对话式 AI 将 自然语言 处理 (NLP) 与 机器学习相结合。 这些 NLP 流程与 机器学习 流程一起流入固定反馈环路，以便不断改进 AI 算法。 对话式 AI 的主要组件使其能够以自然的方式处理、理解和生成响应。
机器学习 (ML) 是人工智能的一个子领域，由一组算法、特征以及可通过经验持续自行改进的数据集组成。 随着输入的增加， AI 平台 机器在识别模式方面的表现越来越好，并且可用于预测。
自然语言 处理 是对话式 AI 中 目前借助 机器学习 来分析语言的方法。 在 机器学习之前，语言处理方法的演变从语言学到计算语言学再到统计 自然语言 处理。 在未来， 深度学习 将进一步提升 对话式 AI 的 自然语言 处理 能力。
NLP 包括四个步骤：输入生成、输入分析、输出生成和强化学习。 将非结构化数据转换为可由计算机读取的格式，然后对其进行分析以生成适当的响应。 底层 ML 算法会在长时间的学习过程中逐步提高响应质量。 这四个 NLP 步骤可以进一步细分如下：
- 输入生成： 用户通过网站或应用程序提供输入；输入的格式可以是语音或文本。
- 输入分析： 如果输入是基于文本的， 对话式 AI 解决方案 应用程序将使用 自然语言 理解 （NLU）来解释输入的含义并推导出其意图。 但是，如果输入是基于语音的，它将利用自动语音识别 (ASR) 和 NLU 的组合来分析数据。
- 对话管理：在这个阶段，自然语言生成 (NLG)（这是 NLP 的一个组件）将生成一个响应
- 强化学习： 最后，机器学习算法会随着时间的推移来改进响应以确保准确性
对话式 AI 首先要考虑的是：潜在用户希望如何与产品进行交互以及他们可能会遇到的主要问题。 然后，您可以使用对话式 AI 工具来帮助将他们引导到相关信息。 在本节中，我们将介绍几种开始规划并创建对话式 AI 的方法。
1. 查找面向最终用户的常见问题解答 (FAQ) 列表
常见问题及解答是对话式 AI 开发过程的基础。 它们可帮助您定义最终用户的主要需求和关注点，从而减少支持团队的呼叫量。 如果您的产品没有可用的 FAQ 列表，请首先联系您的客户成功团队，以确定对话式 AI 可帮助解决的相应问题的列表。
例如，假设你们是一家银行。 初始 FAQ 列表可能是：
- 如何访问我的账户？
- 在哪里可以找到我的汇款路线和账号？
- 什么时候可以拿到我的借记卡？
- 如何激活我的借记卡？
- 如何订购支票？
- 如何与当地银行的工作人员接洽？
随着时间的推移，您总是可以向这个列表中添加更多问题，因此，可以从一小部分问题开始，为对话式 AI 的开发过程建立原型。
2. 在对话式 AI 工具中使用 FAQ 制定目标
FAQ 将构成在用户输入中表达的目标或意图（例如访问账户）的基础。 确定目标后，您可以将它们作为意图导入具有竞争力的对话式 AI 工具（如 Watson Assistant）中。
从这里开始，您需要向对话式 AI 传授用户可能会用哪些方式表达或询问此类信息。 如果以"如何访问我的账户"为例，您可能会想到用户在与支持代表聊天时可能使用的其他短语，例如"如何登录"、"如何重置密码"、"注册账户"等等。
如果您不确定客户可能使用的其他短语，那么您可能需要与分析和支持团队合作。 如果您的 聊天机器人分析 工具设置得当，分析团队就可以提取网络数据并调查来自站点搜索数据的其他查询。 或者，他们还可以分析来自网络聊天对话和呼叫中心的转录数据。 如果分析团队未设置此类分析，那么支持团队也可以提供有关客户表达问题的常见方式的有用洞察。
3. 利用目标来理解和构建相关名词和关键词
确定与意图有关的名词或实体。 在此示例中，我们一直关注的是用户的银行账户。 因此，可以创建一个与银行账户信息相关的实体。
许多值都可以归为此类信息，例如"用户名"、"密码"、"账号"等。
要了解与特定用户意图有关的实体，您可以使用从工具或支持团队收集的相同信息来制定目标或意图。 这些名词将被放在主要询问之前或之后。
4. 将所有内容汇总在一起，以建立与用户的有意义的对话
所有这些元素将协同工作，以创建与最终用户的对话。 意图允许机器解释用户的提问，而实体将充当提供相关响应的一种方式。 例如，您可以设想对话式 AI 与忘记密码的用户之间展开的如下对话：
目标和名词（IBM 喜欢将它们称为意图和实体）协同工作以根据用户需求构建逻辑对话流。 如果您准备开始构建自己的对话式 AI，那么可以免费试用 IBM Watson Assistant Lite 版本 。
当提到对话式 人工智能时，人们通常想到的是为他们提供客户支持 服务和全渠道 部署的在线聊天机器人和语音助手。 大多数 对话式 AI 应用程序都在 后端 程序中内置了广泛的分析功能，这有助于确保类似人类的对话体验。
专家认为 对话式 AI 当前的应用程序是弱 AI，因为它们只能执行非常少量的任务。 强 AI 仍然是一个理论概念，它侧重于开发类似人类的意识，可以完成各种任务并解决各种问题。
