7月11日，2020 WAIC·開發(fā)者日特設(shè)「構(gòu)建AI基礎(chǔ)設(shè)施」分論壇，邀請包括華為、騰訊、竹間智能、京東云等業(yè)內(nèi)多家企業(yè)專家共同探討這一話題。竹間智能CEO&創(chuàng)始人簡仁賢將以《“懂語言者得天下”NLP落地修煉之道》為主題，分享新基建建設(shè)及企業(yè)數(shù)字化、智能化轉(zhuǎn)型新思路。
以下分享分論壇演講實(shí)錄
分論壇實(shí)錄
大家都知道自然語言處理是人工智能里的掌上明珠。人工智能主要包含視覺、語音跟自然語言處理，而其中NLP自然語言處理是其中最難的部分，我相信大家都已經(jīng)認(rèn)同。那么視覺跟語音的發(fā)展也已經(jīng)經(jīng)過了一段時間，技術(shù)也相對比較成熟，場景也比較固定。
那么自然語言理解的場景有多么浩瀚？自然語言理解需要處理的問題有多少呢？我們?nèi)绾伟炎匀徽Z言理解結(jié)合人工智能的技術(shù)，在行業(yè)里去落地，通過行業(yè)應(yīng)用的場景能夠產(chǎn)生更多的價值，這個是我們今天要來探討的問題。
竹間智能從2015年成立到現(xiàn)在的5年里，一直以自然語言為核心，以情感計(jì)算為基礎(chǔ)，打造流暢的人機(jī)交互，追求有溫度的交互機(jī)器人，來解決人跟機(jī)器溝通的問題。不僅如此，我們也在解決人機(jī)協(xié)作的問題。竹間將自然語言處理技術(shù)應(yīng)用到解決非結(jié)構(gòu)化數(shù)據(jù)，也就是從文本分析的范疇，把人機(jī)交互溝通、協(xié)同的問題，也同時運(yùn)用到業(yè)務(wù)自動化，流程自動化，解決業(yè)務(wù)上的問題，提供更好的端到端的服務(wù)。所以自然語言理解、情感計(jì)算是竹間智能的兩大主軸。
近5年來竹間一直在沉淀和積累行業(yè)的場景，今天來跟大家分享一下自然語言理解如何去落地。以前我的老上司沈向洋博士曾講過一句話：“懂語言者得天下”就是說未來的世界里面，不論是生活，工作或是娛樂，各個方面會有語言來輔助。不管這個語言是人跟人溝通的語言，還是人跟機(jī)器的溝通的語言，或者是未來幻想中一個機(jī)器跟機(jī)器溝通的語言，語言會成為一個人類生活層面的操作系統(tǒng)，所以懂語言者得天下，如果能夠?qū)⒄Z言了解透徹，就能幫助人類在言語的溝通上起到協(xié)同和賦能的作用。
竹間在過去5年來，已經(jīng)把自然語言的這些技術(shù)應(yīng)用到各行各業(yè)，沉淀下來非常多的場景，并把場景轉(zhuǎn)化成了產(chǎn)品和平臺，把產(chǎn)品做成平臺，把平臺當(dāng)作產(chǎn)品。目的是幫助企業(yè)把NLP應(yīng)用更快落地，更安全、更順暢、更低成本、更高效率。依靠竹間Bot Factory?這樣的產(chǎn)品平臺沉淀了數(shù)百個標(biāo)桿客戶，5年來不斷的以自主研發(fā)的自然語言理解跟情感計(jì)算的技術(shù)和知識工程技術(shù)為基礎(chǔ)，搭建出平臺，讓機(jī)器人真的能夠看得懂，聽得懂，讀得懂，也能夠去解決所有的人的業(yè)務(wù)的問題。竹間智能一直以來的愿景：
Emotional Robot for everyone,
every business, and every smart device
所以我們是來連接人、商業(yè)和終端三個為一體的一個環(huán)節(jié)，來做情感機(jī)器人，能夠賦能于人類生態(tài)。
把握NLP的契機(jī)
今天要跟大家講的是如何在人的生活當(dāng)中去找到NLP的契機(jī)，對于企業(yè)來講，我們?nèi)绾稳ベx能企業(yè)來幫助個人生活得更好、更便利、更有效。
企業(yè)內(nèi)普遍存在以下難點(diǎn)，第一，營銷獲客，企業(yè)能夠獲客，能夠有新的業(yè)務(wù)才能生存，才能提給客戶更好的服務(wù)。
