智能客服难点思考复盘（下）

挑战：

人工介入的阈值设定与智能调度

• 初期设定单一置信度阈值（如<70%转人工），导致简单问题过度转交（如“你好”也被转接），人工负载不降反升。
• 高峰期人工客服响应延迟，用户体验下降。

解决策略设计

1. 动态阈值分层设计

为了根据不同问题的复杂度和风险调整人工转接的置信度阈值，我们可以设计一个分层的动态阈值系统。

• 高风险场景（如退款、账号安全）：由于涉及到用户金钱和隐私，系统需要更高的置信度才能确保正确回答。例如，置信度低于 85% 时，自动转人工，以避免错误回答带来的负面后果。
• 常规场景（如物流查询、商品信息）：这些场景的复杂度相对较低，用户对准确性要求也没有那么高，可以将转人工的阈值设定为 60%。如果 AI 无法提供足够精确的答案，可以降低转人工的标准。
• 问候类场景（如“你好”、“谢谢”）：这些场景不需要转人工，因为通常只需要简单的回应，系统可以直接返回固定的问候或告知用户处理流程，无需人工干预。

动态阈值分层设计实现方式：

• 在 意图识别 模块中，将不同类型的场景进行分类。每个场景在识别时会有对应的阈值。
• 对于高风险场景，可以设置更严格的条件来判断是否需要转人工。例如，AI 如果置信度低于 85%，则立即转人工，避免产生误导。
• 对于问候类和简单问题，系统则无需转接人工，而是给出自动回复，降低转接人工的频率。

2. 智能负载均衡设计

在客服高峰期，系统需要通过实时监控人工客服的队列长度，动态调整阈值以平衡人工客服的负载。

• 实时监控队列：系统需要接入人工客服队列的状态信息，实时了解等待的客户数量。如果队列长度超过 5 人，则触发负载均衡策略。

-----------------------------------------面试预测------------------------------------------------

Q1:如何确保动态阈值设置不会影响 AI 的准确性，尤其是在放宽阈值时？

A1:动态阈值设置是基于不同场景的风险程度而定的。高风险场景（如退款、账号安全）会有更高的置信度要求，放宽阈值时会减少此类问题的误解风险。为了保证准确性，我们可以通过监控系统的反馈（如用户满意度调查或问题重开率）来调整阈值，从而保持一个平衡。

Q2:如果客户在等待过程中收到“客服正忙，您可以先查看常见解答”的提示，但仍希望转接人工客服，怎么办？

A2:可以在 AI 反馈的提示中加入一个选项，允许用户选择继续等待人工客服。例如，可以提供“如果您需要进一步帮助，请按1”或类似的方式，确保用户可以根据需求选择人工服务，而不会完全丧失与客服的联系。

Q3:如何确保动态调整阈值不会导致高风险问题被 AI 误答，从而引发更严重的客户问题？

A3:在调整阈值时，特别是对高风险场景，我们会进行多轮测试和监控，通过用户反馈和对话质量评估来优化阈值设置。我们还会通过增加人类监督或提前设置“人工干预”标记，确保当 AI 回答不准确时，能够迅速转接到人工客服进行处理。

Q4:如果在高峰期多次放宽阈值，会不会导致客户过多依赖 AI，降低人工客服的工作效率？

A4:放宽阈值的目的是为了在高峰期平衡负载，而不是让用户完全依赖 AI。AI 仍然仅处理一些简单的常规问题。为了避免对人工客服的过度依赖，我们会定期监控系统的性能和客服满意度，以确保在负载高峰期间依然能够保证较高的服务质量。