全面解读Uber人工智能客服系统

本文将从数据预处理到排序算法，全面分析Uber人工智能客服系统，为了打造最佳用户体验，Uber 持续优化客户支持流程，设计 COTA 来帮助客服提高解决问题的速度和准确性。

日前，Uber 官网上的一篇文章详细介绍了基于 NLP 和机器学习构建的？COTA 客服系统。利用该系统，Uber 可以快速高效地解决 90％ 以上的客服问题，小编将原文编译整理如下：

为了打造最佳用户体验，Uber 持续优化客户支持流程，让客户支持服务更易用，更方便。

为实现这一目标，Uber Customer Obsession 团队基于其内部平台，提供 5 种不同客服渠道（应用内置客户支持、官网客户支持、本地司机网、电话客服、线下服务网点）。这个内部平台具备客服工单功能，以便跟踪解决问题。每天提交到这个平台上的客服工单有数十万条，遍布全球 400 多个城市。Customer Obsession？团队必须确保客服代表能尽可能准确、快速地解决问题。

基于此，Uber 打造了一个人工智能客服助理平台——COTA（Customer Obsession TIcket Assistant），它利用机器学习和自然语言处理（NLP）技术，帮助客服代表提供更好的客户支持服务。

在 Uber 客户支持平台上，利用Michelangelo平台的机器学习服务，COTA 可以快速高效地解决 90％ 以上的客服问题。

下面，我们会详细介绍创造 COTA 的动机，COTA？后端架构，并展示如何利用这一强大工具提高客户满意度。

当客户联系 Uber 寻求支持时，我们必须及时为他们提供最好的解决方案。

我们可以让用户在提交问题报告时，点选问题所属的类别，填写细节。这一过程为客服提供了很多背景信息，从而能更快解决问题，如图 1 所示：

图 1：Uber 内置的客户支持服务为用户提供了一个直观且易于使用的界面，先提供问题可能的类型，然后突出显示行程的细节

Uber 内置的客户支持服务能反映问题的背景信息，虽然这些信息很重要，但要解决客户的问题，单靠这些信息远远不够，特别是在一个问题有多种工单答案的情况下。此外，同一个问题，客户可以通过多种方式来描述，因此问题的解决过程更为复杂。

随着 Uber 的服务规模不断扩大，客服必须应对不断增长的客户支持问题，同时，问题也变得更为多样化，包括技术故障和费用调整等。事实上，当客服在解决客户提交的问题时，他们首先要做的是从数千个类别中，确定问题所属类型，这绝非易事！

缩短识别问题类型的时间非常重要，它能减少客服解决用户问题的总时间。

确定问题类型后，下一步就是给出正确的解决方案，每种类型的工单都有不同协议和解决方法。此外，还要从成千上万个可能的解决方案中进行选择，这也是一个耗时的过程。