近期，小i機器人推出了新一代智能Bot開放平臺，它整合了小i機器人ChattingBot、FAQBot、DiscoveryBot三大核心能力，為企業(yè)和開發(fā)者提供智能機器人服務+人工在線服務+智能人機協(xié)作學習的完整使用閉環(huán)，除智能客服場景應用外，智能營銷、智能外呼、智能硬件等多種不同類型的應用場景也將陸續(xù)開放。

　　平臺開放的目的就是降低企業(yè)使用和擁有AI技術的成本與門檻，讓企業(yè)和開發(fā)者快速開發(fā)出滿足自身業(yè)務需求的智能服務系統(tǒng)或者具有智能交互能力的對話機器人。

　　近日，小i機器人技術委員會輪值主席兼首席架構師李波受邀做客CSDN主編下午茶，一起探討NLP技術落地的難點，以及如何降低開發(fā)者門檻等熱點話題。

NLP的發(fā)展方向

　　AI科技大本營：能簡單介紹下NLP技術嗎？

　　李波：NLP技術目前有兩種，一種是基于規(guī)則，還有一種是基于統(tǒng)計。近年來，基于統(tǒng)計的NLP技術占據了上風，特別是深度學習出現之后，基于統(tǒng)計的NLP技術進展快很多。并不是說誰更優(yōu)，或者誰更差，它們各有所長，比如基于統(tǒng)計的模型的泛化性比較好，但是它是一個黑盒。一些應用還需要兩者結合使用，比如在問答系統(tǒng)中，有些機器回答并不是很友好，就可以利用基于規(guī)則的方法做補充，兩者結合來達到產品化的程度。

　　拋開運算智能，人工智能主要包含兩個層面，一個是認知智能，一個是感知智能。比如常見的語音識別、圖像識別就屬于感知智能的層面，目前比較成熟的落地應用也比較多，而NLP則屬于認知智能層面。NLP往往需要結合上下文信息，甚至考慮背景知識、常識性知識等。另外，感知智能（如圖片識別）的輸入輸出一般是單輪的(single-turn)，但是NLP往往需要多輪的(multi-turn)交互后才能得到結果。目前NLP技術還處于發(fā)展的早起階段，還有很多難點需要突破。

　　AI科技大本營：你覺得它未來還會有很快的進展嗎？還有哪些需要探索的方向？

　　李波：常識和背景知識：用NLP做專業(yè)性很強的事情，可能效果會很好，反到是小概率簡單的事情做不到，因為缺乏常識。想要解決這個問題就需要構建常識庫，然后與模型結合，這是一個難點，也是大家比較愿意探索的一個方向。

　　多模態(tài)：人類是通過視覺、聽覺等各種感觀結合在一起來理解一件事情的，也就是多模態(tài)。假設NLP系統(tǒng)可以同時結合音頻和視頻來理解用戶的意圖，那么可能會有更大的突破。

　　預訓練：這是近期大家可以嘗試的一個熱點。預訓練在音頻和圖片領域已經得到了廣泛應用，最近Google的BERT則是把預訓練運用到了NLP領域，取得了不錯的效果。這也是近期的一個熱點，大家可以去嘗試。

　　強化學習：在認知智能方面，強化學習也有些不錯的方向。

　　NLP如何走出實驗室

　　AI科技大本營：學術界的成果能夠及時地應用到工業(yè)界嗎？

　　李波：有些技術可以及時轉化，有些技術還需要轉化周期。這個轉化周期意思就是說，我們要考慮商用模型的性能和準確率，此外還有其他的工程條件，滿足這些標準之后，才可以把研究成果輸出到產品。學術界訓練一個模型只看最后的評價指標，也就是一個百分比的結果，但落地的時候考慮更多因素，比如一個準確率99%的模型，但剩下1%的工程化的工作量，不一定比99%工作量小。

　　AI科技大本營：從實驗室到模型商用化落地，你們最關心什么？

　　李波：我們最關心的首先是要模型的可用性要達到工業(yè)化落地的標準，除此之外包括產品的UI設計、體驗設計等也非常重要。NLP不像圖片和語音，在UI方面需要考慮的更多。比如機器翻譯系統(tǒng)的準確率達到一定程度后，如果UI做得不好，用戶體驗不好，可能會對落地造成的很大的影響。這是一個系統(tǒng)化的工程，包括成本、用戶體驗，為客戶帶來多少價值等，都需要考慮。

　　AI科技大本營：關于AI創(chuàng)業(yè)公司落地難的問題，小i機器人有什么好的經驗可以分享嗎？

　　李波：跟圖片和語音對比，NLP特別難，NLP涉及到的多模態(tài)是它的一個難點。第二個難點是需要結合背景知識及常識。這兩個問題在目前并沒有很好的處理方式。小i主要是結合基于規(guī)則+統(tǒng)計的方式，引入知識，比如我之前提到的領域語義庫，目的就是融入常識和背景知識。最后就是個性化的問題，NLP的輸出往往和個體相關，不同的個體需要依據人物畫像等信息給出不同的個性化的結果，這樣才更接近人類的處理方式。

