何已知或者未来开发的标准、指令集、库和/或体系结构来执行计算功能。处理器204可以是接受数字数据作为输入、根据存储在其内部存储器中的指令处理数字数据并且提供结果作为输出的多用途、可编程设备。处理器204可以实现顺序数字逻辑，因为它具有内部存储器。与大多数微处理器一样，处理器204可以操作于以二进制数字系统表示的数字和符号。

网络通信接口208可包括促进通过通信网络104与其他通信设备(例如，会议客户端设备108A-N，和/或SME客户端设备112A-N，等等)通信的硬件。在一些实施例中，网络通信接口208可包括以太网端口、Wi-Fi卡、网络接口卡(Network Interface Card，NIC)、蜂窝接口(例如，天线、滤波器和关联的电路)，等等。网络通信接口208可被配置为促进会议服务器116和通信网络104之间的连接，并且可进一步被配置为根据通信网络104利用的协议对通信(例如，封包)进行编码和解码。

AI/ML引擎140可被配置为利用一组准则(例如，作为一组静态指令)或者通过使用机器学习来操作。在一些实施例中，AI/ML引擎140利用机器学习可能够访问存储在存储装置132中的训练数据，以最初训练AI/ML引擎140的行为。AI/ML引擎140还可被配置为基于反馈从进一步的交互(例如，查询/响应实例、候选SME选择，等等)中学习，该反馈可以以自动化方式(例如，经由递归学习神经网络)和/或人类提供的方式(例如，由会议的参与者和/或SME确认或否认由AI/ML引擎140准备的特定选择或建议响应适合于从参与者接收的特定查询)提供。

AI/ML引擎140的学习/训练模块214可能够访问并使用一个或多个对话模型。对话模型可由训练/学习模块214基于训练数据和反馈来构建和更新。学习/训练模块214还可被配置为从响应数据库220访问信息，以便构建AI机器人查询响应数据库224，该数据库有效地存储AI机器人响应，这些响应先前由AI/ML引擎140提供并且在这种情况下被识别为有效或者适当(例如，基于来自参与者、SME的肯定响应，和/或基于管理用户输入)。随着AI/ML引擎140与会议的参与者进行更多的交互和/或与查询和对查询的响应进行交互，AI机器人查询响应数据库224内的响应可不断被学习/训练模块214更新、修正、编辑或者删除。

在一些实施例中，AI/ML引擎140可包括推荐引擎216，该推荐引擎216能够访问AI机器人查询响应数据库224，并且基于从自然语言处理单元144和/或话音识别引擎148接收的查询输入232从AI机器人查询响应数据库224中选择适当的建议响应推荐。在一个实施例中，查询引擎228可以以实时聊天数据的形式和/或以对话状态信息的形式向推荐引擎216提供查询输入232。实时聊天数据可对应于从会议中的一个或多个会议客户端设备108A-N在聊天或IM通信渠道上接收到的消息的内容。换言之，查询引擎228可被配置为从数字通信渠道取回查询消息内容，并且以查询输入232的形式向AI/ML引擎140提供这种内容。利用查询输入232和AI机器人查询响应数据库224，推荐引擎216可被配置为向响应生成器236推荐对查询的一个或多个响应。响应生成器236可被配置为向查询引擎228提供所选的建议响应，以便经由适当的通信渠道(例如，在会议通信会话之外)向适当的SME或者SME的群组114发送。换句话说，查询引擎228可负责管理查询/响应交互的状态，并且可提供AI/ML引擎140用来与特定的通信渠道和会议的参与者或者会议之外的SME接治的机制。例如，查询引擎228可产生消息，该消息包括用于AI/ML引擎140和SME之间的聊天或音频渠道的对查询的建议响应。作为另一示例，查询引擎228可发布消息，该消息包括从SME到会议的聊天渠道的对查询的响应。类似地，查询引擎228可以以音频信号输出(例如，模拟的话音，等等)的形式向参与者的会议客户端设备108A-N所连接的会议的音频渠道呈现对查询的响应。

AI/ML引擎140和会议的参与者之间的交互以及AI/ML引擎140和SME 114之间的交互可由查询引擎228确定，该查询引擎228更新AI机器人查询响应数据库224。在一些实施例中，AI/ML引擎140可被配置为以无缝且不间断的方式与会议的参与者交互。例如，对查询的响应可经由聊天或者IM(当参与者在发言时)提供到会议中的参与者的会议客户端设备108A-N。在一些实施例中，AI/ML引擎140可能没有足够的历史信息(例如，在响应数据库220和/或AI机器人查询响应数据库224中)来形成对查询的建议响应，并且可将查询发送到SME客户端设备112A-N中的一个或多个来提供响应，而没有推荐。在这种情况下，一旦SME提供对查询的响应，该响应就可被存储在响应数据库220中，并且AI/ML引擎140可更新AI机器人查询响应数据库224，以用于未来相似或者类似的查询。在一个实施例中，AI/ML引擎140可不断地被提供以来自各种查询/响应交互的训练数据。在一些实施例中，会议服务器116和/或存储器212可包括多个AI/ML引擎140，而不脱离本公开的范围。

参考图2B，根据本公开的至少一些实施例示出了描绘会议服务器116的组件之间的交互的框图。如图2B所示，AI机器人240可以接收来自会议参与者的文本Qt或者语音Qv格式的查询的机器人。当会议参与者在会议的IM聊天窗口中发布查询时，AI机器人240接收文本格式的查询Qt。当会议参与者以称呼AI机器人240的语音命令的形式发布查询时，语音查询被馈送到话音识别引擎148中，以将语音查询Qv转换成文本查询Qt。AI机器人240带着查询联系(一个或多个)SME，并且推荐响应。AI机器人240随后经由优选的通信渠道接收来自(一个或多个)SME的响应。AI机器人240可将来自一个或多个SME的响应发布给会议的参与者。在一些实施例中，AI机器人240可请求和/或接收来自会议的参与者的响应反馈。

自然语言处理单元144可负责处理查询并且识别查询的意图、查询的实体和查询的情境或主题Qi。举例来说，会议的参与者可发布以下查询：“技术支持团队的平均等待时间(“AWT”)是多少？”如上所述，这个语音查询Qv可被话音识别引擎148转换为文本查询Qt，然后被转发给AI机器人240。在一些实施例中，AI机器人240可将文本查询Qt转换成“自然语言”的查询，Qn。在这种情况下，自然语言处理单元144可处理上述查询Qn，并且识别：1)将“技术支持团队”识别为“情境/主题”，将AWT识别为“实体”，并且可能将AWT认为是“意图”。这些查询标识符Qi随后可被提供给AI机器人240和/或AI/ML引擎140(例如，用于SME发现和情境相关查询响应确定、训练，等等)。

AI机器人服务120可利用一个或多个存储器设备、数据库或者企业存储位置作为AI机器人、机器学习、(一个或多个)SME、性能、会议和/或本文描述的AI机器人辅助方法和系统中的其他信息的数据的仓库。在一个实施例中，存储装置132可对应于企业存储，并且可包括存储企业会议信息(例如，包括会议参与者、会议日期和时间、会议安排人员优选咨询的SME细节，等等)和雇员档案信息(例如，包括SME和/或其他雇员的通信地址及其技能组合和专业领域)的不同数据库。(一个或多个)SME可以是基于存储在雇员档案信息中的其(一个或多个)专业技能领域来识别的。在任何情况下，这种会议和/或雇员信息可被存储在存储装置132的企业技能和会议数据库252中。存储装置132的各种数据库220、252中存储的数据可被AI/ML引擎140用于训练并得出用于发现(一个或多个)最佳SME的最佳可能SME发现ML模型244，并且确定用于情境相关查询和响应的情境相关查询发现ML模型248。在一些实施例中，企业存储可被馈送以(一个或多个)SME的数据Ds和过去会议中提出的历史会议信息和查询Dq。除其他事项外，此数据Ds、Dq可被用于训练和得出AI/ML引擎140的机器学习模型。

AI/ML引擎140可负责发现(一个或多个)最佳SME，他们大多可供咨询，并且将为会议的一个或多个参与者发布的查询提供更准确和迅捷的响应。额外地或替换地，AI/ML引擎140可负责寻找与情境或主题相关的历史查询响应，这些响应将作为建议响应被提供给(一个或多个)SME，从而帮助(一个或多个)SME迅速回答查询。在一些实施例中，AI/ML引擎140可包括查询引擎228、SME发现ML模型244和情境相关查询发现ML模型248。

查询引擎228可对应于查询和反馈数据处理器。查询引擎228可以是来自AI机器人240的会议、查询和反馈数据的接收者。会议标识、意图、实体、情境可对应于会议输入参数Mi，而SME标识、SME反馈度量、查询响应和反馈可对应于SME相关输入参数Si。查询引擎228可进一步划分这些输入参数Mi、Si，并且根据需要将划分后的输入参数的各种组合馈送给SME发现ML模型244和情境相关查询发现ML模型248。

当会议中的参与者向AI机器人240发布查询时，查询引擎228可从AI机器人240接收当前会议的会议标识、查询所关联的情境或主题、查询的意图以及查询中存在的实体。

当从SME接收到对查询的响应并将其呈现给会议的参与者时，查询引擎228可从AI机器人240接收当前会议的会议标识、与查询相关联的情境或主题、对查询的响应、参与者对于对查询的响应的准确性或有用性的反馈，和/或SME反馈度量，例如SME响应发布的查询的迅捷度、SME在会议持续期间的可用性和/或SME提供的响应的准确性或有用性。

SME发现ML模型244可发现(一个或多个)最佳SME，这些最佳SME可为发布给他们的查询提供迅速且更准确的响应(例如，与可被选择和/或可用的其他(一个或多个)SME相比，等等)。可利用真实的历史或者合成的SME数据来训练SME发现ML模型244。在一些实施例中，该训练数据可被馈送到存储装置132或者企业存储中。除其他事项以外，SME发现ML模型244还分析(一个或多个)SME的数据，基于分析来发现(一个或多个)最佳SME，并且将发现的(一个或多个)最佳SME推荐给AI机器人240。这些推荐的(一个或多个)SME可被AI机器人240用来发布查询(例如，请求对查询的响应)。

情境相关查询发现ML模型248可对应于一种模型，该模型找出过去的查询，这些过去的查询可能与当前发布的查询(例如，在当前会议中发布的查询，等等)的主题或情境有关。历史查询及其关联响应可用于训练和设计情境相关查询发现ML模型248。此历史数据可以是实际的历史数据或者合成的数据。在一些实施例中，情境相关查询发现ML模型248分析(一个或多个)SME的查询响应以及会议的参与者提供的其准确性反馈。基于该分析，情境相关查询发现ML模型248学习查询响应建议，当会议的参与者发布相关查询时，这些建议可被推荐给(一个或多个)SME。

在一些实施例中，学习/训练模块214可包括SME发现ML模型244和/或情境相关查询发现ML模型248。

图3是描绘根据本公开的至少一些实施例的会议用户界面300的框图。会议用户界面300可包括可呈现到至少一个会议客户端设备108A-N的显示器的窗口304。窗口304可包括标识信息、应用控件和至少一个查看区域。窗口304的查看区域可被分离成若干个不同的区域308、312、316、320。具体地，窗口304可包括视频会议显示区域308、消息传递显示区域312、会议细节显示区域316和/或会议记录窗口320。

