不久前，苏州市民李红红网购的产品出现故障，她想在线咨询售后时却遇到难题。在李红红与卖家10分钟的对话交流里，陷入“找客服”——“对不起，人工客服繁忙，您可以留言或在以下列表中寻找解决方案”循环。生活中，与智能客服对话是许多人想要办理业务的第一道“关卡”。然而，答非所问、回答内容机械、多次重复询问……智能客服的种种表现却不那么智能。为何会出现这样的情况？《科技周刊》记者采访到南京航空航天大学计算机科学与技术学院教授李丕绩为大家解答。

“智能客服识别用户需求的任务被称为意图识别，例如问天气、订餐、订机票酒店、查找产品信息、退换货等。在特定领域的任务类型往往设计成可枚举形式，即在标注语料比较多的情况下训练分类器对用户意图进行分类识别。”李丕绩介绍，目前比较好的文本分类器是基于BERT的微调模型，即通过大语料预训练、特定客服领域微训练，随后在意图识别任务上进行分类器微调，测试后使用。

“大语料预训练是指让分类器‘学习’必备的基础知识，而针对特定客服领域的智能客服，则需要再深入‘学习’相关领域的专业知识，如专有词汇等。”李丕绩解释，在实际应用中还会存在标注语料不足或者新的用户请求类别，这种情况下可以结合模板配置的方法进行意图识别。即对文本进行分词、词性标注、命名实体识别、依存句法分析等，随后根据频率提炼模板。例如，当我们向智能客服提问“南京明天天气如何”这一问题时，可被归纳为“<城市>*<时间>*天气*”模板，其中<城市><时间>分别对应城市列表以及时间列表或正则表达。

那么，为何智能客服在与用户的交流过程中会闹出一系列“笑话”呢？“导致智能客服不智能的原因有很多，例如任务种类边界不清晰、问答库覆盖不全面、语义建模不准确、多轮对话能力差等。”李丕绩告诉《科技周刊》记者，在实际应用场景中，智能客服要处理的事项类别可能会非常多，而任务种类边界不清晰很可能导致无法识别用户的真实意图。比如，在电商领域中，智能客服可能需要处理包括售前咨询、退换货、退邮费补差价等多种任务类别，如果这些任务的定义不清晰，就很可能出现“不知所措”“答非所问”的情况。

此外，针对某一特殊领域，如网游客服机器人，如果语义建模不准确，例如没有针对这款游戏的专有名词进行语义建模，那么当用户在交流中提及其中某一游戏角色或者装备的名字时，智能客服便无法回答或万能回答。“生活中，很多人在线与智能客服交流时会因为被其他事情干预而中断谈话，如果这时重新接入智能客服，则需要重新输入大量基本信息，耽误不少时间。这其实是智能客服多轮建模能力有无以及优劣的体现。”据介绍，目前为了简易性以及安全性，智能客服一般不会基于非标准答案进行充分无限制联想。这也就是说，在对用户回复进行分析和处理时，如果智能客服发现当前对话并没有实现对话目标，它们一般会选择通过询问的形式进行确认，或者重新询问，这也可能导致对话陷入循环。

李丕绩表示，这些问题的产生也提醒我们需要进一步提升智能客服的意图识别模型准确率，提升模板覆盖率以增强用户需求理解能力；可以根据对话日志补充智能客服问答库，并提升问题生成、问题匹配识别等能力；针对智能客服多轮建模能力差的问题，则可以提升对话管理模块的灵活性（打断恢复等）或采用有长程上下文建模能力的模型。

24小时在线，不会发脾气，大大节省人力财力，随着人工智能技术的不断发展与应用，更多智能客服投入使用。智商“不在线”的智能客服未来是否会替代人工客服？不少消费者对此表示担忧。“在某些简单场景中，客服机器人可以代替人类，例如饭店订桌时，只需要通过交互针对性地收集时间、人数等简单信息即可完成任务，而在一些复杂场景中，当前阶段的智能客服在开放域的服务能力还不够智能。”李丕绩表示，像电话投诉这一类情况，所涉及的用户需求描述范围较广，对不清晰或者不理解的问题，目前阶段下的智能客服很难像人工一样随机应变，因此也不可避免地需要人机相互配合完成。

“要想真正实现智能，需要大幅提升自然语言理解和生成技术，包括提升知识建模、逻辑推理等能力。”李丕绩认为，如何将知识库、常识库与语义理解相关模型结合？如何更准确地理解因果关系，从而进行一些真正有意义的理解和推理？如何让智能客服更准确地感知用户个性化特征和即时情感？这可能是未来需要解决的问题。