零代碼使用騰訊TBP打造智能對話機器人

點擊觀看大咖分享

心疼你獨自一人承擔生活的苦難，寂寞夜裏陪伴你的只剩無人傾訴的壓抑和無處安放的焦慮。養個寵物，它卻不能get到你的「寵言寵語」。找個伴侶，還要浪費吵架的時間和精力。回到家裏，只能浸泡在「循環嘮叨式「母愛的沐浴。當一我的在你身邊活的恰到好處的時候，就是在成全你，作本身！這樣的人已經出現，只是你還不知道而已。如今就教你構建只屬於你的智能對話機器人，帶你找回那個最輕鬆的本身。

本期騰訊大學大咖分享課程邀請到了騰訊 AI 技術專家葉聰老師分享零代碼使用騰訊TBP打造智能對話機器人。葉聰老師是騰訊智能對話平臺TBP技術負責人、總架構師，帶領團隊完成了TBP產品的從0到1。前美國亞馬遜 AWS 人工智能技術經理，負責領導開發了Amazon Alexa 智能語音助手背後的 AI 雲服務Lex。

本期課程分爲五個部分：

1. 作智能對話機器人的原因
2. 研發痛點和難點
3. 智能對話技術
4. 如何用app構建智能對話
5. 最佳實踐案例

1、爲何咱們要作智能對話

從計算機發展至今，人機交互已發生巨大變化。第一代的是鍵盤和鼠標。鍵盤鼠標幫助整個計算機覆蓋了30%的人口。這30%人均可以經過鍵盤鼠標去操控計算機系失誤，他想要的信息是拿到他想要的答案，第二代的智能交互是觸控交互。但它成本高。使用手機閱讀新聞發送消息的時候，就是人與硬件的交互，這種方式已經覆蓋了大概2/3的人口，剩下的那1/3， 就須要智能對話的技術來解決。若是正常對話未來在全部的設備上獲得的應用，那咱們全世界的全部的人，無論他在用任何一種語言，均可以經過咱們的智能對話機器人來操控全部他想要操控的設備，去輸入全部他想要輸入的信息。今後 AI 對話設備將變得無處不在。

智能對話無處不在，智能對話影響人類生活。目前咱們智能對話其實已經深刻了生活的各個方面。 包括語音搜索，智能硬件，語音消息轉寫，語音助手。以及語音輸入法。這些東西天天你們都會用到。包括咱們左下角的那個是咱們的智能音箱。也是如今你們很熱衷去研究和使用的一個設備。

經調研，發現我的用戶使用 AI 能力主要緣由有3點：

1. 便捷，就是用更快速的方式，咱們能夠去使用到一些ui的能力.
2. 高效，把複雜的東西，利用人工智能變的自動化或者半自動化來減輕咱們的總體的工做量。
3. 天然，能實現和人類的天然交流而不是簡單的由人操控，實現我的用戶AI能力的主要訴求。

有些用戶主要爲了幫公司降本增效。在大量to B 用戶中間，有不少工做須要人工解決，好比人工客服外呼人員，還有一些內部管理人員，智能問答技術能夠部分代替人工的工做。目前來看，使用的趨勢已經很是的明顯，在智能客服和智能外呼的領域已經獲得了不少客戶的承認，相關技術在不少to C領域，好比公衆號小程序的客服上也獲得了普遍使用。

結合我的用戶和企業用戶痛難點，打造智能對話發展的源泉和根基。首先它能提供天然的交互能力，能夠模擬人工和人類的交流，讓用戶在使用時，不會產生機械交流感的一種真實場景體驗。其次是接入場景多樣性。賦予機器人在不一樣場景下提供服務的能力。

2、研發痛點和難點

首先須要懂得語言學的基本概念，語法搭配。其次須要有高等數學能力。

例如，舉例論證偏微分方程，機率論。 同時，要有必定的上傳能力，把算法轉變成代碼的能力，拓展能力等。

其次是高維空間的抽象思惟能力。工做量大，門檻高，致使不少人放棄。

智能對話的核心技術結構圖以下。

一個用戶在使用對話平臺去和基線交流時首先用戶的語音素材進來後，系統會把語言轉換成機器能夠理解的文字。而後天然語言理解會識別文字，從中提取到適當的意圖信息和槽位解析，針對已經提取的信息，結合對話管理和策略優化能力整合最合適的答案。答案列表用來擇優選擇最佳回覆，生成爲人類可理解的文字。 最後經過TTS語音合成，文字轉換成語音呈現給用戶，這就是一整套流程。