视频会议显示区域308可包括一显示区域，该显示区域呈现会议中的参与者的视频信息。在一些实施例中，视频会议显示区域308可用于共享文件、文档、演示、幻灯片、图像和/或视频流的实况图像。这些图像可由音频/视频桥服务124提供，如结合图1所述。如图3所示，视频会议显示区域308包括会议中的每个参与者的图像。虽然AI机器人240是作为会议的一部分的非人类虚拟化，但AI机器人240可在视频会议显示区域308中通过静态图像、运动图像或者头像来表示。在一个实施例中，在视频会议显示区域308中示出的信息的显示可由主持人(例如，经由主持人的第一会议客户端设备108A，等等)、AI机器人240(例如，由AI机器人服务120等等使能)、会议服务器116或者会议的一些其他参与者(例如，经由会议客户端设备108B-108N，等等)来选择性地控制。在某些演示和/或会议(例如，交互式通信、网络研讨会、演示，等等)的情况下，视频会议显示区域308可包括重放控件、音频控件、视频控件和/或其他内容控件。

消息传递显示区域312可包括一显示区域，该显示区域呈现会议的文本聊天信息。消息传递显示区域312可被配置为显示作为即时消息传递服务128的一部分在聊天渠道上发送的文本消息。在一个实施例中，聊天消息可由会议中的一个或多个参与者和/或AI机器人240提供。聊天消息可以用参与者标识符来识别。如图3所示，第一聊天通信332A是来自参与者B的问题(例如，经由第二会议客户端设备108B在会议的聊天渠道上提供)，用字母“B”识别。第二聊天通信332B来自主持人(例如，经由第一会议客户端设备108A在会议的聊天渠道上提供)，用字母“M”识别。第三聊天通信332C识别出在消息传递显示区域312中已进行了查询。对查询的这个识别可通过AI/ML引擎140确定在会议中已问出了查询来作出。一旦AI/ML引擎140确定对查询的响应(例如，通过从SME获得对查询的响应，等等)，AI机器人240就可提供第四聊天通信332D，将响应发布到消息传递显示区域312。第四聊天通信332D来自AI机器人240(例如，经由AI/ML引擎140，等等)，并且以字母“A”来识别。虽然在图3中是用字母来识别的，但应当明白的是，任何标识符(例如，颜色编码、名称、样式、字型、字体、大小、其组合，等等)都可用于区分消息传递显示区域312中的一个通信与另一个通信。

如消息传递显示区域312中所示，主持人(例如，包括AI机器人240的会议的参与者)称呼AI机器人240并且提出查询(例如，第二聊天通信332B)。该称呼是短语“AI机器人”，并且该查询与技术支持团队的AWT有关。AI/ML引擎140可至少部分基于该称呼和查询内容的性质来确定查询已被提出。在一些实施例中，AI/ML引擎140可基于训练、过去提出的查询和/或本文公开的信息的任何组合来确定查询已被提出。在任何情况下，AI/ML引擎140通过在第三聊天通信332C中呈现查询的确认来示出已接收到了查询。响应于接收到查询，AI/ML引擎140可与SME通信，并且在会议在进行的同时请求对查询的响应。在一些实施例中，AI/ML引擎140可确定对查询的建议响应，该建立响应被传达给(例如，通过通信网络104发送到)SME。SME可选择接受建议的响应或者拒绝使用建议的响应。如果SME拒绝使用建议的响应，则SME可经由SME各自的客户端设备112A-N键入、以文本方式输入或者说出对查询的响应。一旦AI/ML引擎140接收到对查询的响应，AI/ML引擎140就可将对查询的响应发布在消息传递显示区域312中，供会议的参与者阅读。这个发布的响应可对应于上文提供的第四聊天通信332D。

在一些实施例中，窗口304可包括会议细节显示区域316，该区域识别会议主题、名称、议程、参与者列表、预期讨论主题、这些的组合等等中的至少一者。虽然是在图3的窗口304中示出的，但会议细节和/或关联的内容可与会议一起存储在元数据中(例如，存储在会议调度服务118、会议服务器116处和/或存储装置132中，等等)。会议细节的内容可被AI/ML引擎140用于确定适当的SME或者SME的群组114以为特定的查询或者会议选择。额外地或替换地，会议细节的内容可被AI/ML引擎140用于确定对查询的建议响应，AI机器人240可将该建议响应提供给所选择的SME或者SME的群组114，以允许来自SME或者SME的群组114的对查询的更快速响应。

窗口304可包括会议记录窗口320，其跟踪或者记录会议中的事件。会议记录窗口320可记录作为会议的一部分的音频、视频和/或聊天通信。会议记录窗口320可包括会议通信时间记录324，从会议的开始时间Ts起运行，一直继续直到会议的结束或者完成时间Tf。会议通信时间记录324可记录音频(例如，幅度和频率、说出的单词或短语，等等)，甚至可区分作为会议的一部分的对话和会议中作出的查询。例如，会议通信时间记录324被示为指示出在提出查询时的不同时间点(例如，在开始时间Ts和结束时间Tf之间)。如图3所示，在第一语音查询时间Tvq，提出了语音查询(例如，由参与者通过会议的音频渠道作出)。会议通信时间记录324显示，AI机器人240在第一响应语音查询时间Tvqr呈现了响应。在会议的晚些时候，在第一聊天查询时间Tcq提出了聊天查询(例如，由参与者通过会议的聊天渠道作出)。会议通信时间记录324显示，AI机器人240在第一响应聊天查询时间Tcqr呈现了对第一聊天查询的响应。虽然是在图3的窗口304中示出的，但会议通信时间记录324和/或关联的内容可与会议一起被存储在元数据中(例如，存储在会议调度服务118、会议服务器116处和/或存储装置132中，等等)。会议通信时间记录324的内容可被AI/ML引擎140用于确定适当的SME或者SME的群组114以在未来的查询/响应交互中为特定的查询或者会议选择。例如，提出查询和获得对查询的响应之间的时间可被AI/ML引擎140用于改进SME选择、查询响应建议/推荐，和/或更新AI机器人查询响应数据库224。作为另一示例，在具有特定参与者组合的特定会议中提出的查询的数目可用于确定适当的SME或者SME群组114，以在包括该特定参与者组合的未来查询/响应交互中为特定的查询或者会议选择。在这个示例中，AI/ML引擎140可确定或者学习到，参与者的特定组合，当一起参加会议时，比会议中的其他参与者组合提出更多的查询。因此，当参与者的特定组合被安排进行会议时，与会议中的参与者组合不包括参与者的该特定组合时相比，AI/ML引擎140可确定向包括更多数目的SME的SME群组114发送查询。相反，当确定参与者的特定组合在一起参加会议时提出较少的查询时，与会议的参与者组合不包括参与者的该特定组合时相比，AI/ML引擎140可确定向包括更少数目的SME的SME群组114发送查询。

会议记录窗口320和/或任何其他显示区域308、312、316可包括各种巡览、滚动和/或修改控件。如图3所示，会议记录窗口320包括会议记录控件328A-B，这些控件允许参与者经由会议客户端设备108A-N的用户界面选择图标，并且在会议通信时间记录324之间移动，或者巡览会议记录窗口320的其他部分。在一个实施例中，对第一会议记录控件328A的选择可在会议记录窗口320中显示会议通信时间记录324的较早时间部分。额外地或替换地，对第二会议记录控件328B的选择可在会议记录窗口320中显示会议通信时间记录324的较晚时间部分。

现在参考图4，将根据本公开的至少一些实施例描述一组通信流程。当会议中的参与者的会议客户端设备108提出查询时，通信流程开始(步骤S401)。在一些实施例中，该查询可由会议服务器116响应于监视会议中的参与者之间的音频和文本通信而自动检测。例如，AI/ML引擎140联合自然语言处理单元144和/或话音识别引擎148一起可确定会议中的短语、一组关键字、静默(例如，没有单词)和/或这些的组合与查询相关联。对会议中的话音(例如，通过音频/视频桥服务124的音频渠道)和/或文本(例如，通过即时消息传递服务128的聊天渠道，等等)的这种监视在此可被称为AI机器人240(例如，经由AI机器人服务120，等等)的“听”。在一个实施例中，当会议客户端设备108识别出作为查询提出的问题(例如，通过称呼AI机器人240和/或通过提供查询短语)时，通信流程开始。在任何情况下，会议服务器116，更具体地说，会议服务器116的AI机器人服务120接收到查询。

在接收到查询后，会议服务器116可处理该查询，以确定或者提取适当的SME咨询信息和潜在的推荐或者建议的对该查询的响应(步骤S402)。具体地，自然语言处理单元144和/或话音识别引擎148可确定查询中使用的单词的组合，确定查询的发起者(例如，哪个参与者提出了查询，等等)，并且将所确定的信息提供给AI/ML引擎140以进一步处理。AI/ML引擎140可进而确定与查询相关联的单词的组合(例如，在查询之前或者作为查询的一部分提供，等等)、查询的发起者(例如，提出了查询的参与者的标识，等等)，包括决策信息，例如与SME咨询选择相关联的特定主题、短语或者其他关键字。此决策信息可被AI/ML引擎140分析，以选择特定的SME或者SME的群组114来进行咨询。在一些实施例中，该选择可包括确定哪些SME 114具有技术专长(例如，技能、属性，等等)并且可用来提供对查询的响应。决策信息可用于基于历史响应(例如，响应数据库220和/或AI机器人查询响应数据库224中的响应，等等)确定对查询的建议响应(例如，提供给SME以便快速处理该查询)，如结合图2A所述。

在步骤S403中，会议服务器116可确定被AI/ML引擎140视为供选择的候选SME的SME的可用性。虽然此步骤可在会议之前或者在会议开始时执行，但应当明白，AI/ML引擎140可在会议期间的任何时间确定可用性。在一个实施例中，AI/ML引擎140响应于确定查询已被提出，在向特定的SME发送消息以响应查询之前，确定可用性。可用性可基于发送IM在场性、指示的日历可用性(例如，经由发送到会议调度服务118的状态请求消息，等等)、交互式ping IM(例如，从会议服务器116发送到SME的SME客户端设备112，等等)和/或其他可用性状态指标。如图4所示，会议服务器116向一个或多个SME 114的SME客户端设备112发送交互式ping IM。

在接收到交互式ping IM后，每个SME客户端设备112可提供可用性状态响应(步骤S404)。可用性状态响应可由SME客户端设备112响应于接收到交互式ping IM而自动发送。在一些实施例中，可要求SME响应于接收到交互式ping IM而提供可用性。例如，交互式pingIM可包括多个预设的可用性选项，SME可从中选择，例如“可用”、“不可用”、“在某一时间可用”、“在某一时间之前不可用”和/或其他交互选项或者其变化。当SME经由SME客户端设备112的用户界面提供选择时，该选择被发送到会议服务器116，并且AI/ML引擎140可确定将响应的SME包括为咨询的候选者，或者将响应的SME作为咨询的候选者移除。当SME未能响应交互式ping IM时，AI/ML引擎140可在预定的时间之后确定该SME不可用，并且将无响应的SME从对于咨询候选者的考虑中移除。

