「歡迎您的致電，很高興為您服務……」往往在放下手機之後，我們才會意識到，在電話的另一頭對話的是一位智能客服。
今天，越來越多的客服工作由人工智慧機器人去完成。智能客服在很多場景下，具備的高效率、低成本、靈活性和精準營銷等特點，也打動了無數企業。
過去電商、新零售、生活服務、金融保險比較早的採用了智能客服，並收效顯著，慢慢的房地產、醫療健康、教育培訓甚至製造業等大行業紛紛投入了智能客服的懷抱。
其實，智能客服的「善解人意」也是有一定限度的。傳統智能客服擅長處理於程序化的問題和固定的封閉問題，可以應付交互模式簡單的消費場景，但面對知識性更強，複雜度更高的企業級服務場景就顯得力不從心。
企業級場景，智能客服存在局限性
人工客服向智能客服轉變，一個關鍵的標誌，就是自然語言處理技術的引入，讓通過「關鍵詞」檢索尋找答案模式，變成了通過「語義」來對應答案，明顯更具有了「人性」。
在進入深度學習階段後，智能客服機器人的模型算法不斷演進，經過「自我學習」逐漸能夠解答越來越多此前無法解答的問題。
但在企業級場景下，傳統智能客服始終存在局限性。
首當其衝就是系統搭建成本高和效率低。智能客服誕生的意義本身就是為了提高效率、降低成本，但傳統的智能客服系統由多模型多知識庫支撐，每個知識庫需要人工或半自動搭建，因此導致了維護成本居高不下和效率較低。同時在客服場景下，企業內部形成了重重煙囪式系統，也無法基於企業數據資產提供體驗趨於一致的客戶服務。
其次，企業級智能客服的難點是專業知識門檻比較高。2B業務場景更複雜，專業知識門檻更高，以數據中心的客戶服務為例，往往會面臨多元的軟體、硬體，不同的客戶應用場景，甚至是與客戶的業務流程等因素相互交叉的複雜場景。因此如何讓AI與複雜的數據與業務場景實現融合，在用戶服務的全生命周期，實現專業服務端到端的智能化，是需要突破的難點。
第三，持續突破的難度更高。在良好的技術知識庫的支撐下，企業級的智能客服起步會比較快，但很快就會陷入提升的瓶頸。需要投入的人力、算力、數據等多種要素投入需求會呈現指數級的提升，邊際效用遞減，這是一般的企業都無法承受之重。
客觀地說，智能客服要進入更多的專業領域，不僅要在語言理解、數據分析、自主學習和智能推理能力等方面進一步深入，還需要一套完整的戰略規劃，有效降低時間成本、計算成本和運維成本。
具備更高的智能水平，更低的AI開發和應用成本，由AI大模型作為底層支撐的「智能客服大腦」，逐漸浮出水面。
「源曉服」的最佳實踐
作為數據中心基礎設施的服務商，浪潮信息自身的客服體系長期面臨較大的服務壓力，無論是伺服器還是企業級存儲，不僅技術細節包羅萬象，還要結合用戶的具體使用場景，部署和運維的情況。
面對這樣「高知識性」和「專家級」的服務需求，智能客服能擔此大任嗎？
早在四五年前，浪潮就開始探索智能客服的轉型實踐，在2019年上線了任務式對話、知識圖譜等多種類型的客服機器人，並投入大量資源對機器人進行訓練，也無可避免的遇到了上述難題。
產品的快速疊代大幅增加了訓練量，機器人的封閉式知識庫制約了訓練的效率，更為關鍵的是技術知識的複雜度高，很難讓機器人理解客戶的真實服務意圖。
正是有了這些自身的實踐和對困難的洞察，浪潮信息通過AI大模型「源」為智能引擎，依託InService智能服務平台，構建了「智能客服大腦」，並基於此打造了專家級智能客服「源曉服」。
據了解，「源曉服」由智能客服大腦進行統一驅動，打破了多知識庫、多模型驅動的傳統架構。通過對用戶的提問和專業領域知識文檔進行統一語義編碼，做到有效降低計算成本和時間開銷；並可直接學習企業文檔庫的現有資源，擺脫傳統的FAQ人工訓練模式，提升專家服務團隊人效30%；同時，超強的自然語言理解和生成水平，能夠高度模擬人類的交流過程。
從「源曉服」在浪潮信息實際業務中發揮的作用，也可對其價值略窺一二。目前，「源曉服」支持浪潮信息伺服器、存儲、邊緣計算等八大產品線的全代際數據中心產品售後服務，擁有技術、產品、故障、服務四大類超百餘種專業問題的解決能力，可覆蓋終端用戶92%的諮詢問題，日均處理客戶服務達近千次。針對數據中心常見技術問題，如系統安裝、Raid配置、部件異常等問題，「源曉服」的解決率高達80%，可將複雜技術諮詢問題的業務處理時長降低65%，提升浪潮信息整體服務效率達160%。
應該說「源曉服」的成功，既代表了專業級智能客服領域的最佳實踐，也證明「源」大模型為行業智能應用打造智能引擎的價值所在。
從通用到專用，「源」展現出的「根」能力
我們知道，AI大模型最重要的優勢是可以讓算法模型進入到大規模可複製的工業落地階段，同時不需要開發使用者再進行大規模的訓練，使用小樣本就可以訓練自己所需模型，能夠大大降低開發使用成本。
所以AI大模型，也被看做是通用AI開發的「根」能力。
很多人都有相似的疑問，通用「根」能力的AI大模型，邁向具體智能應用的專用AI，這中間到底應該怎麼走？
浪潮通過「源曉服」其實已經向我們展示了其中的邏輯：
「源」大模型已經學習了來源於網際網路5年的高質量中文文本巨量數據，已具備了高水平的中文語言能力和廣泛的通用知識。當然，如果要進入專業領域，還需要專業數據的引入。比如伺服器相關的數據都是來自於伺服器的產品設計文檔、介紹文檔等等。
再將專業的數據，構建其行業的知識庫，通過外掛知識庫的形式結合「源」大模型的「根」能力，兩者形成結合，就構成了大模型在行業落地的正確路徑。
當然這個過程並不簡單，在知識庫的構建時，浪信息潮遇到的第一個困難：如何將企業文檔中蘊含的知識進行提取和編碼，從而形成高效的知識檢索系統；第二個困難則是：大模型應用到具體的業務場景里，還需要結合大模型的能力，針對具體業務場景做好適配，這些適配工作包括了多任務學習、小樣本學習的技術等等。
所以，「源曉服」是「源」與行業知識庫不斷融合，與應用場景不斷適配之後演化出來的成果。
「源」在智能客服方向的「小試牛刀」，展現了出色的「根」能力，更為重要的是，通過「源曉服」的實踐，浪潮已經掌握了「源」在具體智能服務落地的成功方法論，未來在智能運維、智能調派、智能在線管理、智能現場管理和智能備件供應鏈等方向，都將是「源」的舞台。