AI目前在不同行業有各自的細分應用。對話機器人,針對不同的業務場景,有每個領域的細分落地。由此,對於對話機器人的整體設計思路也不同。
筆者目前在國內一家AI廠商從事AI PM的工作,產品主要面對的主要是某行業的售前營銷場景業務。不同於市面上主流的售後機器人的對話產品,該行業的售前機器人有其特殊的行業特性與對話產品需求點。根據以往的實踐與歸納總結的AI對話設計方法論,本文通過闡釋基於該行業的對話產品設計流程與思路,拆解從0到1搭建售前營銷機器人的過程。
以下是本文的思路框架與概覽。
一、行業背景概況
在介紹對話產品設計之前,先介紹一下行業的業務背景。
筆者所面對的行業,為某垂直領域的行業。該行業中,又有更進一步的行業細分,分為行業1,行業2,行業3,等等。行業間有如下特點:
- 整個大行業有共通的業務特性、業務場景與用戶訴求點;
- 細分行業間,有部分共同的行業知識,但每個細分行業,又有各自單獨的行業知識;
- 人工客服接待對話的場景,細分行業間有共通的對話技巧與思路,但同時每個細分行業又有各自的獨特性;
- 不同的細分行業,售前對話思路有所差異。根據對售前客服接待的難易程度,可將對話複雜度分為:高、中、低 3個層級。各細分行業的分佈佔比大致為 高:中:低 =1:7:2;
目前由於業務線處於初步階段與持續完善階段,本文先從業務 對話複雜度等級為高 的細分行業為例,具體闡釋對話產品設計的流程與思路。
二、對話設計流程
1. 業務分析
業務分析主要是對細分行業的整體情況做分析,目的是為對話產品設計提供對話知識框架和對話設計思路。主要包括2個方向:行業特性分析 和 對話場景分析。
1.1 行業特性分析
行業特性分析,指的是對該行業的知識體系做梳理,並對現有人工客服接待的對話訪客特徵做分析。
1.1.1 知識體系梳理
重要性
每個行業內,都有其獨有的知識體系。知識體系分析,對於對話產品設計來說至關重要。它決定了整個對話機器人的應答語料話術庫的整體方向與內容,起了方向性的作用。
如何做
一般AI PM需要根據業務需要,與數據工程師配合,進行相關信息的獲取與梳理。主要通過以下幾種方式:
1)人工對話數據抽取分析
從已有的人工客服接待對話數據中,抽取行業知識框架體系中的關鍵信息,從而梳理構建行業知識框架。包括不限於實體關鍵信息的抽取,通過無監督學習的聚類(如K-means聚類等)等方式獲取信息分類,等等。
抽取之後的數據,需要進行人工篩選和梳理,輸出相應的知識框架結構。
2)用戶調研
用戶調研的方式是從另一個維度去考量分析行業知識。主要通過與行業專家(通常是客戶)做用戶訪談的形式來進行。
行業專家是對該行業有深刻理解且有深厚的知識沉澱的專家,TA會對行業有一套抽象歸納的知識結果。這是對1)點中數據抽取方式的有效補充。數據抽取的角度,主要是基於數據特性的歸類與抽象,用戶調研可從業務角度進行補充和方向調優。避免出現技術實現的數據分析,與業務脫軌、偏離方向的各類情況。
3)其他各方資料信息搜集
資料信息搜集,包括各種網上資料、線下書籍等,作為知識查詢的補充。通常在各類的行業領域資訊網會有相應的資料可查詢,有必要可安排數據工程師做數據爬蟲。但得到的數據也僅供知識框架分析用,若要作為話術語料,則需進一步清洗和篩選。
1.1.2 訪客特徵分析