在一些实施例中，会议服务器116向与可用SME相关联的SME客户端设备112发送消息，包括对于该SME提供对所提出的查询的响应的请求(步骤S405)。该消息可作为音频消息通过会议服务器116和SME客户端设备112之间的音频通信渠道发送。在一些实施例中，该消息可作为文本或者聊天消息通过会议服务器116和SME客户端设备112之间的聊天通信渠道发送。该消息可被发送到一组SME 114中的一个或多个(例如，经由其各自的SME客户端设备112A-N，等等)。该消息可包括由AI/ML引擎140(例如，在步骤S402)确定的建议响应。

当该消息被作为音频消息发送时，建议的响应可经由会议服务器116作为可选择的选项(例如，通过与会议分离的音频渠道)被讲给SME。例如，该消息可利用话音合成器或者其他文本到话音系统说明，“问的问题是技术支持团队的AWT是什么”，以及“AI机器人发现技术支持团队的最近记录的AWT不到一分钟，如果你想接受这个建议的响应作为对查询的正式响应，请现在按或者说“1”，否则，请按或者说“2”并记录你对查询的不同响应”。在这种情况下，SME可确定建议的响应是正确的，然后经由SME客户端设备112按或者说“1”。然而，如果SME确定建议的响应是不正确的，则SME可经由SME客户端设备112按或者说“2”，并且在答复中记录一个不同的响应，来由会议服务器116处理。

当消息被作为基于文本的消息发送时(例如，经由聊天、IM、电子邮件或者其他基于文本的通信)，查询和建议的响应可以以文本格式被提供给SME客户端设备112的显示设备。该消息可允许SME经由SME客户端设备112通过选择、文本响应或者类似方式接受建议的响应。额外地或替换地，该消息可允许SME通过经由SME客户端设备112输入对查询的文本响应来提供对查询的不同响应。

无论对查询的响应是由SME经由文本还是音频提供的，对查询的响应(例如，答复从会议服务器116发送的消息)都经由网络通信接口208在通信网络104上被发送到会议服务器116(步骤S406)。

在从SME客户端设备112接收到对查询的响应后，会议服务器116的AI机器人服务120可处理该响应以呈现给会议(步骤S407)。在一些实施例中，查询可通过第一通信渠道(例如，音频或聊天)作为会议的一部分提出。会议服务器116可将包括查询的消息作为音频消息、基于文本的消息发送到SME客户端设备112，和/或作为不同的消息(例如，音频、聊天、IM、文本、电子邮件，等等)发送到多个SME客户端设备112。虽然会议服务器116可接收不同格式(例如，音频或文本)的对查询的响应，但会议服务器116可确定以与其提出的相同的格式提供对查询的响应。当查询以话音形式提出时(例如，通过音频/视频桥服务124的音频渠道)，AI/ML引擎140可处理接收到的对查询的响应，以通过音频/视频桥服务124的音频渠道将响应作为合成的话音响应提供给会议。额外地或替换地，当查询是作为文本输入提出的时(例如，通过即时消息传递服务128的聊天渠道)，AI/ML引擎140可处理接收到的对查询的响应，以通过即时消息传递服务128的聊天渠道作为文本输入(例如，第四聊天通信332D，等等)将响应提供给会议。在一些实施例中，无论会议中的查询格式和/或被会议服务器116接收的对查询的响应的格式如何，会议服务器116都可以以文本格式提供对查询的响应。

在一些实施例中，AI/ML引擎140可依据接收到的对查询的响应，在步骤S407更新响应数据库220和/或AI机器人查询响应数据库224中的响应，和/或训练推荐引擎216、查询引擎228和响应生成器236中的一个或多个。这种更新和/或训练可至少部分由AI/ML引擎140的学习/训练模块214执行。AI/ML引擎140的训练(基于接收到的对查询的响应，等等)可允许推荐引擎216在未来的消息中向SME 114提供更好(例如，更准确)的对查询的建议响应。

如图4所示，在步骤S408中由会议服务器116向会议提供对查询的响应。提供对查询的响应可包括使得AI机器人240代表(一个或多个)主题专家114向多个连接的会议客户端设备108呈现对查询的响应，而不要求主题专家被包括在会议中。在图4中，在没有由会议服务器116进行的处理和分析的情况下，会议客户端设备108和SME客户端设备112之间不存在通信，反之亦然。除其他事项外，这些受限制的通信流程还允许了会议参与者继续会议，同时会议服务器116接收查询，获得响应，并且将响应呈现给会议，而不曾将SME包括在会议中。将SME 114与会议分开的好处包括但绝不限于：与会议相关联的安全性的增强(例如，通过确保只有必要的和/或有适当特权的参与者能够连接到会议，等等)，对SME 114的高效使用(例如，通过在提出查询时请求来自SME的响应来仅在必要时使用SME 114)，以及会议中的时间的高效使用(例如，通过允许查询被自动提出和回答，而没有与参与者在会议期间尝试获得响应相关联的延迟)。

在一些实施例中，在提供对查询的响应之后，会议服务器116可从会议的一个或多个参与者处请求关于对查询的响应的准确性的反馈。该反馈请求可作为来自会议服务器116和/或通信系统100中的一些其他组件的消息被发送(步骤S409)。

参与者可以以从各自的会议客户端设备108发送到会议服务器116的消息的形式提供反馈(步骤S410)。在接收到消息后，基于反馈，AI/ML引擎140可更新响应数据库220和/或AI机器人查询响应数据库224中的响应，和/或训练推荐引擎216、查询引擎228和响应生成器236中的一个或多个(步骤S411)。这种更新和/或训练可至少部分地通过分析反馈，确定对先前提供的查询的响应是准确的、不准确的、偏离主题的、迅速提供的、以重大延迟提供的、可接受的、不可接受的、导致更少的后续查询的、导致更多数目的后续查询的等等，来执行。基于反馈的AI/ML引擎140的训练可允许未来的SME选择(例如，作为咨询候选者考虑)提供更好和/或更迅速的响应。额外地或替换地，AI/ML引擎140的训练(基于反馈，等等)可允许推荐引擎216向SME 114提供更好的(例如，更准确的)对查询的建议响应。

图4的通信流程可在每次由会议中的至少一个参与者提出查询时重复。

参考图5，将根据本公开的至少一些实施例描述描绘SME数据结构500的框图。SME数据结构500可包括可用于本文概述的各种通信流程、方法和过程中的若干个字段。例如，预期所示出的SME数据结构500可与对于由会议服务器116执行的会议中即时查询辅助方法确定候选SME以供咨询时考虑相关联。具体地，所描绘的SME数据结构500包括多个数据字段，这些数据字段至少部分地有助于在请求对会议中提出的查询的响应时确定供选择的候选SME的过程。这种数据字段的示例包括但不限于SME标识符字段504、可用性状态字段508、技能信息字段512、评级信息字段516、通信渠道字段520、咨询历史字段524以及更多528。

SME标识符字段504可包括用于识别或描述是或者曾经是通信系统100的一部分的特定SME和/或SME客户端设备112的数据。此标识可以是名称、短语、单词、符号、数字、字符和/或这些的组合。在一些实施例中，SME标识符字段504中的标识可对应于与SME的SME客户端设备112相关联的特定设备标识、媒体访问控制(“MAC”)地址、IP地址、硬件标识等等，和/或这些的组合。在一些实施例中，SME标识符字段504可用于在SME 114的SME客户端设备112A-N之间进行排序、排名、区分中的一个或多个。

可用性状态字段508可包括用于识别SME在给定的时间段的可用性的数据。可用性状态字段508可包括当前可用性和/或一个或多个时间的可用性。存储在可用性状态字段508中的信息可表明SME是可用的、不可用的、繁忙的、或者远离SME客户端设备112的，和/或这些的组合。AI/ML引擎140可基于可用性状态字段508中的信息确定包括或者排除SME作为咨询考虑的候选者。在一些实施例中，可用性状态字段508中的信息可基于IM在场性、通信会话在场性、日历可用性、用户(例如，SME)设置，等等。在一个实施例中，可用性状态字段508中的可用性信息可响应于会议服务器116请求SME客户端设备112的可用性状态而确定。

技能信息字段512可包括一个或多个比特或比特值，这些比特或比特值识别与SME群组114中的SME相关联的任何技能和/或属性。在一些实施例中，会议服务器116或者其各种组件(例如，AI机器人服务120，等等)可利用技能信息字段512中包含的信息来将SME与对于对查询的响应的请求相匹配。例如，存储在技能信息字段512中的技能中的至少一个可被AI机器人服务120用于确定应当接收请求对查询的响应的消息的候选SME。技能信息字段512可包括定义与特定SME相关联的技能的类型和/或属性的类型的信息。属性的类型可包括但绝不限于语言属性(例如，英语、西班牙语，等等)、群组/团队指派属性(例如，SME在其中工作、与其一起工作或者为其工作的一个或多个团队或者群组，例如技术支持团队，等等)、专业领域(例如，性能度量、统计、质量，等等)以及SME评级(例如，专家、专家-导师、专家-群组-领导，等等)。AI/ML引擎140可例如基于会议的主题、会议中的出席者和/或会议中提出的查询的内容中的至少一个来确定选择一个或多个候选SME，这些候选SME可在会议正在进行的同时被选择来进行咨询。例如，AI/ML引擎140可基于此信息确定被选择或者考虑进行咨询的SME具有以下所需技能或属性：“技术支持团队”，以及“性能统计”。AI/ML引擎140也可优选那些也具有以下属性的SME：“西班牙语”和“专家组领导”。在任何情况下，响应于确定具有所要求和/或优选的属性的匹配SME，会议服务器116可向匹配SME发送消息，指出他们可在会议期间被AI机器人240咨询。

评级信息字段516可用于存储关于特定SME的评级的数据。例如，评级信息字段516可包括但不限于先前查询响应性能、对过去查询的响应速度、对过去查询的响应准确度、同行评级、主管评级、反馈评级、总体评级值、这些的组合，等等。总体评级值可组合其他评级中的一个或多个来定义SME在查询/响应交互中的状态。例如，高评级的SME可具有“金”或者“白金”评级值，而较低评级的SME可具有“银”或者“铜”评级值。在一个实施例中，“白金”评级的SME可提供迅速响应(例如，在不到2分钟内，等等)，并且响应质量的平均准确性大于预定的准确性阈值(例如，基于参与者反馈等等的响应的准确性大于95％)。在一个实施例中，“白金”评级的SME可提供迅速响应(例如，在不到1分钟内响应，等等)，并且响应质量的平均准确性大于预定的准确性阈值(例如，基于参与者反馈等等的响应的准确性大于95％)。“金”评级的SME可提供相对迅速的响应(例如，在不到2分钟内响应，等等)，并且响应质量的平均准确性大于一个不同的预定准确性阈值(例如，基于参与者反馈等等的响应的准确性大于85％)。“银”评级的SME可提供缓慢响应(例如，在超过5分钟内响应，等等)，并且响应质量的平均准确度很高(例如，响应的准确性大于98％)。然而，在这种情况下，该SME可能会被评级得低于其他SME，因为与其他SME相比，响应查询的时间较慢。可以明白，具有“白金”或者“金”评级值的SME可在其他较低评级的SME之前被AI/ML引擎140选择和/或考虑进行咨询。