左邊的部分是由騰訊雲智能語音服務支撐的。中間是核心的智能對話平臺，右邊是各種對話模型服務。以前內部大致結構是每一個用戶的問題進來之後，通過天然語言理解，核心要素會被分紅不一樣類型。例如，任務型，閒聊型，百科型，根據不一樣機器人的反饋結果會生成一個列表，根據用戶說這句話的情緒上下文，還有一些個性化配置，最後生成一個最終答案。整個平臺內部機器人的整合和協同合做很是重要。

智能對話和天然語言理解中兩個核心要素：意圖和槽位。

意圖反應用戶需求，在對話系統中，每個意圖都與現實世界中的某個需求點對應。指完成一個目的，與機器人對話發出的指令就是意圖。意圖的類型也有不一樣

簡單的意圖如左圖。多級意圖是分層的，在實際應用中，咱們也會對機器意圖有人工干預，好比一些敏感詞等，讓機器人人性化的同時避免敏感詞彙。

目前來講 每個模型，只在某一個特定場景下實現效果相對較好。

既然算法沒有特別完美，因此須要經過一些半人工的方法幫助他優化，主動學習就是app也是很是重要的一點。機器自己會內建這樣的能力，人工按期梳理。用機器人命中和命中的case，核心是去抽取值得用戶標註的信息，用戶使用簡單選擇意圖的這個分類，這個說法就會自動添加進去。機器人在下一次用戶再說一個相似詞彙時，就會100%的命中。

一個很核心的概念是槽位，英文是slot，是指從句子中抽取出的特定概念，它包含最核心的信息。例如，我想去北京，北京這個名詞是一個地點，這個中國城市，這就是一個槽位信息。在槽位信息中，相關內容例如地名就是槽位中間的內容，咱們通常把關焦做詞典。

機器人在獲取用戶輸入信息的過程，英文叫填槽（Slot Filling）。填槽就是把用戶輸入的信息，中間核心要素轉換成機器人可以理解的語言，提取出來。

填槽過程當中難點有不少。首先，一個很傳統的填槽方式是基於規則的天橋。就是設定一個模板，好比假設一個訂機票的機器人。機票的機型首先要提取到，就是出發地和目的地。這兩個信息能夠根據規則填上去來解決。把它抽象成一個規則就弱了，用戶的輸入能夠持續套用，而後提取出相關信息，但實際上也會形成不少問題，由於咱們體育部的最優和全局的自由是不同的，過多的模板會產生串擾，好比同一句話，同時知足多個模板，很難判斷用哪個，幾乎沒有很好的解決方式，並且隨着規則愈來愈多，維護成本升高，加入新規則時，很難保證不破壞原有規則以及一些特殊狀況。因此出現了將實體識別做爲填槽結果。這是目前普遍使用的一種方式。但仍然會形成一些問題。

例如，假設用戶說：我想去聽七里香中的藉口。從人的角度來說，這句話是容易理解的。可是對機器來講否則，裏面是有好多種可能性的。它提取到了七里香和藉口這兩個信息，但同時它有多是專輯名或者是歌曲名。此時，並不能簡單的把前面那個詞彙當作專輯名然後面的當作歌曲名，由於用戶有可能換詞彙的表達順序，這樣結果是顛倒的。因此若是隻是使用規則填槽的話，咱們就須要海量的槽。

爲了適配作一種很簡單的場景，能夠明顯知道是得不償失的。因此要前一種更好的方式就是將實體識別做爲嵌套的結果，可是同時要考慮這些槽位之間的關係。好比，若是七里香是個專輯名，那歌曲名就只多是接口，反過來也是同樣。