筆者在做AI PM之前,做過2年的互聯網PM。在做AI產品設計時,其實很多時候都會運用到做互聯網設計的方法論,即使實際的工作內容不同,但是思維是一致的。比如訪客特徵分析下,主要是對進入對話的訪客做特徵分析,即訪客用戶畫像。目的是為了形成對話產品服務的C端用戶的關鍵信息特徵與需求分析,進而做相應的對話設計。
訪客特徵分析主要對以下幾個特徵進行分析與歸類:
- 角色
- 基本信息(性別、年齡、主訴載體、來源渠道)
- 對話目的(為什麼/會怎樣/怎麼辦/可做什麼)
- 表達方式
- 用戶情緒
- 用戶預期
- 訪客留聯意願度
(根據業務需要,會進行標籤維度的新增)
訪客用戶畫像的理想方式是通過大數據/深度學習的方式做數據分析,但基於現實情況(產品線人力物力等因素)還未能做到如此精細化,前期我們會通過AI PM與數據工程師配合的方式來實行。
1.1.3 人工對話思路分析
弱人工智慧時代,我們基於的假設是,機器人還無法超越人工。人工客服的行為是給機器人的一個目標和方向。所以在這樣的假設前提下,我們對於對話機器人的設定主要在於「模擬」,即模擬優秀人工客服對話的方式進行對話。我們通過對優秀人工客服對話語料的分析,提取出對話思路與對話語料,作為機器人答疑和引導的方向和素材。
1.2 對話場景分析
除了做行業特性分析,業務分析另一大重要內容是對話場景分析,旨在確定和拆解訪客進入對話的場景,為後續的對話設計做基礎準備。
1.2.1 場景劃分
主要進行場景的確定,梳理出場景列表。同時分析統計出各場景在該行業對話諮詢中的佔比,進而統計出,各場景覆蓋業務範圍。這樣我們就可以得到,哪些場景是我們需要重點關注設計的場景,哪些場景是可以無需花太多精力來設計準備。
1.2.2 場景詳情分析
場景詳情包括:場景訪客特徵、場景訪客問題、場景客服引導思路、場景對話特徵 的分析。
- 場景訪客特徵:該場景下的訪客的訪客特徵分析,具體分析維度的思路與「1.1.2 訪客特徵分析」 同,輸出結果是該場景的訪客特徵標籤;
- 場景訪客問題:該場景下訪客問題的統計,基本可以歸納為:為什麼/會怎樣/怎麼辦/可做什麼;
- 場景客服引導思路:總結歸納該場景下客服引導思路,包括對話流程思路與話術,作為後續設計的指導素材。
1.2.3 分析方式
分析方式主要為兩種:人工對話數據分析 和 用戶訪談。基本方式與上文介紹同。值得說明的是,場景詳情分析重要性極高,價值主要在於為對話產品設計提供方向和業務參考,保證後續設計和開發的方向不至於走偏,是指導性的調研分析。
2. 機器人產品定義
在了解了行業知識體系框架與優秀人工客服對話思路后,我們對要設計的對話機器人就有了方向和框架性的認知。即:對於我們要設計怎樣的機器人,這樣的機器人如何去滿足業務要求,機器人的能力/功能要達到什麼樣的程度,有了基本的了解和認知。接下去我們就可以對機器人產品做定義。
機器人產品定義可以分為2部分:機器人人物形象設定 與 機器人能力界定。
2.1 機器人人物形象設定
對訪客而言,在對話過程中,人工客服/機器人的接待是有人物特性的,體現在對話的多個方面:人物形象、對話語言、對話節奏等等。同時,人物特徵對於對話引導效果,是在潛移默化中的,一句話術、一個間隔等,都是人物特徵的表徵形式。所以需要對機器人做人物形象設定。
主要從以下幾個層面:
視覺形象:
主要包括機器人頭像、昵稱、對話框信息展示與交互效果。該行業默認設定的客服是親切地、富有親和力的、體貼的等等,可以建立標籤來衡量。
人物個性:
主要包括語言風格和對話節奏風格。