取决于对查询的响应的重要性，SME的评级可得到不同的重视。例如，当查询需要高度准确的响应，而响应的及时性并不重要时，AI/ML引擎140可选择在响应中具有更高准确性的SME，而不考虑响应时间。这种对准确性的需求可在查询的内容中表达。例如，参与者可提供“我们需要这个数字尽可能地接近正确”和/或“花多长时间并不重要，我们只需要把它弄对”。在这种情况下，AI/ML引擎140可确定选择具有更高准确性评级的SME。在一些实施例中，SME在响应质量和准确性方面可具有评级值“白金”，但在响应的及时性方面可具有评级值“铜”，或者反之。取决于查询的内容，AI/ML引擎140可选择SME作为响应查询的候选者，该SME对特定需求具有最高评级，和/或选择对若干个需求的最高平均评级。

通信渠道字段520可用于存储关于与特定SME相关联的可用通信渠道的数据。此数据可包括在SME标识符字段504中识别的SME是否可接收音频通信(例如，通过音频渠道，等等)、文本通信(例如，通过聊天渠道，等等)，和/或这些组合。在一些实施例中，通信渠道字段520中的信息可为SME定义最佳可达的，或者最可靠的通信渠道。例如，SME可能并不总是经由音频通信渠道可用，但可能可靠地响应通过聊天通信渠道发送的文本通信。在这种情况下，聊天通信渠道将在通信渠道字段520中被识别为最可靠的通信渠道。通信渠道字段520可指示出优选通信渠道、最可靠通信渠道、受限制的或者不可用的通信渠道等等中的一个或多个。

咨询历史字段524可用于存储关于过去的查询/响应交互的数据以及SME和AI/ML引擎140之间的其他咨询历史。此信息可包括但绝不限于SME提交的对查询的过去响应的准确性(例如，基于反馈、评价、后续或澄清查询的数目，等等)，对过去查询的响应的迅捷性(例如，AI/ML引擎140向SME发送请求对查询的响应的消息的时间和SME提供对查询的响应的时间之间的时间，等等)，以及在会议持续期间SME的可用性(例如，SME是否同意了可用然后却未能响应查询、延迟响应查询和/或在会话持续期间将可用性从“空闲”改变成“繁忙”，等等)。在一些实施例中，咨询历史字段524可包括AI/ML引擎140已咨询了SME的过去会议的标识、AI/ML引擎140已咨询了SME的过去会议的数目、AI/ML引擎140已咨询了SME的会议议程和/或主题，等等。存储在咨询历史字段524中的信息，如同存储在SME数据结构500的任何和/或所有字段中的信息一样，可被AI/ML引擎140在考虑和/或选择SME或者SME群组114以咨询在特定会议期间作出的查询时使用。

图6示出了描绘根据本公开的至少一些实施例的查询数据结构600的框图。查询数据结构600可包括可用于本文概述的各种通信流程、方法和过程中的若干个字段。查询数据结构600可被AI/ML引擎140用于确定对在会议中提出的查询的建议响应。额外地或替换地，查询数据结构600可联合SME数据结构500一起用于确定候选SME，以便在会议服务器116执行的会议中即时查询辅助方法的咨询中考虑。图6中描绘的查询数据结构600包括多个数据字段，这些数据字段允许AI/ML引擎140分析查询，确定对查询的建议响应(例如，用于转发或发送至SME)，和/或选择SME或者SME群组114以就在特定会议期间作出的查询进行咨询。这些数据字段的示例包括但不限于查询标识符字段604、通信渠道字段608、发起者标识字段612、关键字字段616以及更多的620。

查询标识符字段604可用于存储识别由会议中的参与者提出的查询的数据。该标识可以是查询名称、短语、单词、符号、数字、字符和/或这些的组合。在一些实施例中，查询标识符字段604中的标识可对应于在会议中提出查询的时间(例如，时间戳，等等)。在一个实施例中，查询标识符字段604中的信息可基于序列标识符来定义作出查询的时间。例如，该信息可将在会议中作出的第一查询识别为“Q1”，并且将在会议中作出的第二查询识别为“Q2”，等等依此类推。在一些实施例中，查询标识符字段604可被用来在参与者在会议期间作出的查询之间进行排序、组织和/或区分中的一个或多个。

通信渠道字段608可用于存储关于用来提出查询的特定通信渠道的数据。此数据可包括查询是否由话音(例如，作为音频/视频桥服务124的音频通信渠道的一部分，等等)、文本(例如，作为即时消息传递服务128的聊天通信渠道的一部分，等等)和/或这些的组合而发源。如本文所描述，AI/ML引擎140可确定以最初提出查询的形式(例如，话音或文本)提供对查询的响应。额外地或替换地，识别用来提出查询的通信渠道可帮助会议服务器116通过AI机器人服务120的各种组件来路由查询。

发起者标识字段612可用于存储识别在会议期间提出了查询的参与者和/或会议客户端设备108A-N的数据。发起者标识字段612可包括参与者名称、会议客户端设备108名称或者其唯一标识。此标识可以是名称、短语、单词、符号、数字、字符和/或这些的组合。在一些实施例中，发起者标识字段612中的标识可对应于与会议中的参与者的会议客户端设备108相关联的MAC地址、IP地址、硬件标识等等，和/或这些的组合。发起者标识字段612中的信息可被AI/ML引擎140用于确定参与者相对于彼此提出查询的频率、参与者提出的查询的类型、参与者提出的查询的模式，等等。

关键字字段616可用于存储关于在会议中提出的查询中使用的关键字的数据。存储在关键字字段616中的关键字可被自然语言处理单元144和/或话音识别引擎148中的一个或多个提取。所提取的关键字可分别包括语音查询或者聊天查询中的任何口语内容或者书面内容。此内容可被AI/ML引擎140用于识别查询主题，确定要咨询的候选SME，和/或确定查询的其他细节。在一些实施例中，AI/ML引擎140可基于关键字字段616中的信息确定过去的查询是否是以相同、相似或者基本相同的关键字和/或内容作出的。在一个实施例中，AI/ML引擎140可使用此信息来确定AI/ML引擎140提供给所选SME供考虑的对查询的建议响应。

现在参考图7A，根据本公开的至少一些实施例示出了描绘确定SME来用作查询顾问的方法700A的流程图。方法700A可被执行为由计算机系统(例如，会议服务器116，等等)执行并且被编码或存储在计算机可读介质(例如，存储器212，等等)上的一组计算机可执行指令。以下，将会参照结合图1-图6描述的系统、组件、模块、应用、软件、数据结构、用户界面等等来说明方法700A。

在一些实施例中，方法700A可被AI/ML引擎140在会议的开始时间之前和/或在会议期间执行。方法700A在步骤704开始，并进而识别会议的参与者(步骤708)。在一些实施例中，可通过参考会议调度服务118，确定经由音频/视频桥服务124和/或即时消息传递服务128连接到会议的特定会议客户端设备108的标识，来确定会议的参与者。每个参与者可与唯一标识符相关联，例如名称、设备标识和/或这些的组合。在一些实施例中，会议中的参与者的标识可对应于存储在查询数据结构600的发起者标识字段612中的信息。

方法700A可通过识别SME咨询的潜在主题而继续(步骤712)。这些潜在主题可基于议程、所识别的(一个或多个)主题、会议标题、会议主题、会议邀请的内容、会议中涉及的参与者的头衔和/或角色等等来确定。在一个实施例中，方法700A可确定，当一组参与者是会议的一部分时，该组参与者(基于存储在存储装置132中的历史会议信息，等等)通常讨论一个或多个主题。例如，当公司的小组领导者参与会议时，他们可能会例行讨论诸如小组业绩、盈利能力、人事问题和/或营销工作之类的主题。这些例行讨论话题可作为会议记录、与过去提出的查询相关联的主题、过去的议程等等被记录或存储在存储器(例如，存储装置132，等等)中。继续这个示例，AI/ML引擎140不仅可将这些主题识别为潜在的讨论主题，而且还可将这些主题识别为与步骤708中识别的参与者的群组相关联。

在一些实施例中，方法700A可接收从会议的参与者提交的特定SME顾问请求(步骤716)。本公开的一个方面是，会议的主持人或者其他特权参与者可作为安排会议的一部分，指定在会议期间AI机器240可能需要咨询的预期SME。在一个实施例中，参与者可在安排会议时输入SME信息和/或从呈现的若干个选项中选择预期的SME。

接下来，方法700A继续至少部分基于在步骤708、712和/或716中获得的信息来确定在会议期间作为顾问使用的候选SME(步骤720)。如上所述，这个确定可基于机器学习，使用来自过去查询/响应交互的训练示例、过去在其他会议中对SME的使用和/或其他信息。在一个实施例中，AI/ML引擎140可使用所识别的关于参与者和/或潜在主题的信息，并且将此信息与存储在一个或多个SME数据结构500中的与SME相关联的信息进行比较。当潜在主题被确定为与特定SME的技能和/或属性(例如，存储在技能信息字段512中，等等)相匹配时，该特定SME可被视为SME咨询的候选者。

当一个或多个SME被确定为咨询的候选者时，方法700A进而确定SME在会议期间的一段时间内的可用性(步骤724)。在一个实施例中，这个确定可基于IM在场性，SME的列出的可用性状态，和/或基于交互式ping IM。在一些实施例中，AI/ML引擎140可确定候选SME在与会议相关联的时间段期间不可用作顾问。在这种情况下，AI/ML引擎140可扩大SME池以选择任何一组或者所有SME。

方法700A进而例如由会议服务器116向所选的可用SME发送通知，带有关于会议的信息(步骤728)。虽然该通知不是让SME参与会议的会议邀请，但该通知可告知SME在安排会议的时间期间保持可用。在一些实施例中，该通知可告知SME咨询的潜在主题(例如，在步骤712中识别的)。在一个实施例中，从会议服务器116发送的通知可包括一些或所有会议参与者的标识。该通知可包括SME答复并接受被用作顾问的选项。在一些实施例中，当提出新的查询和/或安排其他会议时，方法700A可重复。方法700A在步骤732结束。

图7B是描绘根据本公开的至少一些实施例的自动确定并与(一个或多个)SME通信的方法700B的流程图。方法700B可被执行为由计算机系统(例如，会议服务器116，等等)执行并且被编码或存储在计算机可读介质(例如，存储器212，等等)上的一组计算机可执行指令。以下，将会参照结合图1-图7A描述的系统、组件、模块、应用、软件、数据结构、用户界面等等来说明方法700B。

在一些实施例中，方法700B可由AI机器人服务120在会议的开始时间之前和/或在会议期间执行。方法700B在步骤740开始，并且通过学习(一个或多个)SME和相关数据(步骤744)进行。AI机器人服务120可基于一个或多个学习和输入源来学习(一个或多个)SME和相关细节。该学习可基于AI机器人服务120的初始学习，实时学习，和/或经由与会议相关联的主持人或者其他特权参与者选择的“即时SME咨询”选项。