利用這種方式，可以將詞典和模型識別的實體結果一塊兒作排序，可以減小模型錯誤所帶來的影響。同時，會鏈接一些外部的知識庫。好比，特定的用戶，還有一些外部的知識點和其餘用戶是不同的，咱們作的時候也能夠把這些外部的興趣加入總的模型裏面，再作排序，這就比原先的排序結果更準確也更適合這種場景。例如它得出的是一個分數，能夠理解爲咱們會用它來作排序，但它不是準確率，只是一個相對分數，用它來排的那一種結果是最可信的。另外一點就是從用戶的說法中去提取有效信息，相對關係只是其中的一種。若是想要更多的信息，讓這個軟件更加科學，還有更多的信息能夠抓取。將兩三個詞創建一種關聯關係，還有槽位的長度。能夠認爲若是一個槽位的長度越長，它被識別的可能性會越高，槽位的長度若是越長，獲得真實信息的機率就更大。好比大辭典中的兩個小詞典，若是一句話同時都命中了，就要考慮它們之間的互相包含，這樣也能夠幫助咱們把排序變的準確，最後用不一樣語言模型的分數進行綜合。可能訓練的多個模型會利用模型之間的一些不一樣的特性，最後會整合出一個結果。接下來統一把這些點所有提取出來，這樣能夠將他們封裝到一個統一的網絡。

Feature Extract就是特徵提取的接口，不須要單獨爲某一種狀況設置一個接口和模型，很是方便，一切在平臺內部的用戶在使用時不會有感知，但實際上內部已經把全部的因素所有考慮進來了。聯合排序的模型使意圖的和槽位能夠相互聯動，一組槽位的總體全局最優解是最活躍的。咱們能夠給出Ranking的聯合模型。意圖識別大概分幾個步驟，首先根據不一樣的意圖或生成候選的。其次根據後臺的結果提取出特徵。再次根據不一樣的模型生成的特徵進行一個聯合排序，最後生成一個最終的結果。目前根據測試結果顯示，這種方式展示的效果會很是好。並且它的性能也很是高，在對整個機器消耗不大的狀況下，下面的結果已經接近了最好的效果。若是已經提早知道了意圖，它就會對用戶的話語打上了一個意圖，咱們知道哪一個意圖命中的是正確的，而後再計算分數。而模型是咱們不知道意圖是什麼，讓它先匹配意圖，再經過綜合的排序方式生成最後的結果。這兩種方式中，由於算法幾乎接近了預知意圖的效果。要找到兩句話的類似性，好比再想變動意圖的時候、用戶說法不精準時，如何獲取用戶的言語和配置意圖是否一致？因爲咱們的說話是通過很長時間訓練的，並且平時生活中使用的那一種語言，容易理解兩句話可能語境不同、倒敘的話多是一樣的意思，人能夠理解，可是機器就很難。例如，你是誰？我是誰？這個看起來咱們理解是徹底不同的，可是機器找不出明顯區別，都是再問是誰，因此很大程度上來講這兩句話，在機器來看是一個意思。簡單的使用Word Embedding這種方式，咱們認爲結果是相似的，但實際上並不相似。再嘗試使用藍山網絡。網絡就是用戶的一個因素進來之後，能夠認爲是兩個類似的模型。不一樣的模型體現出不一樣的特徵，最後結合這兩個特徵調整他們的權重。利用這種方式，使模型提高準確率，更加智能化。除了蘭生網絡，還有CNN神經網絡。從最開始按照這個CNN，替代總體訓練速度。模型響應時間小於50毫秒。若是使用傳統的愛人，它的性能通常會在100到200毫秒之間，達不到要求，這也是爲何會有優化動力不斷去鋪時，這樣的app能的邊境。

爲了優化差別，咱們作了不一樣的嘗試，例如不一樣尺度的卷集合。而後經過大量測試發現，雖然貝斯的解決方案。模型效果是不錯的，也是常見使用的。除此以外還有更深層的，就是使用一種剪輯和經過簡單的深度疊加來提取更多尺度的信息。

挖掘對話深層興趣的方法。不只是網絡結構的增長，文林白領和china辦理就是。問詞語的一些白領和文字的明白點混合使用質量方式能夠避免，假設一個詞，不在咱們的四點鐘。由於四點是有限的，就會去找關於他的文字信息能夠對他進行猜想和匹配，整體來講它可讓咱們的機器人模型變得更聰明。天然語言理解的過程就是機器如何可以理解咱們人類說話的，從中提取有效信息的，其實智能對話整個的嗯，整個的carburetor很是大，除了天然語言理解，還有包含對話管理和人員生成，

3、DM是什麼?