　　此外，NLP的落地場景不是那么直接，需要結合客戶或者是產品設計。比如做推薦，我們訓練模型的關注點可能就是模型對應的幾個指標，比如查準率等，但是客戶看的是最后推薦的效果，也就是用戶實際的評價和購買情況。因此，不管實驗室的效果如何，在實際效果中，需要根據客戶的反饋不斷調整系統(tǒng)參數，調整訓練數據，或者結合其他算法等等，以此來提高最終落地的效果。

　　上線運行之后，我們還需要根據運營的日志和客戶的行為，再迭代模型，這是一個閉環(huán)。而不是說不結合實際場景，把模型訓練好后直接投入使用，然后就不管了，不是這回事，需要根據運營的數據，不斷調優(yōu)迭代。

　　AI科技大本營：模型可控性的問題怎么解決？

　　李波：比如我們幫客戶做的智能客服機器人，主要依靠混合模型引擎來達到可控的目的。另外也可以通過一些工程化手段來做到可控，如在問答中涉及到一些敏感的內容，我們可以通過前處理、后處理等方式及時干預，而無需更新模型、重啟系統(tǒng)。在用戶真實的使用過程中發(fā)現問題時，我們需要有渠道、有方法控制系統(tǒng)的輸出，甚至邏輯，保證系統(tǒng)是可控的。

　　AI科技大本營：哪些方法可以使它可控？

　　李波：我們的混合模型引擎包含兩種模型，一個是黑盒子，就是深度學習模型，另一個是語義理解模型，基于傳統(tǒng)的語義表達式，可以用來做干預。語義理解模型可以直接通過語義表達式來進行更改，而深度學習模型想要干預則必須重新訓練。因此我們可以讓深度學習模型和語義理解模型同時作用，然后調整深度學習模型和語義理解模型的輸出策略（如優(yōu)先級策略等）來調優(yōu)。

　　小i機器人如何收集數據？

　　AI科技大本營：小i機器人是如何積累數據的？

　　李波：主要是三個方面：第一，我們會通過爬蟲去爬取相關的行業(yè)數據。第二，我們的云端產品產生的日志數據，會直接收集到我們的數據平臺里。第三，客戶提供的素材，我們會把它轉化成數據和知識。

　　AI科技大本營：數據收集之后怎么處理？

　　李波：非結構化數據：首先我們會對收集到數據進行數據清洗，然后再按照知識的分類通過機器+人工方式將其歸類，再通過一些手段（如規(guī)則等）做一些粗顆粒度的標注，之后由人工確認，確認完后入庫。

　　半結構化數據：客戶提供的原始帶格式文檔，通過格式規(guī)則分析或者機器學習模型等手段來進行分類或者聚類等輔助處理，然后再進行人工梳理，最后入庫。

　　AI科技大本營：數據的處理靠機器和人工的結合？

　　李波：機器做前期輔助，人工做最終的確認，而不是機器處理之后直接入庫。小i有一個大的數據平臺和一個標注系統(tǒng)，還有一個實驗室系統(tǒng)，共同運作來產生這些行業(yè)訓練數據以及行業(yè)背景知識，然后以領域語義庫的形式部署到實際系統(tǒng)中。

　　小i機器人如何賦能開發(fā)者？

　　AI科技大本營：現在有很多平臺和工具可以幫助開發(fā)者去降低門檻，據我所知，小i最近也推出了新一代智能Bot開放平臺，這個平臺能給開發(fā)者帶來什么？

　　李波：幫助中小企業(yè)或者開發(fā)者快速打造一個適應各種實際場景的AI系統(tǒng)。第一個落地的場景是智能客服，以問答能力為主，降低人工客服的成本。第二個應用場景是智能營銷，以營銷推薦為主，包括用戶畫像等，我們會在后期推出。第三個應用場景是智能外呼。后續(xù)我們還會推出更多的場景。開發(fā)者不僅可以直接使用這些場景，還可以基于每個場景的API來擴充應用的能力。

　　AI科技大本營：因為現在有各種各樣的平臺和工具，假設我是個新手，我就做一個小項目練練手，應該怎么做？

　　李波：這個平臺的目的是降低開發(fā)者的門檻。開發(fā)者如果是自己收集數據，然后訓練模型，開發(fā)周期很長，而且有很多的坑要趟。我們的這個平臺有兩個目標，第一，讓用戶可以直接使用；第二個，開發(fā)者可以基于這個平臺擴充自己的能力。

　　使用我們的平臺，開發(fā)者需要提供的數據只是問答的基本意圖點，我們在底層有領域語義庫做支撐，我們會自動在詞的層面，在句法層面幫你擴充數據集，然后自動幫你去訓練。

　　AI科技大本營：關于NLP技術的工程實踐，您對開發(fā)者有什么建議嗎？

　　李波：針對NLP的開發(fā)者有幾點建議：首先，你要對相關技術有全面的了解，不一定要特別細化，這樣對開發(fā)會有幫助；第二，一定要明確你的輸入和輸出；最后，開發(fā)者要更多地關注產品體驗。

　　AI科技大本營：最后，您平時都是怎樣自我學習的，有哪些經驗可以分享下嗎？

　　李波：互聯網是一個非常好的渠道，我比較喜歡碰到問題后在解決問題的過程中學習的方式。如果你只是通過書本去學習，而忽略實踐，就會比較虛。因此要結合實踐，哪怕是做一些Demo嘗試也可以。在嘗試過程中遇到問題，然后通過各種方式去獲取答案，而不是像學校里的傳統(tǒng)方式去學習。