由AI机器人服务120执行的初始学习可基于组织级别的数据源。例如，一个数据源可包含(一个或多个)SME的通信地址，他们的专业知识主题/与技能组合相关联的课题、专业知识领域和/或(一个或多个)SME的当前活跃项目。也可利用任何数目的先前会议细节、后续查询和来自(一个或多个)SME的回答来训练AI机器人服务120。

一旦执行了初始学习，AI机器人服务120就可基于与各种会议相关联的信息开始实时学习。在一些实施例中，AI机器人服务120可学习关于识别(一个或多个)最佳SME的因素，包括但绝不限于查询响应的准确性、查询响应的迅捷性、来自参与者的响应反馈、响应周转时间、额外技能、关于新主题的专业知识、优选的通信渠道，等等。

在一些实施例中，可为会议的主持人或者其他特权参与者提供一个选项，以便在安排会议的同时配置“即时SME咨询”的细节。如果主持人或者特权参与者在预期某些查询并且一个或多个SME在会议之前是已知的，那么这个选项可允许在组织级别进行配置。在一些实施例中，这个选项可在安排会议时或者在会议提醒时间之前的任何时间提供。

接下来，方法700B通过接收由会议中的参与者作出的查询(步骤748)来进行。当参与者通过音频通信渠道提供音频内容(例如，话音，等等)和/或当参与者通过聊天通信渠道提供文本内容(例如，聊天，等等)时，可接收该查询，如本文所述。在一个实施例中，参与者可在提出查询之前称呼作为会议的一部分的AI机器人240。在一个实施例中，AI机器人240和/或AI/ML引擎140可联合自然语言处理单元144和/或话音识别引擎148一起，基于提出的历史查询和提供给学习/训练模块214的训练，来确定已提出查询。

方法700B可通过AI机器人服务120分析接收到的查询的信息来继续(步骤752)。在一些实施例中，此分析可包括联合自然语言处理单元144和/或话音识别引擎148一起从查询中提取关键字，并且将提取的关键字与过去的查询、对查询的先前响应和/或这些的组合相比较。在一些实施例中，该分析可确定查询的主题或情境和/或其他信息，例如查询的时间、查询的发起者和/或存储在查询数据结构600中的其他信息。基于来自分析的信息，AI机器人服务120可识别或者发现处理该查询的(一个或多个)最佳SME。这个发现可由AI机器人服务120在一个或多个识别阶段中执行。例如，响应于接收到查询，AI机器人服务120可通过分析(一个或多个)SME的历史数据，例如查询响应的准确性和迅捷性，以及(一个或多个)SME在会议期间的可用性，来确定/识别与该主题相关联的(一个或多个)最佳SME。

在一些实施例中，方法700B可进而由AI机器人240确定是否有足够的历史数据来为接收到的查询确定(一个或多个)最佳SME(步骤756)。当AI机器人240确定没有足够的历史数据可用于为接收到的查询学习或者确定(一个或多个)最佳SME时，方法700B进而将查询转发给所有相关的(例如，可用的、活跃的、高评级的，等等)(一个或多个)SME(步骤760)。

另一方面，当AI机器人240确定有足够的历史数据可用于为接收到的查询学习或者确定(一个或多个)最佳SME时，方法700B进而确定是否已配置或选择“即时SME咨询”选项(步骤764)。在一个实施例中，“即时SME咨询”细节由主持人或者特权参与者配置，它为会议的预期主题指定一个或多个SME。当“即时SME咨询”选项已被配置时，AI机器人服务120可进而确定所选择或者识别的SME是否可用并且适用于所提出的查询(步骤772)。在AI机器人服务120确定配置的(一个或多个)SME不适合回答查询(例如，与即时查询相关联的主题不同于最初配置或配置(一个或多个)SME的主题，等等)的情况下，则可确定该(一个或多个)SME不适合，并且方法700B前进到步骤768。然而，如果所配置的(一个或多个)SME适合于回答查询(例如，即时查询与选择了所配置的(一个或多个)SME的主题相关联，等等)，则所配置的(一个或多个)SME可被赋予比其他(一个或多个)SME(例如，其他发现的(一个或多个)SME，等等)更高的优先权以提供对查询的响应。在这种情况下，方法700B通过将查询转发到所识别的(一个或多个)配置SME而进行。

如上所述，当在“即时SME咨询”选项中没有适当的所识别的(一个或多个)SME时，或者当没有选择“即时SME咨询”选项时，方法700B可进而经由所选择的通信渠道(例如，优选通信渠道、可用通信渠道和/或其他非会议相关通信渠道)将查询转发给所发现的(一个或多个)SME(步骤768)。方法700B可在步骤780结束，或者当在步骤748在会议中接收到新查询时重复。

图8是描绘根据本公开的至少一些实施例的在不将SME包括在会议中的情况下代表会议中的参与者与SME自动通信的方法800的流程图。方法800可被执行为由计算机系统(例如，会议服务器116，等等)执行并且被编码或存储在计算机可读介质(例如，存储器212，等等)上的一组计算机可执行指令。以下，将会参照结合图1-图7B描述的方法、系统、组件、模块、应用、软件、数据结构、用户界面等等来说明方法800。

方法800在步骤804开始，并进而从会议中的参与者接收查询(步骤808)。当参与者通过音频通信渠道提供音频内容(例如，话音，等等)和/或当参与者通过聊天通信渠道提供文本内容(例如，聊天，等等)时，可接收该查询，如本文所述。在一个实施例中，参与者可被要求在提出查询之前称呼作为会议的一部分实例化的AI机器人240。例如，参与者可被要求在任何查询前加上短语“AI机器人，查询”。在一些实施例中，这个前缀可提醒自动监视会议的通信的AI机器人服务120，查询即将跟在该短语之后。在一个实施例中，AI/ML引擎140可联合自然语言处理单元144和/或话音识别引擎148一起，基于提出的历史查询和提供给学习/训练模块214的训练，来确定已提出查询。

接下来，方法800进而利用AI/ML引擎140分析接收到的查询(步骤812)。在一些实施例中，此分析可包括联合自然语言处理单元144和/或话音识别引擎148一起从查询中提取关键字，并且将提取的关键字与过去的查询(例如，存储在会议服务器116的存储器中，等等)相比较。在一些实施例中，该分析可确定查询的主题和/或其他信息，例如查询的时间、查询的发起者和/或存储在查询数据结构600中的其他信息。AI/ML引擎140可响应于步骤812的分析，为特定的查询构建查询数据结构600。

方法800可通过确定与查询的主题相关联的至少一个SME来继续(步骤816)。对SME的确定可基于结合图7A-7B描述的方法700A、700B中的一个或多个和/或基于作为组织会议的一部分而选择或者指定的SME。AI/ML引擎140可基于与SME的属性或技能相匹配的查询主题、会议中的参与者的组合和/或SME在将举行会议的时间段内的可用性来确定候选SME。

AI/ML引擎140，更具体地说，推荐引擎216，可参考存储在响应数据库220和AI机器人查询响应数据库224中的一个或多个中的信息，以确定基于历史数据和机器学习的对查询的建议响应是否可用(步骤820)。在一些实施例中，确定建议响应是否可用可取决于与对过去查询的潜在响应相关联的所确定的信心水平。例如，作为会议的一部分作出的查询的结构和内容可被与过去作出并存储在数据库220、224中的一个或多个中的查询的结构和内容进行比较。在一些实施例中，这个比较可确定一个查询与另一个查询的相似性。当AI/ML引擎140无法确定对查询的建议响应时，数据库220、224中存储的数据可能不足，并且/或者数据已经过时(例如，与时间敏感的查询或问题有关的数据)。时间敏感查询可请求与特定时间点相关联的群组状态、测量到的性能、统计和/或类似的数据。在这些情况下，方法800可进而请求对该查询的响应，而不向所选SME提供建议的响应(步骤830)。

当至少一个建议响应被确定为可用时，方法800可进而基于对与建议响应和查询相关联的信心水平的确定来确定对查询的建议响应(步骤824)。AI/ML引擎140可确定，鉴于查询的内容，过去对查询的响应包括适用于或者可能适用于在即时会议中提出的查询的响应。信心水平可向响应数据库220和/或AI机器人查询响应数据库224中的一个或多个响应赋予得分。例如，当相对于即时查询考虑时，可将“0”和“100”之间的得分赋予过去查询的信心水平，其中“0”是“无信心”得分，“100”是“完全信心”得分。继续这个示例，在向SME提供时，1的信心水平可能被排除在考虑之外，而80的信心水平可能被包括在对于是否应当向SME发送对查询的建议响应的考虑中。关于信心水平的确定的更多细节将结合图9来描述。

方法800继续向所确定的(一个或多个)SME发送消息，请求对查询的响应(步骤828)。此消息可在AI机器人服务120和(一个或多个)SME之间的通信中发送，该通信是在会议之外或者在会议外部的。换句话说，(一个或多个)SME可能从未连接到会议，或者甚至从未是会议中的一方。以这种方式，AI机器人服务120(例如，经由实例化的AI机器人240)可自动代表会议中的参与者和/或在发布对会议的响应时代表(一个或多个)SME采取动作。该消息可包括在会议中提出的查询的一些或者所有内容。在一些实施例中，该查询可包括对该查询的建议响应。在一个实施例中，只有当建议响应的信心水平高于预定的信心水平阈值，并且也高于与该查询相关的存储在数据库中的对查询的历史响应中的任何其他响应的信心水平时，才可将建议响应发送给SME。当对查询的建议响应作为消息的一部分被发送给(一个或多个)SME时，该消息可包括一个或多个可选择的选项，以便(一个或多个)SME接受对查询的建议响应作为他们对查询的响应，和/或拒绝接受对查询的建议响应并提供他们自己对查询的响应。在任何情况下，一旦提供(例如，通过接受对查询的建议响应或者通过提供对查询的不同响应)，该响应就成为来自(一个或多个)SME的对查询的响应。在一些实施例中，SME可被限制提供除对查询的响应之外的任何信息。

当从一个或多个SME接收到对查询的响应时，方法800可继续进行(步骤832)。响应于接收对查询的响应，方法800可进而经由AI机器人服务120通过将响应从一种格式转换为另一种格式(例如，音频到文本，文本到音频，等等)和/或以不同于接收的术语重述对查询的响应来处理响应。在一个实施例中，这个处理可对应于与结合图4描述的步骤S407相关联的通信流程。在一些实施例中，AI机器人服务120可从多个SME接收对查询的响应。在这个示例中，AI机器人服务120可确定对查询的共同响应，选择接收到的对查询的第一响应，和/或选择来自具有最高评级的SME的对查询的响应。SME的评级可被存储在与一个或多个SME相关联的SME数据结构500的评级信息字段516中，如结合图5所述。在一个实施例中，AI机器人服务120可基于从SME接收到的多个响应来汇编对查询的响应。例如，对查询的响应可包含来自第一SME的第一部分和来自第二SME的第二部分，等等依此类推。