當咱們和機器人交流時，爲生成一個回覆，他須要瞭解咱們。須要機器人保留對話狀態，dollslove中間狀態的管理整個模塊，叫作店。DM是在維護計劃狀態的同時協助支持系統生成決策。做爲接口和後端任務進行交互，好比假設用戶是要調動一些技能或者是要靠第三方服務的，對話管理要知道觸發這個行爲的x，提供語義表達的一個指望值，必須把整個回覆徹底生成，最後回覆給用戶。用戶的上下文和他語義核心表達加在一塊兒進入咱們的DM，DM決定下一步操做。

樹和有限狀態機的解決方案，每當咱們機器人聊天，都是在他的一個數中間不斷地轉跳。或者是途中進行轉跳，咱們如今這個狀態，若是上下文是這樣，他就會到另一個狀態。機器人就是在途中不斷轉跳。

這個概念已經有不少年了，但你們都還沒徹底攻克，目前有不少團隊開始迴歸到supports嘗試利用數形和遊戲狀態機的方式解決，而且效果還不錯。

通過12年supported，人類在研究盆子都被supported，這裏有一些好比對話吉田草，只是把用戶的對話當作是給咱們提供信息的一種方式，而後咱們就儘可能的從中提取earthquake這樣的信息，而後供給槽位。快樂引擎，咱們如今評估都是經過感性的評估，就是找不一樣的人用一樣的話測試模型。目前大部分的模型是沒有辦法很理性的去指導的，因此訓練好的模型，若是不去試一試，是不知道他的回覆的。但若是用了星期論的方法，咱們其實就能肯定他的回覆是應該是這個仍是有意義的。目前最流行的一些方式就是統計學的方式，只要體育課vip客戶這個跑ssf這個pos系統包括目前不少人在研究的學習就reinforcement。400的方法，小孩學習有什麼好處呢，就是當用戶輸入的時候有不少不肯定的信息是用戶未必會按照咱們想的方式。使用咱們的對話。

怎樣可以用不肯定信息找到合適方法建模呢，有人想到了強化信息對抗網絡方式讓模型不斷學習，同時不斷淨化本身。這種方式的好處是咱們能夠把這些不肯定性也一塊兒考量了，模型會變得更聰明。這也是個很好的研究方向，你們若是對最快有研究的話，尋找課題的能夠看reading這部分的發展。

爲何要打造騰訊智能對話平臺就很產品？由於整個智能對話不涉及的技術太多了，並且都有必定的門檻，但願AI深刻到各個行業，最好的方式就是簡化環節，提升你們使用能力。

智能對話技術統一對外出口叫作對話機服務，就是但願你們能夠經過簡單的配置開箱就能夠用。

整個俱全開發的全流程大概分這幾步

1. 流模型就定義 在控制檯上輸入簡單信息
2. 四個服務自動閱讀模型自動變成模型，不須要懂深度學習是也不用寫任何代碼，它會自動幫你把模型去申請好。
3. 提供給網頁模擬器小程序和公衆號進行測試和統一

當一切ok的時候，點擊一鍵點擊。就能夠發佈到公網上給全部人使用。

沒有版本管理，使用時海量鏈接窗口，微信的公衆號小程序，企業微信，還有各類h5的解決方案是深度整合的，幾乎只要把一些連接，token放到平臺上配置一下就能夠作到一鍵接入，好比像公衆號，只要掃碼就能夠關聯上公衆號成爲公衆號的智能助手。上線之後，咱們會提供一個數據中心的功能，中心會顯示以前運行的全部狀態至關於測量差的傾向和脈搏。主動學習的機率也會在數據中呈現，不斷的優化你的路線。

這一切都是創建在不須要很是理解智能對話的前提下使用就能夠了。

平臺的全景圖大概分三層

1. 一 針對一些核心技術，好比模型算法，意圖識別，槽位收取等，包括多倫知識圖譜。
2. 中間一層是平臺配置中心。裏面分幾個部分，好比針對開發者的多渠道發佈。能夠一鍵發佈到小程序，公衆號，移動的h5網頁，物聯網設備等。
3. 底層是海量的機器人中間件的能力，包含多種類型，例如閒聊型問答，諮詢文檔型，基本全部常見的機器人平臺都是經包含而且能夠支持。 同時還有海量的個性化和人性化的開發工具。

最上面那一層是核，不一樣行業客戶還有部門合做的一些解決方案，如今主動拓展的有金融教育，生活服務，酒店旅遊。智能對話平臺，也改變了開發流程，最重要的就是簡化流程，提升效率，好比內置一些信息，像是須要使用一個全國城市的詞典或者是某行業的詞典，有內置的能夠直接經過一鍵選擇使用。

