标题：蚂蚁金服推出智能客服系统MISA，打造普惠金融服务新体验
随着移动支付和金融科技的发展，人们对于金融服务的需求日益增加，客服系统的智能化成为了金融服务领域的一大创新。蚂蚁金服推出的智能客服系统MISA，正是这一创新的具体体现。
在移动支付普及的时代，支付宝已成为人们生活中不可或缺的一部分。与此蚂蚁金服的服务端也在不断进步，其中95188服务热线便是其中的重要一环。传统的客服系统仍然存在着许多问题，如按键菜单的繁琐、语音播报的机械以及等待时间过长等，这些问题使得用户体验受到了极大的影响。
为了改善这一现状，蚂蚁金服团队开发了MISA智能客服系统。该系统通过识别用户的语音中包含的业务需求来直接进行回应，实现了“37摄氏度的自助语音交互”。这一系统的推出，旨在为广大用户提供高效、个性化的普惠金融服务。
MISA系统由猜问题、问题识别、反问交互三个主要模块组成。其中，“猜问题”是蚂蚁金服在客服领域的首创，通过学习算法框架构建问题识别模型，利用用户可能与本次致电相关的信息，提前预测用户可能遇到的问题。问题识别模块则根据用户的描述精准定位问题，而反问交互模块则在用户信息不全时，通过要素拆解和补全的方式帮助圈定范围，降低问题识别的难度，以反问的形式与用户进行交互。
除了用户转为文本的语音输入外，MISA的系统还会接收因子、轨迹、文本三类输入。因子是由业务方定义的、具有明确含义的特征，例如过去24小时是否有还款行为、是否发生过转账行为等。这些因子的引入，使得系统能够更好地理解用户的需求和意图，提供更加精准的服务。
蚂蚁金服还发起了“ATEC蚂蚁开发者大赛——人工智能大赛”，邀请人工智能开发者挑战客服领域最基础也最核心的任务——问题相似度计算。这一大赛的举办，不仅促进了人工智能技术的发展，也为MISA系统的持续优化提供了强大的支持。
如今，MISA系统已经应用于95188服务热线中，为用户提供了更加便捷、高效的服务体验。蚂蚁金服表示，未来将继续深耕智能客服领域，通过人工智能的技术解决客服问题，为广大用户提供更好的服务体验。
蚂蚁金服推出的MISA智能客服系统，通过智能化的手段改善了传统客服系统的不足，为用户提供了更加便捷、高效的金融服务体验。这一系统的推出，不仅体现了蚂蚁金服在金融科技领域的创新能力，也为整个金融行业树立了一个典范。轨迹是由用户最近的120个行为组成的时间序列，其中每个行为指的是对远程服务器的一次请求。行为的种类丰富，超过一万种。文本则是用户的描述以文本形式表达。在“猜问题”环节，文本指用户的历史描述，在正常的“问题识别”环节，文本则是将用户此次电话中对问题的语音描述转化为文本。这些文本的长度不一，有可能存在空缺。
机器之心与MISA系统对话时提出，用户的问题是如何在系统中进行匹配和应答的。弈客回应说，随着业务的上线与下线，需要匹配的问题类型会有所浮动，大致在“数千”个类型左右。整体上，应答可以分为三类。针对简单问题，系统会采用播报形式输出答案；对于需要用户在产品页面进行操作的问题，系统会推送相应的页面供用户完成操作；对于较为复杂的问题，系统会转接给人工客服处理。
关于用户平均需要与系统进行多少轮对话才能定位到自己的问题，弈客表示，经过不断的优化，现在用户的平均对话轮数已经降低到1.8-1.9轮左右。
在客服系统的构建过程中，选择了哪些学习模型来处理自然语言文本呢？千瞳表示，首先使用预训练的词向量对文本进行表示，然后运用卷积神经网络(CNN)和循环神经网络(RNN)进行处理。两种模型都有提取特征的能力，但侧重点不同。CNN更擅长提取关键词，而RNN则更善于捕捉序列关系。在处理完文本后，将其转化为向量并进行分类。
在识别模型与问题识别模块的关系中，千瞳提到问题识别模型是由多个子模型融合而成的。分类模型只是其中的一种子模型，此外还有搜索、意图树等多个结构化子模型。这些子模型各自进行问题识别后，会通过一个GBDT模型进行结果融合。
至于反问交互的实现方式，弈客介绍到，目前约有三分之一的用户通话会首先通过“猜问题”的形式进行发问。用户的问题能够被拆解为“业务、框架、类型”三要素，这有助于快速缩小识别范围。如果在用户描述中只给出了部分要素，系统就能够就缺失的要素进行反问。千瞳提到从技术角度而言，通过构建语义要素库和多任务学习框架，可以实现zero-shot的问题识别。这使得系统在不需要见到特定的要素组合训练样本的情况下也能识别出问题。同时多任务学习可以让不同任务间的数据共享并提升模型效果。相比单模型而言，识别准确率可以提升7个百分点。机器之心：如何评估匹配的，以及这些评估如何反哺模型优化
在匹配的奥秘的旅程中，我们面临着一系列的评估指标，这些指标如同一把把精准的尺子，衡量着模型的表现。千瞳为我们揭示了这一过程的多个层级：CTR（点击率）是衡量用户与模型互动的重要指标，比如在“猜问题”阶段，它告诉我们用户是否认同系统的猜测。接着，我们还要关注分流准确率，如人工介入和小二派单时的准确率，以及问题解决率等。这些指标不仅帮助我们了解模型的表现，更重要的是，它们提供了宝贵的反馈数据，帮助模型进行自我优化。
当我们谈论比赛时，客服领域的相似度计算成为焦点。深空为我们详细解释了比赛中的核心任务：“判断两句话是否为同义句”。在客服场景中，当用户提出自然语言问题时，我们需要判断它属于知识库中的哪一类问题。这时，相似度计算成为了一种重要的策略。通过对比用户问句与例句的相似度，我们可以更精准地分类问题。这种方法在许多缺少丰富数据的场景下尤为实用。
为何选择判断同义句作为本次大赛的赛题呢？深空给出了两点重要原因。相似度计算在客服领域是基础且核心的技能，广泛应用于用户问句分类、常见问题挖掘等场景。相似度计算在其他领域也有广泛应用，如信息检索、自然语言理解等。本次大赛的重点在于鼓励选手们发掘优秀的相似度计算方法。为了支持选手们，我们在初赛提供了10万条数据，但不限制选手们使用其他数据或完全不基于数据的方法。
那么，比赛中的策略是否会应用到实际生产中呢？答案是肯定的。千瞳提到，蚂蚁金服在实际业务中面临着诸多挑战，如用户描述的口语化、描述多样性等，都需要通过相似度计算来解决。我们也在不断这一领域，希望能与选手们共同找到最佳解决方案。
亲爱的读者们，如果你对相似度计算有独到的见解和创新的想法，那就赶快行动起来，登录大赛官网报名参赛吧！百万奖金等你来挑战！让我们在匹配的之路上，共同前行！