方法800进而将对查询的响应呈现给会议的参与者(步骤836)。在一些实施例中，对查询的响应可作为会议的一部分被呈现，例如，通过音频/视频桥服务124的音频渠道和/或通过即时消息传递服务128的聊天渠道。对查询的响应的呈现可包括由会议服务器116以合成话音的形式提供响应。在一个实施例中，响应的呈现可采取渲染到会议客户端设备108A-N中的至少一个的显示器的通信、文本消息、IM或者其他基于文本的输出的形式。

基于对查询的响应，方法800进而可更新响应数据库220和/或AI机器人查询响应数据库224中存储的响应(步骤840)。更新存储的响应可包括将响应连同查询的标识(例如查询内容、从查询中提取的关键字等等)一起添加到数据库220、224中的任何一者或两者。在一些实施例中，对查询的响应可被添加到响应数据库220，然后用于通过经由学习/训练模块214的进一步训练(例如，使用对查询的响应，等等)来更新AI机器人查询响应数据库224。方法800可通过接收另一查询(在步骤808)而重复，或者在步骤844结束。

图9是描绘根据本公开的实施例的自动确定对查询的建议响应以呈现给会议外的SME的方法900的流程图。方法900可被执行为由计算机系统(例如，会议服务器116，等等)执行并且被编码或存储在计算机可读介质(例如，存储器212，等等)上的一组计算机可执行指令。以下，将会参照结合图1-图8描述的方法、系统、组件、模块、应用、软件、数据结构、用户界面等等来说明方法900。

方法900从步骤904开始，并进而确定相对于在会议中提出的查询，对查询的历史响应中的每个响应的信心水平(步骤908)。在一些实施例中，此步骤可在结合图8描述的方法800的步骤824之前。在一个实施例中，此步骤可以是结合图8描述的方法800的步骤824的一部分。如上所述，基于查询的内容，方法900可确定与响应数据库220和/或AI机器人查询响应数据库224中的一组过去的响应相关联的信心水平。这些历史响应可包括每个数据库220、224中的所有或者一部分响应。确定信心水平可包括使用机器学习(例如，经由AI/ML引擎140，等等)和开发的神经网络来评估和识别该查询和存储在各个数据库220、224中的历史响应之间的匹配标准。查询和历史响应之间的更多匹配标准表示更高的信心水平和相应的价值。额外地或替换地，查询和历史响应之间的更少匹配标准表示更低的信心水平和相应的价值。

一旦为响应中的该组过去响应确定了信心水平，方法900就可进而确定所评估的所有历史响应中具有最高信心水平的建议响应(步骤912)。在一个实施例中，该确定可包括将与每个历史响应相关联的信心水平值相互比较，并且将信心水平值从最高到最低排序，或者反之。

接下来，方法900进而由AI/ML引擎140确定信心水平是否高于预定的信心水平值阈值(步骤916)。在一些实施例中，当在步骤912中确定的建议响应的信心水平值未能超过预定的信心水平值阈值时，AI/ML引擎140可不确定建议响应存在。举例来说，AI/ML引擎140可确定具有低于“60”的信心水平值的对查询的任何建议响应不应当作为发送给SME的请求对查询的响应的消息的一部分被转发给SME。在这种情况下，AI/ML引擎140和会议服务器116可只在建议响应的信心水平值超过或者高于预定的信心水平值阈值(例如，在上面的示例中大于“60”)时才发送对查询的建议响应。因此，当建议响应的信心水平值不高于预定的信心水平值阈值时，方法900可前进到方法800的步骤830。相反，当建议响应的信心水平值高于预定的信心水平值阈值时，方法900可前进到方法800的步骤824。

图10是描绘根据本公开的至少一些实施例的利用对先前提供的查询响应的反馈来自动训练推荐引擎216和/或AI/ML引擎140的方法1000的流程图。方法1000可被执行为由计算机系统(例如，会议服务器116，等等)执行并且被编码或存储在计算机可读介质(例如，存储器212，等等)上的一组计算机可执行指令。以下，将会参照结合图1-图9描述的方法、系统、组件、模块、应用、软件、数据结构、用户界面等等来说明方法1000。

方法1000从步骤1004开始，并且在向会议参与者发送关于对由AI机器人服务120提供的查询的响应的响应反馈请求时进行(步骤1008)。会议服务器116可在会议结束时作为消息的一部分发送响应反馈请求。例如，该消息可对应于结合图4的通信流程的步骤S409描述的通信。在一些实施例中，会议的参与者可独立于接收响应反馈请求而提供反馈。方法1000可以是结合图8描述的方法800的一部分。例如，方法100可在方法800的步骤840之前和/或成为其一部分。在任何情况下，包括响应反馈请求的消息可要求关于对查询的响应的准确性、对查询的响应的及时性、对查询的响应是否达到预期、超过预期或者低于预期，和/或AI/ML引擎140可用于确定SME的评级和/或SME提供的对查询的响应的质量/准确性的其他问题的反馈。

接下来，方法1000通过接收关于对查询的响应的反馈而继续(步骤1012)。如上所述，该反馈可以是消息、交互式的基于文本的消息传递通信会话、音频呼叫和/或回答作为响应反馈请求的一部分的特定有序问题的比特序列的一部分。

在接收到反馈后，方法1000可进而例如经由AI/ML引擎140考虑到对查询的响应和其他会议信息来分析反馈(步骤1016)。例如，基于反馈，AI/ML引擎140可更新响应数据库220、AI机器人查询响应数据库224中的响应，和/或训练推荐引擎216、查询引擎228和响应生成器236中的一个或多个。当反馈是正面的时，例如，识别出对查询的响应是准确的，AI/ML引擎140可将对查询的响应包括在响应数据库220和/或AI机器人查询响应数据库224中，带有高的或者正数的(例如，大于零的数字，等等)信心水平加权值。该加权值可用于增大存储的对查询的响应的信心值(相对于该查询)。换句话说，当未来的查询被提出并且其基本上或者完全匹配与所存储的对查询的响应相关联的查询时，AI/ML引擎140可确定信心水平高于没有加权值的所存储响应。额外地或者替换地，当反馈是负面的时，例如，识别出对查询的响应是不准确的，AI/ML引擎140可将对查询的响应包括在响应数据库220和/或AI机器人查询响应数据库224中，带有低的或者负数的(例如，小于零的数字，等等)信心水平加权值。该低加权值可用于降低存储的对查询的响应的信心值(相对于该查询)。在这种情况下，当未来的查询被提出并且其基本上或者完全匹配与所存储的对查询的降低信心水平响应相关联的查询时，AI/ML引擎140可确定信心水平低于没有加权值的所存储响应。

在一些实施例中，该反馈可被AI/ML引擎140用于提供更好的未来SME选择(例如，供考虑作为咨询候选者)和/或对在会议中提出的查询提供更好和/或更快的响应。在一些实施例中，响应的及时性可用于影响SME的评级(例如，存储在SME数据结构500的评级信息字段516中)。较快的响应可对应于该SME的增大的或者较高的评级。较慢的响应可对应于该SME的减小的或者较低的评级。在一些实施例中，方法1000可结束或者前进到图8中描述的方法800的步骤840。

本文论述的任何步骤、功能和操作可被连续地、自动地执行。

已联系会议和通信系统描述了本公开的示范性系统和方法。然而，为了避免不必要地模糊本公开，先前描述省略了若干个已知的结构和设备。此省略不应被解释为对要求保护的公开的范围的限制。阐述了具体细节以提供对本公开的理解。然而，应当明白，本公开可以按超出本文阐述的具体细节的多种方式来实现。例如，虽然是结合客户端-服务器网络(例如，会议服务器、客户端设备，等等)来描述的，但应当明白，本文描述的组件、系统和/或方法可以作为对等网络或其他网络的一部分被采用。可以明白，在对等网络中，结合通信系统100描述的各种组件或系统可以是参与对等网络的一个或多个端点或计算机的一部分。

此外，虽然本文说明的示范性实施例示出了位于相同位置的系统的各种组件，但系统的某些组件可位于远处、位于分布式网络(例如LAN和/或互联网)的遥远部分，或者位于专用系统内。从而，应当明白，系统的组件可被组合在一个或多个设备中，例如服务器、通信设备，或者共同位于分布式网络(例如模拟和/或数字电信网络、封包交换网络或者电路交换网络)的特定节点上。从先前描述将明白，出于计算效率的原因，系统的组件可布置在组件的分布式组件网络内的任何位置，而不影响系统的操作。例如，各种组件可位于诸如PBX和媒体服务器之类的交换机中、位于网关中、位于一个或多个通信设备中、位于一个或多个用户驻地处、或者这些的某种组合。类似地，系统的一个或多个功能部分可分布在(一个或多个)电信设备和关联的计算设备之间。

此外，应当明白，连接元件的各种链路可以是有线或无线链路，或者其任何组合、或者任何其他已知的或以后开发的能够提供和/或传输数据去往和来自连接的元件的(一个或多个)元件。这些有线或无线链路也可以是安全链路，并且可能够传输加密的信息。用作链路的传输介质例如可以是电信号的任何适当载体，包括同轴线缆、铜线和光纤，并且可采取声波或光波的形式，例如在无线电波和红外数据通信期间生成的那些。

虽然已联系事件的特定序列论述和图示了流程图，但应当明白在不实质性地影响公开的实施例、配置和方面的操作的情况下可发生对此序列的改变、添加和省略。

可以使用本公开的若干个变化和修改。可以提供本公开的一些特征，而不提供其他的。

在另外一个实施例中，本公开的系统和方法可结合专用计算机、编程的微处理器或微控制器和(一个或多个)外围集成电路元件、ASIC或其他集成电路、数字信号处理器、诸如分立元件电路之类的硬连线的电子或逻辑电路、可编程逻辑器件或门阵列(比如PLD、PLA、FPGA、PAL)、专用计算机、任何相当的手段等等来实现。一般地，能够实现本文说明的方法的任何(一个或多个)设备或手段都可用于实现本公开的各种方面。可用于本公开的示范性硬件包括计算机、手持设备、电话(例如，蜂窝的、支持互联网的、数字的、模拟的、混合的及其他)以及本领域中已知的其他硬件。这些设备中的一些包括处理器(例如，单个或多个微处理器)、存储器、非易失性存储装置、输入设备和输出设备。此外，也可构造替换的软件实现方式来实现本文描述的方法，替换的软件实现方式包括但不限于分布式处理或组件/对象分布式处理、并行处理或虚拟机处理。

在另外一个实施例中，所公开的方法可利用对象或面向对象的软件开发环境来结合软件容易地实现，所述环境提供可在多种计算机或工作站平台上使用的可移植源代码。或者，所公开的系统可利用标准逻辑电路或VLSI设计来部分或全部地以硬件实现。是使用软件还是硬件来实现根据本公开的系统取决于系统的速度和/或效率要求、具体的功能和所利用的具体软件或硬件系统或微处理器或微计算机系统。

在另外一个实施例中，所公开的方法可部分地以软件来实现，该软件可存储在存储介质上，在有控制器和存储器合作的编程通用计算机、专用计算机、微处理器等等上执行。在这些实例中，本公开的系统和方法可实现为嵌入在个人计算机上的程序，例如小应用程序、

