AI 很火，但是 AI 的門檻也很高，普通的開發(fā)者想要搭上這波 AI 紅利依然困難。

近期，人工智能公司推出了新一代智能 Bot 開放平臺，它整合了小i機器人 Chatting Bot、FAQ Bot、Discovery Bot 三大核心能力，為企業(yè)和開發(fā)者提供智能機器人服務(wù)+人工在線服務(wù)+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(yīng)用外，智能營銷、智能外呼、智能硬件等多種不同類型的應(yīng)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(shù)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(wù)需求的智能服務(wù)系統(tǒng)或者具有智能交互能力的對話機器人。

近日，CSDN主編下午茶邀請到了小i機器人技術(shù)委員會輪值主席兼首席架構(gòu)師李波，與我們一起探討了NLP技術(shù)落地的難點，以及如何降低開發(fā)者門檻的問題，希望能對廣大讀者有所啟發(fā)。

NLP的發(fā)展方向

AI科技大本營：能簡單介紹下 NLP 技術(shù)嗎?

李波：NLP 技術(shù)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(shù)占據(jù)了上風，特別是深度學習出現(xiàn)之后，基于統(tǒng)計的 NLP 技術(shù)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(yīng)用還需要兩者結(jié)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(jié)合來達到產(chǎn)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(yīng)用也比較多，而 NLP 則屬于認知智能層面。NLP 往往需要結(jié)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(jié)果。目前 NLP 技術(shù)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(gòu)建常識庫，然后與模型結(jié)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(jié)合在一起來理解一件事情的，也就是多模態(tài)。假設(shè) NLP 系統(tǒng)可以同時結(jié)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(yù)訓練：這是近期大家可以嘗試的一個熱點。預(yù)訓練在音頻和圖片領(lǐng)域已經(jīng)得到了廣泛應(yīng)用，最近 Google 的 BERT 則是把預(yù)訓練運用到了 NLP 領(lǐng)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(shù)界的成果能夠及時地應(yīng)用到工業(yè)界嗎?

李波：有些技術(shù)可以及時轉(zhuǎn)化，有些技術(shù)還需要轉(zhuǎn)化周期。這個轉(zhuǎn)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(chǎn)品。學術(shù)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(jié)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(guān)心什么?

李波：我們最關(guān)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(chǎn)品的 UI 設(shè)計、體驗設(shè)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(guān)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(jīng)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(jié)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(jié)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(lǐng)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(guān)，不同的個體需要依據(jù)人物畫像等信息給出不同的個性化的結(jié)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(jié)合客戶或者是產(chǎn)品設(shè)計。比如做推薦，我們訓練模型的關(guān)注點可能就是模型對應(yīng)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(jù)客戶的反饋不斷調(diào)整系統(tǒng)參數(shù)，調(diào)整訓練數(shù)據(jù)，或者結(jié)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(jù)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(jié)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(jù)運營的數(shù)據(jù)，不斷調(diào)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(nèi)容，我們可以通過前處理、后處理等方式及時干預(yù)，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(xiàn)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(yù)。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(yù)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(diào)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(diào)優(yōu)。

小i機器人如何收集數(shù)據(jù)?

AI科技大本營：小i機器人是如何積累數(shù)據(jù)的?

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

AI科技大本營：數(shù)據(jù)收集之后怎么處理?

李波：非結(jié)構(gòu)化數(shù)據(jù)：首先我們會對收集到數(shù)據(jù)進行數(shù)據(jù)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(jié)構(gòu)化數(shù)據(jù)：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(shù)據(jù)的處理靠機器和人工的結(jié)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(shù)據(jù)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(chǎn)生這些行業(yè)訓練數(shù)據(jù)以及行業(yè)背景知識，然后以領(lǐng)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(xiàn)在有很多平臺和工具可以幫助開發(fā)者去降低門檻，據(jù)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(yīng)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(yīng)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(yīng)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(yīng)用的能力。

AI科技大本營：因為現(xiàn)在有各種各樣的平臺和工具，假設(shè)我是個新手，我就做一個小項目練練手，應(yīng)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(shù)據(jù)，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(shù)據(jù)只是問答的基本意圖點，我們在底層有領(lǐng)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(shù)據(jù)集，然后自動幫你去訓練。

AI科技大本營：關(guān)于NLP技術(shù)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(guān)技術(shù)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(guān)注產(chǎn)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(jīng)驗可以分享下嗎?

李波：互聯(lián)網(wǎng)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(jié)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。