吳強認為：“豐富、專業的語料決定了大模型的能力，企業生產過程中積累的知識是訓練行業大模型的稀缺財富。”

 

 

通用大模型通常都是由通用語料訓練而來，只能理解通俗范疇內的內容。但面對行業、企業垂直場景下的特定語料就顯得捉襟見肘了。

 

比如同一個詞語，硬件行業和軟件行業表達的意思可能完全不一樣。尤其是“工單節點”、“召回率”這些專業術語，通用大模型很難理解得準確。因此大模型如果想真正實現商業化落地，選擇垂直行業的大模型（以下簡稱，行業大模型）是必經之路。

 

 

“但要注意，行業大模型是不能拿來直接用的，落地到企業的業務場景中還需要其他關鍵步驟做支撐。”吳強補充道。

 

 

 

第一，是歷史上消耗大量精力完成的已結構化的數據。第二，是與客戶溝通過程中的數據。第三，是大量的產品文檔手冊、管理手冊等。這三部分用專業術語概括起來就是原始知識、會話知識、企業文檔。企業知識工程的搭建基礎正是從這三大類開始。

 

吳強說道：企業有了大模型之后可以全面接手企業知識，這包括知識的分析、提取、去重、聚合、美化、生成等，再與企業業務系統高效連接就可以實現“問答、搜索、流轉全智能一體化”、“知識自動抽取與高效維護”、“客戶洞察驅動業務優化”等，實現一次建設、全面降本的目的。

 

 

其中人是核心，流程、數據和知識去輔助人來完成聯絡工作。過去企業主要靠培訓解決效率提升問題，但通過培訓帶來的效果并不是很理想，始終無法快速的把高水平員工的能力傳播到整個團隊。

 

現在，利用大模型構建出企業知識工程之后，無論是標準流程引導（SOP，Standard Operating Procedure）、多語言對話、話術推薦、工單流轉、提供情緒價值等工作都可以利用大模型完成。相當于每個員工都有了一個智能助理（Copilot），極大提高了線索轉化率、售后滿意度、企業內部運行效率等。

 

 

吳強介紹道：“只有具備準確且一定規模的知識積累，人工智能才是可靠的。知識底座不扎實，就會導致上層所有應用都不穩定。但過去企業經常回避這個問題。比如針對常見的‘電腦黑屏問題’，用戶都至少能有50種不同的問法，而且即使問法解決了，用戶的情緒也不同，需要給予的反饋也不同。”

 

“所以天潤融通在研發大模型落地應用的過程中，就把重心轉到幫助企業做知識工程。只要把‘知識工程’建設好，不論是實現客戶聯絡的會話分析還是全智能的接待、營銷、服務以及全流程輔助等，都會很容易”。

 

 

通用大模型由于內容精準度不高，甚至常常答非所問而飽受詬病。行業大模型要想真正為企業業務賦能，就必須克服這個問題。

 

吳強告訴我們，“在訓練行業大模型過程中，如果它回答不了當前問題，就要教它通過反問來理解提問者的動機。如果反問也沒有用，就要繼續使用其它策略來提升大模型理解能力。”

 

比如銀行客服“催收場景”中，欠賬的人通常不會直接說“我不還”，而是用“我現在沒空”等語焉不詳的答復來搪塞客服。人工客服很容易就能理解對方的真實意圖，但大模型則需要借助對行業語料的理解洞悉這句話背后的真實含義。

 

 

理解了真實含義之后，基于大模型的智能客服就可以接著追問對方，催收的策略可以因對方實際情況進行隨機調整。

 

但要注意形成商業落地與業務場景閉環的門檻要遠遠高于訓練大模型。只要有足夠語料，幾個月時間就能訓練出大模型，但要想形成商業落地、業務價值呈現，沒有豐富的行業實踐和專業服務團隊是不行的。

 

舉例來說：行業大模型相當于學習了行業知識，但用行業知識解決問題，還需要實踐訓練。比如法律專業的大學生畢業后，并不能直接擔任律師。

 

吳強在采訪中也特別強調，每個業務場景背后的關鍵是由大模型應用的靈活性策略與專業服務團隊做支撐的。 

 

 

縱觀歷史，每一項新技術的出現都將對各行業帶來顛覆性變革。未來每家企業都會有一個專有大模型幫助企業建設知識工程，實現營銷、銷售、服務的全周期客戶聯絡智能化。

 

 

吳強表示，天潤融通從來都不追風口，在新技術應用上，始終“慢半拍”。這樣就有足夠時間探索與觀察新技術是否可靠，而不是把客戶當成小白鼠盲目試錯。而在落地應用上又遵循“快半拍”的原則，在確定新技術可靠后，迅速地把探索成果轉化出來，讓創新技術實現客戶業務價值提升。

總來的說是：先一步探索，穩一步觀察，快一步落地。

 

未來，天潤融通將以提升企業 “創造客戶、經營客戶”的能力為目標，持續不斷進行產品和技術創新，幫助企業通過更好經營客戶，實現可持續業務增長。

 

如果說前幾年是“云原生時代”，那么2023年可以被稱為“AI原生時代”元年。未來所有企業都需要基于AI技術重構一遍，以此實現自我革新。吳強擲地有聲地表達了AI在未來將產生的重要影響。