或CGI脚本，实现为驻留在服务器或计算机工作站上的资源，实现为嵌入在专用测量系统、系统组件等等中的例程。系统也可通过将系统和/或方法在物理上结合到软件和/或硬件系统中来实现。

虽然本公开参考特定的标准和协议描述了在实施例中实现的组件和功能，但本公开并不限于这种标准和协议。本文没有提及的其他类似的标准和协议是存在的，并且被认为被包括在本公开中。另外，本文提及的标准和协议和本文未提及的其他类似的标准和协议周期性地被具有实质上相同功能的更快速或更有效的等同物所取代。这种具有相同功能的替换标准和协议被认为是包括在本公开中的等同物。

本公开在各种实施例、配置和方面中包括基本上如本文描绘和描述的组件、方法、过程、系统和/或装置，其中包括其各种实施例、子组合和子集。本领域技术人员在理解了本公开之后将会理解如何做出和使用本文公开的系统和方法。本公开在各种实施例、配置和方面中包括在没有本文未描绘和/或描述的物品的情况下或者以其各种实施例、配置或方面来提供设备和过程，包括在没有先前设备或过程中可能使用的这种物品的情况下提供，例如为了改善性能、实现轻松和/或降低实现的成本。

以上对本公开的论述是为了说明和描述而给出的。上述内容并不打算将本公开限制到本文公开的一个或多个形式。例如，在以上“具体实施方式”部分中，为了使公开流畅，本公开的各种特征在一个或多个实施例、配置或方面中被分组在一起。本公开的实施例、配置或方面的特征可在不同于以上所述那些的替换实施例、配置或方面中组合。公开的此方法不应被解释为反映了要求保护的公开要求比每个权利要求中明确记载的更多的特征的意图。更确切地说，如所附权利要求所反映的，发明方面存在于单个前述公开的实施例、配置或方面的非全部特征中。从而，特此将所附权利要求并入到本“具体实施方式”部分中，其中每个权利要求独立作为本公开的一个单独的优选实施例。

另外，虽然对本公开的描述包括了对一个或多个实施例、配置或方面以及某些变化和修改的描述，但其他变化、组合和修改是在本公开的范围内的，例如就像在本领域技术人员理解了本公开之后的技能和知识范围内那样。希望在允许的程度上获得包括替换实施例、配置或方面的权利，包括对于要求保护的那些的替换、可互换和/或等同结构、功能、范围或步骤，无论这种替换、可互换和/或等同结构、功能、范围或步骤在本文是否公开，并且不打算向公众奉献任何可专利的主题。

本公开的实施例包括一种通信系统，包括：服务器，包括：网络通信接口；与所述网络通信接口耦合的处理器；以及与所述处理器耦合并且可被所述处理器读取的存储器，其中存储有指令，所述指令当被所述处理器执行时，使得所述处理器：从参与包括多个连接的会议客户端设备的会议的会议客户端设备接收查询，所述多个会议客户端设备中的每个会议客户端设备与各自的参与者相关联；分析所述查询以确定不在所述会议中并且与所述查询的主题相关联的主题专家；在所述会议在进行的同时向所述主题专家的客户端设备发送请求来自所述主题专家的对所述查询的响应的消息；从所述主题专家的客户端设备接收对所述查询的响应；并且使得自动化机器人代表所述主题专家向所述多个连接的会议客户端设备呈现对所述查询的响应，而不要求所述主题专家被包括在所述会议中。

上述通信系统的一些方面包括其中所述指令还使得所述处理器：利用与多个主题专家相关联的历史数据并且利用过去会议的历史数据基于机器学习自动确定要被考虑咨询的一组候选主题专家的标识，并且其中不在所述会议中并且与所述查询的主题相关联的主题专家是从所述一组候选主题专家中选择的。上述通信系统的一些方面包括，其中所述自动化机器人被使得在所述会议在进行的同时向所述多个连接的会议客户端设备呈现对所述查询的响应，而无需所述会议的任何参与者与所述主题专家通信并且无需将所述主题专家的客户端设备连接到所述会议。上述通信系统的一些方面包括其中所述查询是作为所述会议中的音频通信的一部分作出的基于语音的查询和作为所述会议中的聊天通信的一部分作出的基于文本的查询中的至少一者，并且其中在向所述主题专家的客户端设备发送所述消息之前，所述指令还使得所述处理器：利用自然语言处理单元分析所述查询的内容以从多个存储的响应中确定对所述查询的建议响应。上述通信系统的一些方面包括其中响应于分析所述查询的内容，所述指令还使得所述处理器：确定在所述多个存储的响应中没有对所述查询的建议响应，并且其中所述消息不包括对所述查询的建议响应。上述通信系统的一些方面包括其中发送到所述主题专家的客户端设备的消息包括所述建议响应和一选项，供所述主题专家通过由所述主题专家经由所述主题专家的客户端设备提供的输入来接受所述建议响应作为对所述查询的响应。上述通信系统的一些方面包括其中在接收所述查询之前，所述指令还使得所述处理器：作为安排所述会议的一部分接收在所述会议在进行的同时要被考虑咨询的一组候选主题专家的标识。上述通信系统的一些方面包括其中在接收所述查询之前，所述指令还使得所述处理器：基于关于所述会议的信息自动确定在所述会议在进行的同时可用于咨询的一组主题专家。上述通信系统的一些方面包括其中在确定所述一组主题专家之后，所述指令还使得所述处理器：在配置所述一组候选主题专家时，向所述一组主题专家发送咨询提醒消息，所述咨询提醒消息包括所述会议的议程、所述会议的主题、以及所述一组主题专家在所述会议期间被预期保持可用于咨询的时间。上述通信系统的一些方面包括其中在使得对所述查询的响应被呈现给所述多个连接的会议客户端设备之后，所述指令还使得所述处理器：接收来自所述多个会议客户端设备中的至少一个会议客户端设备的关于对所述查询的响应的准确性的反馈；并且分析所述反馈以提高所述多个存储的响应的准确性。上述通信系统的一些方面包括其中所述服务器还包括机器学习引擎，该机器学习引擎可被所述处理器执行并且使得所述处理器能够：分析所述查询以确定对所述查询的建议响应；响应于对所述查询的分析并且基于所述会议中的每个参与者的标识，以及存储在数据库中的对查询的历史响应，确定相对于所述查询的与存储在所述数据库中的对查询的历史响应中的每个响应相关联的信心水平；并且当相对于所述查询的存储在所述数据库中的对查询的历史响应中的所述建议响应的信心水平高于相对于所述查询的存储在所述数据库中的对查询的历史响应中的任何其他响应的信心水平时，将所述建议响应作为发送到所述主题专家的客户端设备的所述消息的一部分发送。

本公开的实施例包括一种方法，包括：由处理器经由网络通信接口从参与包括多个连接的会议客户端设备的会议的会议客户端设备接收查询，所述多个会议客户端设备中的每个会议客户端设备与各自的参与者相关联；由所述处理器分析所述查询以确定不在所述会议中并且与所述查询的主题相关联的主题专家；由所述处理器经由所述网络通信接口在所述会议在进行的同时向所述主题专家的客户端设备发送请求来自所述主题专家的对所述查询的响应的消息；由所述处理器从所述主题专家的客户端设备接收对所述查询的响应；并且由所述处理器使得自动化机器人代表所述主题专家向所述多个连接的会议客户端设备呈现所述响应，而不要求所述主题专家被包括在所述会议中。

上述方法的一些方面包括其中所述自动化机器人被使得在所述会议在进行的同时向所述多个连接的会议客户端设备呈现对所述查询的响应，而无需所述会议的任何参与者与所述主题专家通信并且无需将所述主题专家的客户端设备连接到所述会议。上述方法的一些方面包括其中所述查询是作为所述会议中的音频通信的一部分作出的基于语音的查询和作为所述会议中的聊天通信的一部分作出的基于文本的查询中的至少一者，并且其中在向所述主题专家的客户端设备发送所述消息之前，所述方法还包括：由所述处理器利用自然语言处理单元分析所述查询的内容以从多个存储的响应中确定对所述查询的建议响应。上述方法的一些方面包括其中发送到所述主题专家的客户端设备的消息包括所述建议响应和一选项，供所述主题专家通过由所述主题专家经由所述主题专家的客户端设备提供的输入来接受所述建议响应作为对所述查询的响应。上述方法的一些方面还包括：在接收到所述查询后，由所述处理器利用与多个主题专家相关联的历史数据、利用过去会议的历史数据并且利用关于所述会议的信息基于机器学习来自动确定在所述会议在进行的同时可用来咨询的一组候选主题专家；并且在接收到所述查询之前，由所述处理器经由所述网络通信接口在配置所述多个主题专家时，向所述一组候选主题专家发送咨询提醒消息，所述咨询提醒消息包括所述会议的议程、所述会议的主题、以及所述一组候选主题专家在所述会议期间被预期保持可用于咨询的时间。上述方法的一些方面包括其中在使得对所述查询的响应被呈现给所述多个连接的会议客户端设备之后，所述方法还包括：接收来自所述多个会议客户端设备中的至少一个会议客户端设备的关于对所述查询的响应的准确性的反馈；并且由所述处理器分析所述反馈以提高所述多个存储的响应的准确性。

本公开的实施例包括一种服务器，包括：处理器；以及机器学习引擎，该机器学习引擎可被所述处理器执行并且使得所述处理器能够：从参与包括多个连接的会议客户端设备的会议的会议客户端设备接收查询，所述多个会议客户端设备中的每个会议客户端设备与各自的参与者相关联；分析所述查询以确定不在所述会议中并且与所述查询的主题相关联的主题专家；分析所述查询以确定对所述查询的建议响应；在所述会议在进行的同时向所述主题专家的客户端设备发送请求来自所述主题专家的对所述查询的响应的消息，该消息包括对所述查询的建议响应；从所述主题专家的客户端设备接收对所述查询的响应，包括接受对所述查询的建议响应作为对所述查询的响应和拒绝接受对所述查询的建议响应并且提供替换响应作为对所述查询的响应中的至少一者；并且使得自动化机器人代表所述主题专家向所述多个连接的会议客户端设备呈现对所述查询的响应，而不要求所述主题专家被包括在所述会议中。

上述服务器的一些方面包括其中所述查询的内容是利用由所述机器学习引擎使能的人工智能作为分析所述查询以确定对所述查询的建议响应的一部分来分析的。上述服务器的一些方面包括其中所述服务器还包括：话音识别引擎，其将包括作为语音查询作出的所述查询的所述会议中的音频通信转换成文本，并且其中作为分析所述查询以确定对所述查询的建议响应的一部分，所述文本被自然语言处理单元分析。上述服务器的一些方面包括其中所述机器学习引擎还使得所述处理器能够：响应于分析所述查询以确定所述建议响应并且基于所述会议中的每个参与者的标识，以及存储在数据库中的对查询的历史响应，确定相对于所述查询的与存储在所述数据库中的对查询的历史响应中的每个响应相关联的信心水平；确定相对于所述查询的存储在所述数据库中的对查询的历史响应中的所述建议响应的信心水平是否高于预定的信心水平阈值；并且仅当所述建议响应的信心水平高于所述预定的信心水平阈值并且高于相对于所述查询的存储在所述数据库中的对查询的历史响应中的任何其他响应的信心水平时，才将所述建议响应作为发送到所述主题专家的客户端设备的所述消息的一部分发送。