1)語言風格 指的是機器人使用話術的風格,將會貫穿對話始終,涉及後續話術庫的建立和審核,需根據話術風格建立標準;
2)對話節奏風格 指的是在對話過程中,機器人發送話術的節奏,以及在等待應答階段的對話交互。機器人發送話術的節奏,涉及到對話序列策略的設計,比如每間隔N秒發送一句話術,或者根據話術長度決定發送等待時長。
當然,具體的設計涉及諸多異常情況的設計需要考慮,如訪客在等待時間內連續發送多條話術的處理等待。等待應答階段的對話交互,有針對性的設計會讓訪客對話體驗更像是在跟真人對話一樣,如我們會在訪客等待機器人發送話術的間隔時間內,在前端顯示「正在輸入…」的提示,讓「模擬」更加「模擬」。
2.2 機器人能力界定
根據機器人在對話中所需承擔的業務價值,可將機器人進行能力拆分。在互聯網產品設計中,PM需要根據業務需求規劃產品功能,並做功能拆解。AI PM也一樣,根據業務需求劃定機器人的能力邊界,並做能力拆分。
我們會先劃定,基於業務背景,結合現有的AI技術,機器人需要達到怎樣的能力,才能滿足業務需求。需要實現什麼能力?什麼能力是必要的;什麼能力是選要的;什麼能力是沒有必要的。
根據劃定的能力範圍,我們又會根據場景,拆解細分的機器人能力。比如,場景1中,機器人的答疑能力、引導能力、暖和對話能力的細分拆解;場景2中……需窮舉所有場景的機器人所有能力,可定量的需定量描述;不可定量的需定性描述,並附上相應的評估指標(若無指標,需附上評估指標策略建議)。
機器人能力的界定,可以為整個對話產品的研發測試工作起到關鍵作用。換言之,即需求定義明確且可量化。對話產品的幾個特點就是,不好評估、衡量主觀性大,對話未能覆蓋的業務範圍會比預期更大。在前期作用能力界定是非常重要的,同時也避免開發團隊內部與外部溝通對接、與客戶對接的諸多問題。機器人能力的界定,也為產品設計開發測試完成之後的產品驗收做基礎準備。
3. 機器人框架確定
在該行業中,訪客一般是帶著自身的問題/疑惑進入到對話的(除了騷擾的訪客),即我們可以默認訪客都是帶著目的進入對話的(可參見上文 訪客特徵分析),這同時也是我們的 任務型對話 所要解決的問題。
所以我們根據訪客的場景主題和在該場景下的訪客各類意圖,來框定機器人的對話內容框架。
- 主題:根據對話場景分析的結果,可將對話主題進行拆分。(註:不同於NLP行業內主流的任務型對話機器人,筆者產品所面對的行業,不同的主題間界限較不明確,且存在眾多主題跳轉的情況。這對於後續對話流程的設計,是一大考驗難點。)主題確定和拆分主要考慮幾個點:主題覆蓋率、主題顆粒度、主題下答疑與引導的預設。同時,在完成這一步后,需要確定和撰寫主題標註規範,讓後續的數據標註與對話測試,都有一個參照標準。
- 意圖:意圖是每個對話場景主題下,訪客的對話目的。我們會匯總所有場景下的意圖,做整理和分析,並框定對話中的意圖。作為NLU的主要成分,機器人識別的意圖在對話中的角色至關重要,將主導對話的進展與聊天的方向。而意圖的框定又是其根源的決策,所以需要考慮諸多影響因素。與主題的方法類似,意圖確定和拆分也會考慮相同的幾個點:主題覆蓋率、主題顆粒度、主題下答疑與引導的預設。同時,也會確定和撰寫意圖標註規範,方法同上。
4. 對話產品設計與開發
做了前期的分析與準備之後,下一步就進入了從0到1搭建售前機器人的核心環節:對話產品設計與開發。在闡釋具體的方法論之前,我們先看機器人的對話整體框架是如何的,相信這張圖在諸多文章中都出現過:
這也是當前NLP領域對話機器人通用的處理邏輯,即:
- NLU(自然語言理解):訪客輸入信息,通過NLU的解析,將自然語言轉化為機器人可理解的語言。
- DM(對話管理):NLU的識別結果,通過對話管理的處理,輸出相應的信息回應。對話管理的過程,可理解為機器人的「腦處理」機制,類比於人類的大腦。
- NLG(自然語言生成):根據對話管理處理的結果,進行語言生成。這部分的處理,目前我們暫時用話術庫話術直接調用的方式來代替,未做語言生成的處理。
區別於互聯網產品的設計與開發,對話機器人的設計,主要在於對話策略的設計。產品功能的載體,如對話界面展示,交互形式等,在對話產品設計中,只佔一小部分的工作內容。所以在某種意義上,對話產品的設計,與「策略產品經理」的工作思維較為相像。
在對話產品設計中,AI PM不僅要了解業務,同時要對AI技術有充分的了解認知,需要知道AI技術的實現效果邊界,以及AI技術實現的難度等等。通常需要與演算法工程師配合,在對話產品設計與開發間,做儘可能多的無縫銜接。
4.1 NLU(自然語言理解)設計
NLU的設計,主要由AI PM主導對話需求和效果要求,實現層面由演算法工程師負責。值得一提的是,現有的人工智慧的核心雖然是各類AI演算法,但是演算法並不能解決所有問題。實際上在應用中,AI演算法在對話產品中可能佔比不到50%的功能實現,其他的部分需要演算法之外的策略設計來實現,比如人為設定各式各樣的規則處理等待。
基於行業業務形態,NLU的設計主要分為3部分:主題識別設計、意圖識別設計、實體識別設計。
4.1.1 主題識別設計
在實際對話中,對話主題常常因為訪客提供信息的變化,需發生相應的主題變化。基於現有的AI演算法水平(還未到達會話級識別的能力),在主題識別上,需做一套可控的完備的規則進行相應的主題識別。
主題識別的設計,主要包括 主題映射設計 與 主題跳轉設計 。
- 第一步,AI PM需讓數據工程師抽取並整理出各實體與主題之間的關係映射表,並做相應的審核;
- 第二步,基於關係映射表,設計一套主題映射規則。基於對話業務,進行映射權重關係、分值計算、主題跳轉觸發機制的設計。
主題識別的機制,在演算法能力不成熟的情況,主要通過人工制定規則的方式來實現。在效果上,可以暫時達到相應的業務需求,但是,隨著業務複雜度上升,規則的局限性便會暴露出來。
規則的優勢在於,可量化、可控,且容易直接地達到人的預期。但是劣勢同樣也明顯,規則不具有泛化能力,規則覆蓋不到的範圍,基本上屬於「人工智障」的範疇。並且,一旦規則越來越多后,規則間就會出現重疊、互斥等問題,會超出預想的結果預期。同時這也為後面的異常流程設計、兜底話術等的設計,又提高了難度要求。
4.1.2 意圖識別設計
意圖識別方面,對AI PM來說,主要是做意圖識別規則的設計,體現在與演算法模型訓練的結合上。如:演算法識別結果是單意圖 or 多意圖,識別優先順序如何確定,識別結果如何使用,等等。相應的規則需確定並落成文檔,方便在後續的對話流程設計中使用。
同時,意圖識別的模型訓練,目前主要使用的是有監督學習的演算法,需要數據標註團隊進行數據的標註,給到演算法模型訓練。所以在意圖確認后,就需要有意圖標註規範,目前由AI PM根據業務來撰寫。
當演算法模型訓練完成後,AI PM需要進行驗收,需要關注幾個AI基礎指標:P值(準確率)、R值(召回率)、F1值。當然,單純的技術指標並不能完全說明對話效果,還需在後續的對話測試中,驗證對話的體驗效果。