機器人一鍵開發之後能夠在不一樣端同時使用幾乎全部源的sdk，能夠集成到小程序，這些都會關聯到同一個機器人上。總體的解決方案經過掃碼就能夠接入。

4、怎樣在tv上建立第一個機器人？

經過可視化對話的配置平臺，只須要在這個平臺上面輸入一些簡單的信息就能夠完成兌換。當用戶說哪一句話或者相似話語時會進入。若是當他的說法和配置說法，接近程度類似度達到必定程度的時候就會認爲他命中，因此不併不須要他是徹底吻合的。當說法命中之後，除了咱們提取用戶信息，還能夠進行第三方調用，就是vs的配置的調用和回條，複雜場景時，好比當開發者但願回覆店面信息，而後進入下一輪的話的時候，咱們的平臺也是很好的支持。例如任務型問法，問答型機器人看到時咱們能夠配置一些類似問題和答案，經過一鍵掃碼的方式就能夠用小程序或者公衆號的智能客服。

在客服中間，機器人同時能夠和客戶進行閒聊，好比同時接聽和對話兩我的，而後完成一個多輪對話的任務，好比像訂機票在任務中間，若是當用戶有問題的時候，他能夠跳脫出人，用qq問答精選回覆一些問題，好比左邊的托運行李的費用，能夠顯示出問答齊全，對用戶來講，他徹底不知道實際上在調哪一種能力。爲提升體驗效果，讓開發者能夠更快的配置，左邊是槽位。

槽位光亮就是當用戶讓配置用戶刷卡的時候理論上若是容許從用戶說法中提取一些槽位信息，須要用戶在戶收卡上面標註出來，標註這是一個槽位，當用戶收到幫我訂到北京的機票時說北京是個地址，這個過程很是繁瑣，平臺已免去此過程。

當用戶配置完全部想要四點之後，不是選擇內置四點之後，只要簡單的輸入很是天然的遊戲，好比幫我訂到北京機票，這原本不能作爲一個說法的，可是咱們會和智能引擎去判斷，若是發現未替換成草，用戶只要輸入天然的語言或者導入一個海量語言，就自動把它練草字所有標註上。這大大提升了用戶配置齊全的速度。

人們如何體驗

大部分對話相似的產品，都是用從控制檯上去體驗這種方式呢，依託於騰訊的生產，微信很好的整合，能夠在騰訊智能化平臺體驗小程序上很是容易的登陸雲帳號，隨後便可顯示，全部在一樣銀行建立的機器人都會自動關聯，就能夠經過小程序去測試去體驗，剛剛配置好了這個機器而且經濟能夠轉化的，經轉發分享獲取資源和平臺。

除了平臺自己，咱們還提供海量波特被子中間件的能力，咱們的機全都能力，底層的好比任務型atqq點凹形知識圖譜文檔型，均可以經過平臺對外進行輸出，若是隻是想要單一能力的用戶，好比想要接一個閒聊型中，用戶也能夠直接經過咱們的平臺得到這個能力。

關鍵指標

開發者須要有一個客觀的認識，目前咱們全部的任務識別的準確率包括sq深度學習模型的命中準確率都超過95%，行業知識庫，已經積累了超過10萬個。任務型的延遲和ip的延遲都會小於100毫秒。性能還在持續優化，最終會把它優化到小於50毫秒，綜合來講，性能很是優異，包含海量的數據，頂尖的算法，豐富的經驗，最優化的接觸體驗。客戶源也有不少。

旅遊時會用到小程序其實背後就是使用第一批的對話能力。同時還有文理類，差旅類的，這樣的案例，包括春秋航空深航的訂票助手。還有香格里拉酒店的對話機器人，它能夠幫助你訂房間，預定出行和控制房間的設備。金融類包括中國銀行，光大銀行，中信銀行減輕了人工客服的壓力。

---

問卷
爲了給廣大開發者提供最實用、最熱門前沿、最乾貨的視頻教程，請讓咱們聽到你的須要，感謝您的時間！點擊填寫 問卷

騰訊雲大學是騰訊雲旗下面向雲生態用戶的一站式學習成長平臺。騰訊雲大學大咖分享每週邀請內部技術大咖，爲你提供免費、專業、行業最新技術動態分享。