人類嘗試著讓電腦擁有與人類相同的思考能力，在1958年，感知機(Perceptron)這個啟蒙概念就被提出，但由於只是個初期理論，未能實際投入到應用上，電腦科學家不斷參考人腦神經元運作方式，在20世紀末逐漸將必要的理論完備。正當要一展身手的時候，電腦科學家確發現自己低估人腦是多麼精密且處理能力強大，以當時的運算能力，訓練出一個模型不僅曠日費時，而且不一定能夠一次就能夠成功，因此這個理論的流派又再度沉寂了一陣子。在摩爾理論基礎中，除了CPU外的另一個運算元件GPU發展下，讓大量並行運算的速度與成本達到合理的範圍後，做了些調整再以新的名稱重新展現在世人面前，其結果成功奪取科技圈的目光，也就是最近常聽到的深度學習(Deep learning)。  

銷售與客服兩個單位，是企業與顧客面對面最直接的媒介，而其中的客服平時是要面對客戶疑問、疑難排解、資訊查詢、訂單處理，一個客服人員同一時間裡，只能面對一個客戶，可以稱的上是個人力與產品知識密集的單位。電腦擅長迅速處理精準的問題，人類之所以會拿「冷冰冰」這個詞來形容電腦，是因電腦只能回應夠精準的問題，沒有被設計者考慮進去的情境，一概被列為不精準問題，電腦無法提供你相對應的答案，使用者轉而尋求9「為您轉接客服專員」的幫助，這也是為何在電腦發明了將近八十年，真人客服依然屹立不搖，以及大多數話機上的12顆按鈕中，9永遠是最乾淨明亮的根本原因。

在資訊領域裡，讓電腦去暸解與分析人類使用文字符號的學科稱為自然語言處理(Natural Language Processing)，自然語言處理也是一門擁有長久發展歷史的技術。在全世界的數據中，大約有21%的資料屬於結構化資料，客服中心處理的語音與文字對話，正是屬於佔大部份的非結構化資料，這是一座尚未開採的金礦，而自然語言處理就像是一盞明燈，賦予機器一部份理解人類語言功能，進而有能力去挖掘非結構化資料。「人分成兩種，一種好看，一種難看，你剛好介於兩者之間，屬於好難看的」，如果以情緒字典下去計算，可以算出「好難看」是反向情緒沒錯，但語言經過人類社會的千錘百鍊，其抽像程度非常之高。常見的網路用語「啊不就好棒棒」是一種富有弦外之音的說法，連外國人都無法理解一堆正向的詞擺在一起，結果會產生負向的意思，更何況是電腦，可見沒有一套的公式或規則就能夠描述文字間的情緒。以往的自然語言處理，靠的就是這些所謂的高品質字典以及特徵工程，雖然投入大量的人力與時間去研究，但得到的結果卻往往不盡理想。適逢這個資訊爆炸的世代，從網路上取得帶有情緒標註的資料變得容易許多，深度學習能在數據驅動(Data-Driven)下，自動從大量數據中萃取出一些特徵，來評斷一段話的情感傾向，或是將一篇文本分類。只要模型參數設計的好，訓練的資料夠完整，就能夠得到一個效果不錯的分析模型。

現代客服產業應用裡，與客戶溝通的渠道，因智慧型的裝置興起而趨於多樣化，線上文字客服、Email、社交平台就能夠傳訊息與客服人員進行客戶服務，而這些傳送的文字對話本來就屬於自然語言處理的範圍。語音客服不管是透過一般的電話，或者是即時通訊軟體，語音訊號利用STT(Speech to text)轉譯成文本後，也能夠使用自然語言來進行處理。而客服事件處理進行時，以自然語言為工具，讓客服人員更暸解客戶後，提供更適當的服務。已結束的服務，能用更聰明的方式將這些對話保留，以供往後更快速的進行檢視或利用。而如同前面所說的，對話過程裡留下來非結構化資料，如何用自然語言轉換為結構化資訊，也是必要的過程。

客服事件處理

客戶每次進線分配到的通常不是同一個客服人員，所以客服人員與客戶都是素未謀面，如果提供以下這些方法，讓客服人員對客戶多一點的暸解，能夠讓客戶感到舒服的狀況下，得到這每一次的客服服務

• 情緒分析： 讓客戶的情緒在可被量測下進行監控，一方面能讓客服人員更加的感同身受，另一方面也能暸解客戶願意以及不願意接觸的話題。
• 客戶描述： 一個經驗老道的客服人員，經過一定程度的對話後，就可以掌握客戶個性大致的個性樣貌，以及字裡行間透露出的重要訊息，可以使用客戶描述讓這項功能成為每席客服人員的「標配」技能。而這位客戶的樣貌資訊，可以在每位接待客服人員裡被共享，在與客戶接觸越久後，樣貌輪廓也就會更完整。

對話留存

在客戶務服進行一段時間後，留存的資料也就會越來越多而形成大數據，每一份資料都會成為滋養深度學習的來源。但數據量一大還能提供往後的檢視，以及暸解資料的輪廓，都是大數據架構下的必要條件。

• 文本聚類： 機器學習能在未提供更多的標注下，利用文本的裡的特徵，將各個文本在高維度空間中進行分群。而數據管理者就能夠在群聚的結果裡，觀測出目前持有數據的樣貌，進一步分析能夠獲取更多的資訊。
• 文本分類： 相較於文本聚類，文本分類更明確知道分群的意圖，在以監督或半監督的狀態下，讓資料分門別類。在往後的檢視或分析中，能夠取單一類或多個類別進行處理，可以大量的減少運算資源以及處理時間。

客服質檢

在客服產業裡，非常注重的就是事後的客服質檢，這攸關於客服品質的好與壞，如上面所說的，深度學習使用於自然言處理中，在抽像的語意概念裡以及詞語間的相似度關聯判斷能力，都較舊有的技術強，因此在質檢評分裡，能夠得到更客觀精準的評分。而用電腦來進行質檢，在處理速度上，以及可以24小時不間斷的工作，與人工質檢相比，更容易達到「全質檢」的目標。

數據挖掘

在這個數據淘金的時代，企業能擁數據量就像是原油儲備量，經過提煉的數據，能成為企業向前邁進的動力來源。一個懂的怎麼使用數據的公司，和一個只存放卻不知道怎麼去運用的公司，在往後的經營上的差異，只會越來越明顯。

• 建模分析：與情緒分析類似，我們可以依靠數據去建立分類或評分的模型，不同以往硬梆梆規則式模型(Rule-Based)，深度學習模型能夠提供更有關聯更深層的分析，甚至能夠讓模型達到自適應能力，而不用靠一個領域專家去手動調整模型或增減規則。
• 異常檢測：其原理與建模分析相似，不同在於分析結果出來後，依造異常程度狀況，而採取不同通知程序，對管理者進行通知，或產生異常報表供往後檢視。
• 信息抽取：這是個從非結構化資料轉換為結構化資料的過程，因為有這個過程，讓往後的搜尋或者機器學習建模，會變的更加的容易。

鑽石與黃金埋藏在地底下數萬年，直到被發現開採出來價值依舊存在，而數據礦與他們不同的是，數據礦會是具有時效性的，其價值會隨著時間慢慢的「氧化」，所以趁著手上的礦還新鮮的時候，準備好工具，當個快樂的礦工。

作者:研發部 Joe