尽管对话式 AI 的关注范围有限，但它对于企业来说仍然是一项非常有利可图的技术，可以帮助企业获得更多利润。 虽然 AI 聊天机器人是最流行的对话式 AI 形式，但企业中仍然存在许多其他用例。 一些示例包括：
- 在线客户支持： 在线 聊天机器人 正逐步取代 客户互动中的人工客服。 他们回答各种主题的常见问题 (FAQ) ，例如送货，或为用户提供个性化建议，交叉销售产品，提供用户尺寸建议，改变了我们对 网站和社交媒体 中客户互动的看法。 示例包括具有虚拟客服的电子商务站点上的聊天机器人、消息传递应用（例如 Slack 和 Facebook Messenger）以及虚拟助理和语音助手通常执行的任务。
- 可访问性： 通过降低进入门槛，可以提高公司的可访问性，尤其是对于使用辅助技术的用户。 这些群体常用的对话式 AI 功能是文本转语音的 听写功能和语言翻译功能。
- HR 流程： 可以使用 对话式 AI 来优化许多人力资源流程，例如员工培训流程、入职流程和员工信息更新流程。
- 医疗保健：对话式 AI 可以使患者更容易获得和负担得起医疗保健服务，同时还可以提高运营效率并改进管理流程，例如索赔处理、精简框架。
- 物联网 (IoT) 设备： 目前，大多数家庭都拥有 IoT 设备，从 Alexa 扬声器到智能手表再到手机。 这些设备使用自动 语音识别来与最终用户进行交互。 流行的应用程序包括 Amazon Alexa、 Apple Siri 和 Google Home。
- 计算机软件： 办公环境中的许多任务都通过 对话式 AI 进行了简化，例如在 Google 上搜索内容时的搜索内容自动补全以及拼写检查。
虽然大多数 AI 聊天机器人 和应用程序目前都具有基本的问题解决技能，但它们可以减少重复 客户支持 交互的时间并提高成本效益，释放人力资源以专注于更复杂的客户交互。 总体而言，对话式 AI 应用程序能够很好地复制人类 对话体验，从而提高客户满意度。
对话式 AI 是适用于许多业务流程的经济高效的解决方案。 以下示例展示了使用 对话式 AI 的优势。
成本效益
为客户服务部门配备员工可能会导致成本上升，尤其是当您需要在正常办公时间之外的时段回答问题时。 通过对话界面为客户提高帮助可以降低工资和培训方面的业务成本，尤其是对于中小型公司来说更是如此。 聊天机器人和虚拟助手可以立即作出响应，能够为潜在客户提供全天候（24 小时制）服务。
人工对话也可能会为潜在客户提供不一致的响应 由于用户与支持人员的大多数交互都是寻求信息并且有些问题是重复的，因此企业可以对对话式 AI 进行编程以便处理各种用例，从而确保回复的全面性和一致性。 这可以确保客户体验的连续性，从而将宝贵的人力资源用于处理更复杂的查询。
提高销售量和客户参与度
随着移动设备进入消费者的日常生活，企业需要准备好向最终用户提供实时信息。 由于对话式 AI 工具比人工服务更容易访问，因此客户可以更快、更频繁地与品牌进行互动。 这种即时支持使客户能够避免呼叫中心等待时间过长的情况，从而改善整体客户体验。 随着客户满意度的提高，公司将会发现这可以提高客户忠诚度并增加推荐所带来的收入。
对话式 AI 中的个性化功能还可以让聊天机器人向最终用户提供建议，允许企业交叉销售客户最初可能没有考虑过的产品。
可扩展性
对话式 AI 还具有非常强的可扩展性，因为添加基础架构来支持对话式 AI 比招聘和培训新员工更便宜而且更快捷。 将产品推广到新的市场或在销售量因意外的短期需求而激增期间（例如在假期期间），对话式 AI 尤其有用。
对话式 AI 仍处于起步阶段，近年来才开始被广泛采用。 与采用任何新技术一样，过渡到对话式 AI 应用程序也存在一些挑战。 一些示例包括：
语言输入
语言输入可能是 对话式 AI 的痛点，无论输入是文本还是语音。 方言、口音和背景噪音都会影响 AI 对原始输入的理解。 俚语和非脚本语言也会给输入处理带来一些问题。
然而， 对话式 AI 面临的最大挑战是语言输入中的人为因素。 情绪、语气和讽刺口吻使 对话式 AI 难以解释出预期的用户含义并作出适当的回应。
隐私和安全
由于对话式 AI 是依靠收集数据来回答用户查询，因此它也容易受到隐私和安全漏洞的影响。 开发采用严格 隐私和安全标准 且具有监控系统的 对话式 AI 应用程序将有助于在最终用户之间建立信任，最终随着时间的推移而增加聊天机器人的使用。
用户担忧
用户可能对共享个人信息或敏感信息感到担心，尤其是当他们意识到他们正在与机器而不是人交谈时。 由于您的所有客户并不都是早期采用者，因此向目标受众介绍这些技术的好处和安全性并打造更好的客户体验非常重要。 否则，可能会导致糟糕的 用户体验 和降低 AI 性能，从而抵消了 AI 的积极影响。
此外，聊天机器人有时候并没有被编程为回答各种用户查询。 发生这种情况时，提供替代通信渠道来处理这些更复杂的查询将非常重要，因为如果提供了错误或不完整的答案，最终用户会感到十分沮丧。 在这些情况下，客户应该能够与公司的人工客服联系。
最后，对话式 AI 还可以优化公司的工作流程，从而减少特定工作职能的人工成本。 这可能会引发社会经济激进主义，从而对公司产生负面影响。