4.1.3 實體識別設計
實體指的是訪客發送信息中抽取的有實際意義的信息,基本可以代表信息傳遞的有價值內容。演算法工程師會根據行業特徵,抽取所有細分行業中通用的實體信息,並做相應的 實體對齊(歸一化)。
舉個例子,比如實體「電話號碼」,其他的表述方式如「手機號」、「聯繫方式」、「手機號碼」等等多種表述方式,都會歸一化為「電話號碼」,這樣可提高機器人識別的泛化能力,而不是僅限於「關鍵詞」。
AI PM的職責是審核實體列表與實體歸一化結果。通常來講,技術實現的只是基於數據特徵的抽象,可能符合/不符合業務需求。筆者的做法是,找行業專家審核一遍訓練結果,讓行業專家通過專業角度來判別與提供建議,並進行相應的調整優化。
同樣的,實體識別模型訓練后,我們也會關注幾個AI基礎指標:P值(準確率)、R值(召回率)、F1值,來衡量模型訓練的效果。
4.2 DM(對話管理)設計
對話管理是機器人的「大腦」,是機器人行為的處理樞紐,可見其在對話機器人中的核心地位。對話管理主要分為DP(對話策略)設計 和 DST(對話狀態追蹤)設計。
4.2.1 DP(對話策略)設計
DP(對話策略)即機器人的對話邏輯處理機制,也就是機器人如何利用識別到的訪客對話信息,做機器人的應答邏輯處理。在DP中,包含大量的流程邏輯處理,以及話術庫調用機制。
4.2.1.1 對話流程框架
設計初期,需要構建對話流程的總體框架。包括幾大功能模塊,以及模塊間是如何的邏輯處理方式。一般輸出結果為對話邏輯流程圖。當然,這需要與應用層開發工程師溝通協商實際實現難度與效果。
4.2.1.2 對話主功能模塊
對於該行業對話機器人來講,對話主功能模塊主要有2大部分:答疑模塊和引導模塊。答疑主要解決的是訪客疑惑解答的問題;引導主要解決的是用戶(B端)營銷獲聯的問題。
答疑模塊:
根據條件觸發機制的不同,我們將機器人所調用的話術,劃分為幾個話術庫,分別承擔不同的答疑任務,覆蓋不同方面的訪客問題。話術庫包括:知識圖譜、FAQ話術庫、兜底話術庫。
- 知識圖譜:知識圖譜本質上是解決實體架構與實體之間聯繫的組織,它可通過一個實體指向與它有關聯的任一實體,在對話機器人答疑中,起到無法替代的作用。知識圖譜的複雜程度,決定了對話應答的智能程度。同時,知識圖譜對應的話術,需要通過數據抽取的方式,從各種資源中獲取,如:人工對話數據、網站爬蟲等,通過數據清洗,構建相應的話術庫。
- FAQ話術庫:FAQ是基於語義相似度計算匹配的問答對,本質上與對話主題、訪客意圖等,無太大關聯。所以如何與之建立關聯並讓對話流程進行,是設計的難點。同時,AI PM一般也需要關注語義相似度計算匹配所使用AI技術實現效果的差一點。比如使用Bert與使用word2vec的差異點是什麼?如何做取捨,如何對演算法工程師提要求和優化點,等等。這個要求AI PM對各類常用的演算法有足夠深度的了解。
- 兜底話術庫:兜底話術庫的定位,即「兜底話術」。當機器人主要的話術庫(上述3種)無法應答的問題出現時,只能使用兜底話術庫來做應答。兜底話術特點,在於「通用」,它是普適性的。所以意味著這些話術答疑,回答得不會具有針對性。在對話中只可作為暫時性的過渡用,當兜底話術庫出現次數增多后,用戶體驗將會大大降低。作為售前營銷機器人,這是很影響訪客留聯意願度的。反過來說,我們也可以通過統計對話中兜底話術出現的頻次,來衡量對話效果。通用話術越多,表示機器人應答效果值越低。
