人工智能（AI）和机器学习（ML）可以做些什么来改善客户体验？自从网上购物开始以来，AI 和 ML 已经密切参与整个网上购物流程。如果没有获得购物建议，你可能无法享受到淘宝或任何其他购物网站的优质服务，这些建议通常是根据供应商对你的特征的理解进行个性化匹配，其中包括你的购买历史记录，浏览历史记录以及更多内容。淘宝和其他在线企业都希望发明一个知道你和你的品味的销售人员的数字版本，并且可以无误地引导你使用你购买的产品。
一切都始于优质的数据
为了实现这一愿景，我们需要从后端的一些繁重工作开始。谁是你的客户？你真的知道他们是谁吗？所有客户都留下了数据路径，但该数据路径是一系列碎片，将这些碎片相互关联起来真的很难。如果一个客户有多个帐户，你能查出来吗？如果客户有单独的帐户用于商业和其他用途，你可以关联它们吗？如果一个组织使用了许多不同的名称，你能发现它们其实就是个单一的组织吗？客户体验始于准确了解客户是谁以及他们如何关联，擦除客户列表以消除重复称为实体解析，它曾经是一些拥有大量数据的公司才能涉足的领域。随着时间的发展，我们可以看到实体解析的解决方案正在民主化：已经出现了大量提供适合中小型组织的实体解析软件和服务的初创公司。
一旦你清楚了你的客户是谁，你就必须问你对它们的了解程度到底有多少。全面了解客户的活动对于了解客户的需求至关重要，例如它们有什么数据，以及如何使用它？ML 和 AI 现在被被广泛用作数据收集的工具：处理来自传感器、应用程序和其他来源的数据流。收集客户数据可能具有侵入性，并且在道德上存在问题，所以当你建立对客户的理解时，请确保他们同意并且不会损害他们的隐私。
ML 与任何其他类型的计算没有根本的区别：“进入垃圾，出来垃圾”规则仍然适用。如果你的训练数据质量很差，那你的结果将会很差。随着数据源数量的增加，潜在数据字段和变量的数量也会增加，并且可能出现错误，例如转录错误，印刷错误等等。在过去，我们可以手动纠正和修复数据，但手动更正数据是一项容易出错且繁琐的任务，而且占用大多数数据科学家的时间。与实体解析一样，数据质量和数据修复已成为最近研究的热点，并且开始出现了一套用于自动化数据清理的新机器学习工具。
应用
机器学习和 AI 对客户体验的一个常见应用是个性化推荐系统。近年来，混合推荐系统——结合多种推荐策略的应用变得更加普遍。许多混合推荐系统依赖于许多不同来源的数据，并且深度学习模型通常是这种系统的一部分。虽然现有的大量模型大多数训练完后再部署，但高级推荐和个性化系统确是实时的。很多公司开始使用强化学习，在线学习和个性化算法，构建推荐系统不断训练模型对抗实时数据。
机器学习和人工智能可以自动执行许多不同的企业任务和工作流程，包括客户交互。目前市面上有“经验丰富”的聊天机器人，可以自动化客户服务的各个方面。到目前为止，聊天机器人还没有达到人类的水平，但如果设计良好，简单的“常见问题”机器人可以带来良好的客户转化率。我们正处于自然语言处理和理解的早期阶段，但在过去的一年时间里，我们已经看到了许多突破。随着我们构建复杂语言模型能力的提高，我们可以看到聊天机器人多个阶段的进展：从提供通知到管理简单的问答场景，再到理解上下文和参与简单的对话，最后是“了解”用户需求的个人助理。随着聊天机器人的改进，我们希望它们可以成为客户服务不可或缺的一部分。为了使聊天机器人达到这种性能水平，他们需要整合实时推荐和个性化，他们需要了解客户以及人性。
欺诈检测是另一项正在应用机器学习的技术。欺诈检测涉及好人和坏人之间的持续较量，欺诈专家正在发明更复杂的在线犯罪技术。欺诈不再是人对人：它是自动化的，就像机器人购买演唱会所有门票一样，因为他们可以再次出售。正如我们在最近的许多选举中看到的那样，犯罪分子很容易通过创建一个充斥着自动回复的机器人来渗透社交媒体。发现这些机器人并实时阻止它们真的很困难，只有机器学习才有可能，即使这样，这也是一个难以解决的问题。
语音技术和情感检测的进步将进一步减少自动化客户交互中的摩擦。结合不同类型输入（音频、文本、视觉）的多模式模型将使得更容易适当地响应客户; 客户可能能够向你展示他们想要的内容，或者发送他们所面临问题的实时视频。虽然人类和机器人之间的互动经常将用户置于令人毛骨悚然的“神秘山谷”中，但可以肯定的是，未来的客户对机器人的熟悉程度将超过我们现在的水平。
但如果我们要让客户通过这个神秘山谷的另一边，我们也必须尊重他们的价值。影响客户的 AI 和 ML 应用必须尊重隐私，他们必须是安全的，他们必须公平和公正。这些挑战都不简单，但如果客户最终感到受到虐待，技术将无法改善客户体验。
机器学习和人工智能将为客户体验做些什么？它已经做了很多。但它还有更多可以做的事情，而且必须要做的是建立未来更自然的客户体验。
本文作者：虎说八道
阅读原文
本文为云栖社区原创内容，未经允许不得转载。