智能對話分析服務的由來
就我們阿裡雲來說，每天都要處理大量的工單以及電話，我們處理完成這些工單和電話的服務品質如何？電話中對話内容是否合規？對于客戶的問題，如網絡不穩定，主機出問題等等，我們是否解決了問題？對工單和電話内容的服務品質檢查和資料分析，成為了我們的一個較為複雜的需求。
解決這個問題的難點有二：
1.對話量大
2.資料分析困難。
為了解決這些問題，阿裡雲誕生了内部代号為“慧眼”的對話資料分析服務平台，創立之初目的有二，一是輸出對話分析能力使全量的對話，二是利用人工智能釋放對話分析的生産力，解放質檢人員的繁重勞動。
當我們真正開始做這件事以後，發現這是一個普遍存在的需求，不僅僅在于阿裡雲内部，外部同樣存在的大量需要這個能力的客戶，大家普遍存在客服服務質檢、對話分析的痛點和需求。在研發這個平台的過程中，我們反複打磨需求，創造性的解決了很多問題，也在這個過程中不斷學習，激發了很多對對話分析的思考。
我們不僅僅要提供服務質檢的能力，還要讓這個能力能夠應用于更多更複雜的場景，隻要有對話我們就能夠進行智能分析。基于這個短期和遠景目标，我們的智能對話分析平台誕生了。
智能對話分析服務的介紹
在智能對話分析出現之前的黑鐵時代，我們對于服務質檢通常使用關鍵詞檢索、按比例抽檢等手段進行質檢，不得不說這件事痛苦且事倍功半，智能對話分析基于質檢的複雜需求，認識到僅憑借關鍵詞檢索很難達到目标，我們創造了一個規則系統，通過有邏輯關系的基本單元——算子，組成擁有一定智能的規則，來對資料進行檢索，一下子讓資料質檢的準确率達到了前所未有的高度，把服務質檢這件事從繁瑣的體力勞動中解放出來，得到了内部和外部客戶的認可。
簡單介紹一下我們系統的質檢規則：
1.基本單元“算子”
算子是規則中不可分割的最小機關，它有最基本的，如檢測關鍵詞，檢測對話時間間隔，檢測是否疑問句等功能。
2.算子組成“條件”
例如，我建立2個算子，分别為檢測客戶是否罵人，檢測回答是否逾時，此時我将這2個算子 1 & 2組合成一個條件，這樣就生成了一個 “因為回複逾時而造成客戶罵人” 的條件。
3.條件組成“規則”
步驟2建立a, b, c三個條件，通過例如 a & b || c 這樣的邏輯組合成一個規則。智能對話服務分析系統通過一個個這樣的規則，對對話資料進行分析
注：& 代表邏輯“與”，|| 代表邏輯“或”，! 代表邏輯“非”
智能對話分析示例
對話内容如上圖所示，客服和客戶溝通中向客戶要密碼做診斷後，提醒客戶問題解決完畢之後修改密碼，這個是個相對比較複雜的針對具體業務的服務規範規則。
規則=!條件2
條件1：向客戶索要密碼：
1.檢查範圍：全文客服說過的話；
2.算子：比對“向客戶索要密碼”的語義；
條件2：提醒客戶修改密碼：
1.檢查範圍：條件1命中的句子之後，客服說的話
2.算子：比對“提醒客戶修改密碼”的語義
我們的系統對這段對話應用這個規則，整個過程如圖所示：
根據圖中所示的例子， 大家可以大概了解智能對話分析的基本資料處理流程。當然這僅僅是智能對話分析中最簡單的例子，我們的系統支援7種算子，“與”，“或”，“非”邏輯關系，基于這幾種基本單元，我們可以建立非常複雜的應用場景，讓千奇百怪的對話分析成為可能。
智能對話分析平台核心能力
一、 工單、電話資料化能力。
對于目前企業售前、售後都存在大量的咨詢工單、電話等資料，這類資料通常是海量的、雜亂無章的，令人望而生畏的，隻有通過大資料、人工智能的手段對這些海量的資料進行挖掘才能發揮這些資料的價值。挖掘這類資料的第一步便是将這些資料結構化，這個資料處理是智能對話分析平台的基石。
資料結構化包含兩個重要内容：
1.語音資料文本化
智能對話分析平台解決了兩個難點，語音轉文本和通話角色判定。基于阿裡雲自主研發的asr系統首先可以将語音通話内容轉換為文本，通過語音中的聲紋特點，自動鑒定a/b角色，再通過系統内的判定規則，能夠自動區分語音通話中的客戶/客服角色。進而根據角色進行對話分析。
2.文本資料結構化
智能對話分析平台能夠對通話内容結構化存儲（其它類型資料客戶可自行封裝），進而友善對資料進行檢索和分析，将雜亂的資料有序化。
二、 對話内容智能分析
智能對話分析系統内部擁有排程系統，能夠靈活地手動啟動分析任務，也可以設定定時任務，自動對新資料進行入庫和分析，輕松實作資料的 t+0 或 t+1 分析。
三、 行業應用
對服務品質的把控和服務資料的挖掘不僅是阿裡雲的需求，大多數企業使用者也普遍存在這樣的需求，是以在滿足内部需求以後，阿裡雲把這種技術能力開放給了使用者,幫助企業提升服務品質、監控服務風險、優化服務政策。基于智能對話分析服務的資料處理能力，目前已經有金融、制造、電商等多個領域頂級廠商對系統進行試用，未來阿裡雲還将提供呼叫中心+對話分析一攬子解決方案。