引導模塊:
引導模塊主要體現為對話主題流程的設計,分為 主題引導 和 非主題引導 的設計。
- 主題引導:主要是各個主題的對話流程設計,旨在機器人可順暢地、有遞進層次關係地進行引導,最後促成訪客留聯的結果。包括幾個組成部分:主題常規流程設計、引導action設計、重複問診規避設計、主題跳轉后流程設計。
- 非主題引導:非主題引導指的是,未進入主題流程的訪客對話,需進行相應的引導。由於前期做了充分的主題分析,所以一般認定未落在預設主題範圍內的訪客問題,通常也是營銷價值不大的訪客,甚至是騷擾訪客。基於這樣的假設,非主題引導一般會講該類訪客,引導到主題引導流程中,同時保持對話順暢,不至於出現對話斷層的情況。
4.2.1.3 對話其他功能模塊
在對話主要功能模塊之外,我們還對對話進行補充功能設計,包括:歡迎語&引導語模塊、暖場模塊,以及其他根據行業需要新增的功能模塊。
- 歡迎語&引導語模塊: 歡迎語為訪客進入對話后,機器人隨即發送的第一句話術;引導語為訪客進入對話后間隔N秒未說話,機器人發送的用於引導用戶開口的話術。這個模塊的設定,旨在引導訪客開口發送消息,是機器人營銷獲聯的基礎。
- 暖場模塊 :暖場即在對話進行中時,訪客間隔N秒未說話時,機器人會自動發送一句話術,用於暖和對話,引導訪客繼續開口,以使對話進程進行。
4.2.1.4 對話序列發送機制
對話序列發送機制,通俗講即,機器人每間隔多長時間發送話術,每次發送幾句話術;當間隔時間內,訪客聯繫發送消息,機器人應做如何的處理,未發出的話術序列應做如何取捨和優先順序排序,等等。對話序列發送機制,旨在讓機器人的對話應答,與人的應答更相像,在「模擬」程度上儘可能地接近人工,降低訪客對「機器」的感知程度。
4.2.2 DST(對話狀態追蹤)
對話狀態追蹤,指的是在對話進行過程中,機器人自動記錄的對話關鍵信息。信息包括訪客信息、對話狀態信息,以及機器人動作信息的記錄。用於保證對話進行中的信息記錄和信息更新,為機器人應答提供必要的信息來源。
DST 對話狀態追蹤的設計,主要包括:DST信息字典設計 和 DST信息更新規則 設計。
- DST信息字典設計 即設計DST需要記錄哪些信息,通常在技術實現端會以 session 的方式來記錄,具體的設計需與相關開發工程師確定。
- DST信息更新規則 即DST記錄的信息,當對話進行時,如何進行相關信息的更新,確保更新前後信息無誤,且能為機器人的應答提供有效的信息源。
4.3 NLG(自然語言生成)
NLG主要是通過語言素材進行自動生成的過程。鑒於現有業務暫未使用相關的技術與設計,這裡暫不贅述。我們的替代方式是,直接使用不同話術庫中的話術,作為機器人應答輸出的內容。
5. 機器人能力界定
當對話產品設計與開發進行到這時,整個機器人的構建已達到規模。我們可以根據前期預設定的機器人能力預期值與劃分,拆解出每個機器人能力的實現程度,並根據每一條能力,設定能力界限。即:機器人能做什麼,不能做什麼。從而為下一步的機器人整體效果評估指標做準備。
6. 機器人整體效果評估指標
基於現有的行業,衡量機器人的對話效果並不簡單。我們盡量做到定量分析評估,若實在無法定量,則做定性分析評估。現有的評估方式可分為 上線前測試評估 和 上線后驗證評估。
上線前測試評估:
上線前的效果評估,可以分為2方面,一方面為技術指標,另一方面為業務指標。
