2012年，联络中心要进入下一代智能化客户服务中心的说法开始蔓延，大家虽说有一点儿慌，但总体来说还都觉得这事儿挺好。
人工智能，颠覆传统产业，变革生产力，以后客服人员都是机器人，再不用操心安抚他们，培训他们，不要工钱还不休息。嗯，高大上！于是“神经网络”、“深度学习”、“知识推理”、这些词，慢慢从供应商嘴里传到我们嘴里，逢人不拽上几句，都对不起人家上百页的PPT解决方案。
“我们的系统用的是自己的独创的深度学习，现场就能给你上线用。“
“哇，那太好了，可给我们省了劲儿了，来，试试！“
“好，把整理好的结构化数据给我导进来。”
“这些数据我都整理好了，我用你呀！“脸上笑嘻嘻，心里MMP。
……
“我们的系统后台特别简单，不用你们做后期维护，它自己完全能应付。”
“哇，那太好了，可给我们省了劲儿了，来，试试！“
一个月后，机器人回答准确率70%，二个月后65%，三个月后68%。
“这准确率咋没提升呢？“
“深度学习就像一个黑盒子，我们输入数据，它输出结果，能输出什么结果，不是我们能预测的。“
“喔，喔。这样呀！“脸上懵着逼，心里MMP！
……
这些对话不是开玩笑，这就是目前智能客服领域我们面临的现状。作为一种新的技术，其实算起来也有60多年了，真不新，但不明觉厉，对于应用AI技术的解决方案，甲方总是抱着幻想，希望它能帮着把客户的问题都解决了——一个机器人往那儿一放，反应快，回答的好，客户满意，我们还不用费工夫去维护它，美！
就想问，你咋不上天呢？
浇一盆冷水，在需要大量应用AI分支技术NLU的客服领域，机器做不到呀！
“在突破应用基础理论瓶颈时……重点突破无监督学习、综合深度推理等难点问题，建立数据驱动、以自然语言理解为核心的认知计算模型……“——这是国务院今年7月底印发的《新一代人工智能发展规划》，NLU是核心，是瓶颈，啥叫瓶颈？供应商你心里没点儿B数吗？（这句话同样适用于甲方）
说出来有点戳破气球的感觉，其实单纯的技术和算法，都是通用的，包括被吹嘘的神乎其神的深度学习，相关的理论和算法也都是二三十年前，没有人能够在算法和理论方面比别人强多少，而且基础技术和算法也不能直接解决任何实际问题，到真的去用的时候，一个应用一个场景，那是需要多种技术综合起来，形成有机的系统才解决问题的。
但对于新接触的这个东西真没经验，那该如何判断呢？其实可以把握一点：再看到供应商拿出有AI的解决方案时，别迷信，别听信那些神话，就把它看做普通的软件产品，这样心里自然就有了一些标准去判断其好或者不好。有点常识的都知道，每个软件产品在具体技术方面都不会有太大变化，但什么是好的产品呢？就是那些有了充分的行业积累和实施经验的，经受过足够考验的产品，而在市面是最终胜出的也是它们。
所以，对于智能客服的解决方案来说，技术方面的优势根本不在于算法，而在于工程化能力，在于领域的积累，在于大量的实际项目和应用积累的行业经验，一方面千锤百炼后，它具有了解决各种问题的能力，另一方面是，以海量数据为基础的人工智能，没有高质量的结构化数据，技术没有用武之地。
被AI界奉为经典的《终极算法》一书中曾用了一个很好的类比：在信息处理这个生态系统中，学习算法是顶级的掠食者，数据库就像大象，又大又重，不能忽略，但耐心的野兽飞快运转统计和分析算法，将数据变为信息，学习算法将这些信息吞下，消化，然后将其变成知识。
而知识才是真正让机器变聪明的东西，我们可以把算法本身理解为一种编程方法的升级版，有一定的门槛，但是门槛并不是太高，所以在挑选靠谱的供应商，如果再有人跟你卖弄它的算法有多厉害，你大可以在心里“呵呵”了。
判断靠谱的标准，要看它的方案能不能与你公司的业务系统对接上，能否产生深度结合？能不能利用移动互联网时代已经产生了的多个跨平台渠道，收集到超大规模的消息？收集到信息后，系统是如何处理的这些信息的？能不能实现数据的结构化？能不能最后转化为你公司的知识财富？
进一步讲，在大数据，智能化时代，公司打造一个统一的知识管理后台很有必要，通过这个平台将数据打通并深入呼叫中心内外部体系，将一条条对话，一次次互动变成数据，加工成信息，运营成知识，这样的解决方案才是我们真正需要的。
再说一句不怕得罪人的话，现在市面上大部分供应商能解决的也就是FAQ类的问答，靠的也是跟深度学习没有半毛关系的基于搜索的技术实现的。
科普文一篇，以缓解甲方上当次数太多日益聪明跟供应商继续不从实践出发摆概念画大饼之间的矛盾。