如本文实质性公开的方面/实施例中的任何一个或多个。

如本文实质性公开的方面/实施例中的任何一个或多个可选地与如本文实质性公开的任何一个或多个其他方面/实施例相组合。

适合于执行如本文实质性公开的上述方面/实施例中的任何一个或多个的一个或多个手段。

短语“至少一个”、“一个或多个”、“或者”和“和/或”是开放式表述，在操作上既是连接的也是分离的。例如，表述“A、B和C中的至少一个”、“A、B或C中的至少一个”、“A、B和C中的一个或多个”、“A、B或C中的一个或多个”以及“A、B或C”中的每一者的意思是A单独、B单独、C单独、A和B一起、A和C一起、B和C一起或者A、B和C一起。

术语“一”实体指的是一个或多个该实体。因此，术语“一”、“一个或多个”和“至少一个”在本文中可互换使用。还要注意，术语“包括”、“包含”和“具有”可互换使用。

术语“自动”及其变体在本文中使用时指的是通常是连续或半连续的任何如下的过程或操作：该过程或操作在其被执行时是在没有实质性的人类输入的情况下完成的。然而，即使过程或操作的执行使用了实质性或非实质性的人类输入，如果该输入是在该过程或操作的执行之前接收的，则该过程或操作也可以是自动的。人类输入如果影响了过程或操作将如何被执行，则该人类输入被视为实质性的。同意过程或操作的执行的人类输入不被认为是“实质性的”。

本公开的各个方面可采取以下形式：完全硬件的实施例、完全软件的实施例(包括固件、驻留软件、微代码等等)，或者组合软件和硬件方面的实施例，这里可以全都称为“电路”、“模块”或“系统”。可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。

本文使用的术语“计算机可读介质”指的是参与向处理器提供指令以供执行的任何有形存储和/或传输介质。这种介质可采取许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质例如包括NVRAM或者磁盘或光盘。易失性介质包括动态存储器，例如主存储器。计算机可读介质的常见形式例如包括软盘、柔性盘、硬盘、磁带或者任何其他磁介质、磁光介质、CD-ROM、任何其他光介质、穿孔卡、纸带、任何其他具有孔图案的物理介质、RAM、PROM、EPROM、FLASH-EPROM、像存储卡那样的固态介质、任何其他存储芯片或卡盘、如下文所述的载波、或者计算机可读取的任何其他介质。电子邮件的数字文件附件或其他独立的信息存档或存档集合被认为是与有形存储介质等同的分布介质。当计算机可读介质被配置为数据库时，要理解该数据库可以是任何类型的数据库，例如关系的、层次的、面向对象的，等等。因此，本公开被认为包括有形存储介质或分布介质和现有技术认识到的等同物和后继的介质，其中存储了本公开的软件实现。

“计算机可读信号”介质可以包括例如在基带中或者作为载波一部分传播的数据信号，其中体现了计算机可读的程序代码。这种传播的信号可以采取多种形式中的任何一种，包括但不限于电磁信号、光信号或这些的任何适当组合。计算机可读信号介质可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以传达、传播或者传输用于由指令执行系统、装置或者设备使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可利用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任何适当组合。

术语“确定”、“计算”、“运算”及其变体当在本文中使用时是可互换使用的并且包括任何类型的方法、过程、数学操作或技术。

应理解，本文使用的术语“装置”(means)应根据35U.S.C.，第112节，第6段来给予其尽可能广泛的解释。因此，包含术语“装置”的权利要求应涵盖本文记载的所有结构、材料或动作及其所有等同物。另外，结构、材料或动作及其等同物应包括本公开的发明内容、附图说明、具体实施方式、摘要和权利要求本身中描述的所有那些。

本文描述的处理器的示例可包括但不限于以下所列项的至少一者：

800和801，具有4G LTE集成和64比特计算的

610和615，具有64比特体系结构的

A7处理器，

M7运动协处理器，

系列，

Core^TM系列处理器，

系列处理器，

Atom^TM系列处理器，

系列处理器，

i5-4670K和i7-4770K 22nm Haswell，

i5-3570K 22nm Ivy Bridge，

FX^TM系列处理器，

FX-4300、FX-6300和FX-835032nm Vishera，

Kaveri处理器，Texas

Jacinto C6000^TM汽车信息娱乐处理器，Texas

OMAP^TM汽车级移动处理器，

Cortex^TM-M处理器，

Cortex-A和ARM926EJ-S^TM处理器，其他工业等同处理器；并且可利用任何已知或者未来开发的标准、指令集、库和/或体系结构来执行计算功能。

本文描述或要求保护的方法可以用传统的可执行指令集来执行，这些指令集是有限的，并且在固定的输入集上操作以提供一个或多个定义的输出。替换地或额外地，本文描述或要求保护的方法可以利用AI、机器学习、神经网络等等来执行。换言之，系统或服务器被设想为包括有限指令集和/或基于人工智能的模型/神经网络以执行本文描述的一些或所有步骤。

Claims (10)

1.一种通信系统，包括：

服务器，包括：

网络通信接口；

与所述网络通信接口耦合的处理器；以及

与所述处理器耦合并且可被所述处理器读取的存储器，其中存储有指令，所述指令当被所述处理器执行时，使得所述处理器：

从参与包括多个连接的会议客户端设备的会议的会议客户端设备接收查询，所述多个会议客户端设备中的每个会议客户端设备与各自的参与者相关联；

分析所述查询以确定不在所述会议中并且与所述查询的主题相关联的主题专家；

在所述会议在进行的同时向所述主题专家的客户端设备发送请求来自所述主题专家的对所述查询的响应的消息；

从所述主题专家的客户端设备接收对所述查询的响应；并且

使得自动化机器人代表所述主题专家向所述多个连接的会议客户端设备呈现对所述查询的响应，而不要求所述主题专家被包括在所述会议中。

2.如权利要求1所述的通信系统，其中所述指令还使得所述处理器：

利用与多个主题专家相关联的历史数据并且利用过去会议的历史数据基于机器学习自动确定在所述会议在进行的同时要被考虑咨询的一组候选主题专家的标识，并且其中不在所述会议中并且与所述查询的主题相关联的主题专家是从所述一组候选主题专家中选择的。

3.如权利要求1所述的通信系统，其中所述自动化机器人被使得在所述会议在进行的同时向所述多个连接的会议客户端设备呈现对所述查询的响应，而无需所述会议的任何参与者与所述主题专家通信并且无需将所述主题专家的客户端设备连接到所述会议。

4.如权利要求3所述的通信系统，其中所述查询是作为所述会议中的音频通信的一部分作出的基于语音的查询和作为所述会议中的聊天通信的一部分作出的基于文本的查询中的至少一者，并且其中在向所述主题专家的客户端设备发送所述消息之前，所述指令还使得所述处理器：

利用自然语言处理单元分析所述查询的内容以从多个存储的响应中确定对所述查询的建议响应；并且

确定在所述多个存储的响应中没有对所述查询的建议响应，并且其中所述消息不包括对所述查询的建议响应。

5.如权利要求3所述的通信系统，其中所述查询是作为所述会议中的音频通信的一部分作出的基于语音的查询和作为所述会议中的聊天通信的一部分作出的基于文本的查询中的至少一者，并且其中在向所述主题专家的客户端设备发送所述消息之前，所述指令还使得所述处理器：

利用自然语言处理单元分析所述查询的内容以从多个存储的响应中确定对所述查询的建议响应，并且其中发送到所述主题专家的客户端设备的消息包括所述建议响应和一选项，供所述主题专家通过由所述主题专家经由所述主题专家的客户端设备提供的输入来接受所述建议响应作为对所述查询的响应。

6.如权利要求5所述的通信系统，其中在接收所述查询之前，所述指令还使得所述处理器：

作为安排所述会议的一部分接收在所述会议在进行的同时要被考虑咨询的一组候选主题专家的标识。

7.如权利要求5所述的通信系统，其中在接收所述查询之前，所述指令还使得所述处理器：

基于关于所述会议的信息自动确定在所述会议在进行的同时可用于咨询的一组主题专家；并且

在配置所述一组候选主题专家时，向所述一组主题专家发送咨询提醒消息，所述咨询提醒消息包括所述会议的议程、所述会议的主题、以及所述一组主题专家在所述会议期间被预期保持可用于咨询的时间。

8.如权利要求1所述的通信系统，其中所述服务器还包括机器学习引擎，该机器学习引擎可被所述处理器执行并且使得所述处理器能够：

分析所述查询以确定对所述查询的建议响应；

响应于对所述查询的分析并且基于所述会议中的每个参与者的标识，以及存储在数据库中的对查询的历史响应，确定相对于所述查询的与存储在所述数据库中的对查询的历史响应中的每个响应相关联的信心水平；并且

当相对于所述查询的存储在所述数据库中的对查询的历史响应中的所述建议响应的信心水平高于相对于所述查询的存储在所述数据库中的对查询的历史响应中的任何其他响应的信心水平时，将所述建议响应作为发送到所述主题专家的客户端设备的所述消息的一部分发送。

9.一种方法，包括：

由处理器经由网络通信接口从参与包括多个连接的会议客户端设备的会议的会议客户端设备接收查询，所述多个会议客户端设备中的每个会议客户端设备与各自的参与者相关联；

由所述处理器分析所述查询以确定不在所述会议中并且与所述查询的主题相关联的主题专家；

由所述处理器经由所述网络通信接口在所述会议在进行的同时向所述主题专家的客户端设备发送请求来自所述主题专家的对所述查询的响应的消息；

由所述处理器从所述主题专家的客户端设备接收对所述查询的响应；并且

由所述处理器使得自动化机器人代表所述主题专家向所述多个连接的会议客户端设备呈现所述响应，而不要求所述主题专家被包括在所述会议中。

10.一种服务器，包括：

处理器；以及

机器学习引擎，该机器学习引擎可被所述处理器执行并且使得所述处理器能够：

从参与包括多个连接的会议客户端设备的会议的会议客户端设备接收查询，所述多个会议客户端设备中的每个会议客户端设备与各自的参与者相关联；

分析所述查询以确定不在所述会议中并且与所述查询的主题相关联的主题专家；

利用由所述机器学习引擎使能的人工智能来分析所述查询的内容以确定对所述查询的建议响应；

在所述会议在进行的同时向所述主题专家的客户端设备发送请求来自所述主题专家的对所述查询的响应的消息，该消息包括对所述查询的建议响应；

从所述主题专家的客户端设备接收对所述查询的响应，包括接受对所述查询的建议响应作为对所述查询的响应和拒绝接受对所述查询的建议响应并且提供替换响应作为对所述查询的响应中的至少一者；并且

使得自动化机器人代表所述主题专家向所述多个连接的会议客户端设备呈现对所述查询的响应，而不要求所述主题专家被包括在所述会议中。

Images