- 技術指標 即考量每個對話功能模塊中,應用到的AI演算法效果指標。最常用的還是3個基礎衡量指標:P值(準確率)、R值(召回率)、F1值。優點在於數據直觀,易衡量;缺點是技術指標未必指向業務效果,需要業務指標的補充驗證。
- 業務指標 即通過對話效果評估,來衡量機器人的功能模塊/整體效果。常用的方式是通過人工打分的方式。分為:單輪打分、會話級打分、對話功能打分等。優點在於可透過人工視角來檢驗機器人真正的表現如何,這也是最接近用戶視角的檢驗方式;缺點在於,需投入的人力成本大,且參與測試的人員,與實際訪客始終有差別,會造成一定程度的偏誤。當然,測試驗證的手段也會在實踐中一步步改進,儘力去減少儘可能多的偏差。
上線后驗證評估:
上線后的評估,通常直接與業務掛鉤,用戶也通常重點關注業務相關的關鍵性指標,包括:留聯率、對話有效率、對話轉化率、訪客留存量等等。作為一款SaaS產品,這幾個關鍵性指標也決定了用戶付費的意願度。基於實際線上流量跑出的機器人效果,我們會通過聊天記錄,分析存在的改善點,進一步改善對話。
7. 機器人對話效果管理
對話產品的設計與開發,主要針對機器人對話本身的設計。但是在用戶側,需要直觀地了解到對話的效果統計,以及需進行對話個性化的配置,以滿足每個用戶不同的需求。根據對話配置開放許可權對象的不同,可分為對內配置與對外配置系統。
對話效果統計:
對話效果的統計,主要參照機器人整體驗證的指標參數,分為以下兩部分:
- 機器人業務效果數據:包括上文提到的 留聯率、對話有效率、對話轉化率、訪客留存量 等等。
- 機器人能力技術指標:主要指機器人功能所用AI技術的P值(準確率)、R值(召回率)、F1值衡量指標。
機器人對話配置:
- 根據配置的內容,可分為答疑模塊、引導模塊的配置。通常來講,答疑模塊的話術庫,會給予用戶充分的配置自主性,因為根據每家用戶的業務點不同、時間點不同,會對話術做相應的修改;引導模塊,通常會將流程模塊化。底層的邏輯、機器人主框架邏輯,是我們會預設好的,開放給用戶的主要是主題引導到流程。這樣可以實現流程標準化與自定義化的結合,充分保證對話效果。
- 根據配置的對象,可分為內部團隊與外部用戶。內部團隊主要指團隊內的實施團隊,他們會幫助用戶,基於用戶的業務特性,做對話的相應調整。所以會開放一定的許可權給到內部團隊修改機器人。外部用戶指的是我們產品的用戶,開放給用戶的部分,是可保證其修改在我們的可控範圍之內,可讓用戶自行修改。
機器人應用管理配置:
機器人應用管理配置主要指機器人的套餐管理,機器人的對話主題管理、意圖管理等,主要面向內部團隊使用。
總結
對話產品的設計與開發,需要有一套系統的方法論與實踐經驗指導。看似簡單的對話,背後蘊藏著複雜的構思與邏輯。這就要求AI PM不僅需要深入了解業務、深入了解AI演算法,也需要深入設計與開發的鏈路中,建立標準和堅持不懈地為問題尋求解決方案。
AI是個新興的行業,目前行業的痛點在於AI技術如何落地。在很多場景下,經常出現技術負責人不懂業務,業務負責人不懂技術的情況,造成AI產品開發偏離真正的需求痛點的方向。AI PM需要作為業務和AI技術的樞紐,統籌規劃與設計解決方案。在探索中逐步搭建AI產品方法論。
本文主要概覽了售前營銷機器人從0到1搭建設計的過程,鑒於文章篇幅有限,每個環節中的細節與具體方法論未展開,筆者將會在後續的文章中拆分講解。希望本文可以幫得到你。
作者:咖喱魚丸,5年PM經驗,2年AI PM經驗