官网新闻
19:10-19:40,CCF企工委副主任、TF主席,京东AI研究院常务副院长何晓冬做主题报告 19:40-19:55,清华大学长聘副教授黄民烈,报告主题:拟人化对线,清华大学副教授刘知远,报告主题:知识指导的预训练语言模型 智能客服:是创新和使用客户知识,帮助企业提高优化客户关系的决策能力和整体运营能力的概念、方法、过程以及软件的集合。 智能客服系统是在大规模知识处理基础上发展起来的面
19:10-19:40,CCF企工委副主任、TF主席,京东AI研究院常务副院长何晓冬做主题报告
19:40-19:55,清华大学长聘副教授黄民烈,报告主题:拟人化对线,清华大学副教授刘知远,报告主题:知识指导的预训练语言模型
智能客服:是创新和使用客户知识,帮助企业提高优化客户关系的决策能力和整体运营能力的概念、方法、过程以及软件的集合。
智能客服系统是在大规模知识处理基础上发展起来的面向行业应用的新兴智能化体系,它是大规模知识处理、自然语言理解、知识管理技术、自动问答系统、逻辑推理技术等等技术有机结合的产物,具有行业通用性。智能客服不仅为企业提供了细粒度知识管理技术,还为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段;同时还能够为企业积累和提供精细化管理所需的统计分析信息。
客服系统从电话咨询到即时通讯咨询,再到AI自然语言处理的问答系统,经历了漫长的发展过程。基于语言智能处理技术的智能客服解决了服务需求增加和客户来源分散降低了传统客服对客户服务需求的响应速度和处理效率的问题,突破了客服发展的瓶颈,推动服务方式的转型,进一步优化客户体验。智能客服系统实现了拟人化人机对话体验,分流人工话务、减轻客服压力、降低运营成本、提高营销能力、规范行业知识库、树立服务形象、提高回复率从而提升客户满意度。
目前市面上的智能客服系统定位的侧重点各有不同,各自的优势也很突出,都努力致力于提供更智能的客户服务。服务的客户群体主要涉及互联网金融、教育培训、媒体、电商、政府及公共事业、企业服务等领域。
京东科技集团是京东集团旗下专注于以技术为产业服务的业务子集团,致力于为企业、金融机构、政府等各类客户提供全价值链的技术性产品与解决方案。依托人工智能、大数据、云计算、物联网等前沿科技能力,京东科技打造出了面向不同行业的产品和解决方案,以此帮助全社会各行业企业降低供应链成本,提升运营效率,成为值得产业信赖的数字合作伙伴。
融合了原京东数科及云与AI两大技术业务板块,京东科技现已成为整个京东集团对外提供技术服务的核心输出平台,拥有丰富的产业理解力、深厚的风险管理能力、用户运营能力和企业服务能力,能面向不同行业为客户提供行业应用、产品开发与产业数字化服务。截至2020年6月末,在政府及其他客户服务领域,京东科技服务了超过40家城市公共服务机构,在全国建立了50多个城市云服务基地,此外也建立了庞大的线下物联网营销平台,拥有自营和联盟媒体点位数超过1,500万,覆盖全国超过300座城市以及6亿多人次;在金融机构服务领域,京东科技已为包括银行、保险、基金、信托、证券公司在内的超600家各类金融机构提供了多层次数字化解决方案;在商户与企业服务领域,已为超100万家小微商户、超20万家中小企业、超700家大型商业中心等提供了包括业务和技术在内的数字化解决方案
研究兴趣包括深度学习、自然语言处理等,尤其是对话系统、语言生成和情感分析。2019年获得中国人工智能学会吴文俊人工智能科技进步奖一等奖(排名第一),对线年获得国家自然科学基金重点项目资助。多次获得最佳论文或提名(SIGDIAL 2020、IJCAI 2018等)。研发对话系统平台ConvLab和ConvLab2,并多次组织国内外有影响力的对话系统评测与竞赛(DSTC8,DSTC9)。担任顶级期刊TNNLS(SCI一区,影响因子11)编委,顶级期刊TACL的编委,顶级会议ACL 2021 Diversity&Inclusion联合主席,ACL 2021资深领域主席(SAC),EMNLP 2021研讨会联合主席,ACL 2020/2016、EMNLP 2020/2019/2014/2011、IJCAI 2021领域主席。
摘要:拟人化对话系统需要解决三个基本问题:语义性、交互性、一致性。讲者将讨论构建有知识、有情感、有个性的对话系统面临的挑战。特别地,讲者将讨论对话系统中如何融入知识、如何体现情感、如何体现个性、人设或特定风格。
清华大学计算机系副教授、博士生导师。主要研究方向为表示学习、知识图谱和社会计算。已在ACL、IJCAI、AAAI等人工智能领域的著名国际期刊和会议发表相关论文80余篇,Google Scholar统计引用超过1.2万次。承担多项国家自然科学基金。曾获中文信息学会青年创新奖,入选国家万人计划青年拔尖人才、中国科学青年人才托举工程。
摘要:近年来深度学习成为自然语言处理关键技术,特别是2018年以来的预训练语言模型显著提升了自然语言处理的整体性能。作为典型的数据驱动方法,以预训练语言模型为代表的深度学习仍然面临可解释性不强、鲁棒性差等难题,如何将人类积累的大量语言知识和世界知识引入模型,是改进深度学习性能的重要方向,同时也面临很多挑战。本报告将系统介绍知识指导的预训练语言模型的最新进展与趋势。