人工智能：知识库是其能力之本

你的人工智能是否能自信地给出正确答案，还是在过时的知识中摸索，让你的客户越来越沮丧？

人工智能 (AI) 正在改变企业与客户互动的方式，但有一个关键因素常常被忽视：为人工智能提供动力的知识。人工智能响应的质量直接取决于它能够访问的信息——随着越来越多的组织将人工智能用于客户服务，这种关系变得越来越重要。

人工智能非常擅长访问非结构化和结构化数据，并将其整理成组织良好、符合自然语言的响应。与你在 Google 搜索中获得多个响应（其答案的质量很大程度上受广告或其他赞助驱动）不同，人工智能会根据支持所提问题的知识主体进行查找。

因此，当谈到面向客户体验的知识驱动型人工智能时，其核心思想是人工智能不会访问全部范围的信息，而是访问一个结构良好的知识库。这意味着公司必须仔细选择人工智能可以利用的信息，尤其是在处理数十年数据的情况下。

例如，如果知识库包含过多的旧内容，客户询问如何付款时可能会收到关于手写支票的过时说明。通过提供一个结构良好、足够丰富以提供尽可能多答案，但又将人工智能限制在该特定知识库的数据库，你就可以真正专注于为人工智能提供正确的信息，以交付你希望客户收到的答案。

专项优势

在构建人工智能知识库时，从小而窄开始，然后逐步扩展，比从一开始就包含所有内容并试图缩小范围更有效。公司常犯的错误是让人工智能访问他们的整个信息宇宙。

这种方法通常会产生更多问题，而非解决问题。尤其是在知识库包含过时信息或人工智能同时从太多不同来源提取信息时，联络中心的人工智能准确性会大打折扣。当考虑人工智能生成的图像时，这种局限性就变得显而易见。当人工智能试图创建人物图像时，它通常会产生明显的错误——过多的手指、位置奇怪的手或不自然的五官。人工智能对话遵循相同的模式。

它们乍一看似乎没问题，但仔细检查会发现理解上的差距、不恰当的语气和机械的同情心。提供的信息可能在技术上是正确的，但缺乏客户所需的细微差别和特异性。就像图像一样，这些对话模型会随着时间的推移而改进，但根本挑战依然存在——人工智能需要结构良好的信息才能避免这些陷阱。

经验学习而非算法

最终，当人工智能局限于特定的知识和主题时，它能提供最可靠的性能。与人类代理不同，人工智能在遵循脚本时表现最佳。这与我们在 BPO 行业中学到的经验形成了有趣的对比。我们的经验表明，人类代理在被赋予脱离脚本自由并运用其天生的问题解决能力时表现出色。

最好的人机交互发生在代理将全部自我投入到对话中时。然而，人工智能更像是需要明确界限的实习生。在人工智能变得更加复杂之前，你希望将其严格限制在经批准的脚本和内容上。人类代理可以提供超出其正式培训范围的答案。

他们能够驾驭复杂的系统、寻找创造性的解决方案，并以未记录的方式解释客户需求。这些技能通过经验发展，人工智能复制起来仍然具有挑战性。今天的人工智能系统无法像人类那样操作界面。它们无法像人类代理那样点击多个屏幕、遵循复杂的流程或与 CRM 系统交互。人工智能只知道其知识库中存在的内容。

这种局限性凸显了为什么将人类代理的生活经验融入人工智能知识库能够带来如此显著的改进。人工智能在处理不确定性方面也与人类不同。它从不缺乏自信，即使犯错也是如此。如果其算法确定这是最佳响应，人工智能会以完全确定的方式陈述不正确的信息。

人类代理的学习方式不同。当客户表达沮丧或纠正错误时，人类代理会经历那种不舒服的“天哪”时刻，将学习嵌入他们的对话记忆中。即使信息有限，人类也能快速适应。大多数人工智能系统缺乏这种情感反馈循环，这引出了一个重要问题：我们如何配置人工智能以有意义地将负面反馈融入其知识？

信息架构是一项投资

创建有效的人工智能知识库需要持续关注多个方面。基础必须是结构化、最新且准确反映你的产品和服务的内容。这并非一劳永逸，而是对维护和准确性的持续承诺。同样重要的是建立适当的界限——赋予人工智能足够的知识以提供帮助，同时限制其访问不相关或过时信息的能力。改进必须是持续而非偶尔的。

通过监控人工智能的不足之处并系统地解决这些差距，组织可以保持其系统相关且有效。整合成功的人类代理交互是另一个关键因素。当你捕获人类对话中有效的内容，并将这些模式融入你的人工智能知识库时，性能会显著提高。最后，强大的反馈机制使人工智能能够从客户响应中学习，而不会轻易被操纵，从而创建一个随时间推移不断改进的系统。

人工智能技术将继续发展，但其有效性将始终取决于其知识基础的质量。投资于结构合理、维护良好的知识系统的组织将从其人工智能实施中获得更好的结果。未来不仅仅是部署更复杂的人工智能技术，而是构建更好的知识生态系统，供这些技术利用。你的人工智能与它所构建的知识库一样优秀，而打好这个基础对于提供你真正想要的客户体验至关重要。