第二點(diǎn)，提高服務(wù)的質(zhì)量。有了新客戶，如何去服務(wù)已有客戶進(jìn)行留存和轉(zhuǎn)化，則需要提供更好的體驗(yàn)，讓企業(yè)能夠有持續(xù)性的商機(jī)，讓客戶享受到更好，更值得的高質(zhì)量服務(wù)。那么還有最核心的一點(diǎn)是企業(yè)要減少人力成本，加上今年疫情給大家?guī)淼囊粋€思考，就是：未來如何在各個環(huán)節(jié)減少人力的壓力，進(jìn)而減少用工成本？通過技術(shù)來降低用工成本和壓力。未來世界其實(shí)將會減少接觸。更少的接觸，不代表沒有社交，社交當(dāng)然必不可少，所以需要社交距離，但是能不需要接觸的時候，就要盡量避免。
比如說要繳費(fèi)，一定要去網(wǎng)點(diǎn)繳嗎？要辦信用卡一定要去網(wǎng)點(diǎn)辦嗎？如果辦信用卡通過電話，機(jī)器人能否幫助客戶自動解決這些繁瑣的事情。以這些契機(jī)，未來可以落地到哪些場景來幫助人類真正提供有價值的服務(wù)？其中很重要的一點(diǎn)，要解決人與人溝通、交互的問題，它靠的是語言，所以我們必須要把人類的語言懂透、摸透，通過計(jì)算機(jī)語言，把語言變成一個可計(jì)算的東西。這門學(xué)科非常窄，但卻是最高深的一個學(xué)科，因?yàn)樗坏私馊说男睦?，還要了解語言學(xué)，還要了解人機(jī)交互，三門非常重要的技術(shù)學(xué)科，了解這三項(xiàng)之后，你才能夠真的稱得上能夠懂計(jì)算機(jī)語言。我們講情感計(jì)算模型，就是建立在心理學(xué)交互的模型上，需要把語言學(xué)和情緒情感融入到最先進(jìn)的人工智能，才能稱得上是懂交互的。交互不僅是觸屏這么簡單，語音的交互只是一個感官的交互，眼睛看到圖像也是感官的交互，圖片并不會跟你對話。真正的交互應(yīng)該是相互的過程，是動態(tài)的。人類的大腦里面在想的，當(dāng)他講一句話的時候，他的context是什么？他的情緒是什么？這是非常重要的，所以需要把計(jì)算機(jī)語言、自然語言處理跟心理學(xué)融合在一起，才有辦法達(dá)到真正的交互。這條路需要非常多的努力。
NLP未來關(guān)鍵技術(shù)點(diǎn)
單從NLP的角度來看，那么自然語言處理的技術(shù)難點(diǎn)有哪些？這是竹間做了5年，我個人做了20多年來的總結(jié)的一些經(jīng)驗(yàn)，以前還有很多技術(shù)難點(diǎn)，我們在一一克服之后，隨著技術(shù)不斷發(fā)展又會有新增的技術(shù)難點(diǎn)，當(dāng)然也越來越有挑戰(zhàn)性，并且越來越有價值。第一點(diǎn)，少樣本零樣本的學(xué)習(xí)。這是目前這兩三年來預(yù)訓(xùn)練模型的崛起，讓大家能夠開始去思考的問題，能不能用更少量的樣本和數(shù)據(jù)進(jìn)行訓(xùn)練達(dá)到預(yù)訓(xùn)練，未來能讓語言模型更通用。所以這是一個挑戰(zhàn)方向，待大家共同努力減少學(xué)習(xí)樣本，讓模型交互的模型更豐富，能夠更快的去完成訓(xùn)練。第二點(diǎn)，預(yù)訓(xùn)練模型的壓縮。當(dāng)然大家知道預(yù)訓(xùn)練模型它需要的dimension非常廣，需要的數(shù)據(jù)就非常多，搭建出的模型也非常大，如何盡量壓縮，如何能夠超越Bert，做到比Bert更小，訓(xùn)練速度更快，所需樣本更少？這樣的一個模型，是要靠大家融入各個方面的經(jīng)驗(yàn)進(jìn)行優(yōu)化迭代。
第三點(diǎn)，是很重要的一點(diǎn)，即自然語言處理是在處理人的語言，缺少了知識，認(rèn)知，包括常識。以前做詞向量，做句向量，把詞變成一個向量，用向量來計(jì)算，這里面是缺少知識和常識，更沒有上下文的分析。現(xiàn)在的技術(shù)中慢慢開始加入上下文的解析，但僅憑上下文還是沒有邏輯性的，缺少了知識和常識的NLP，沒有認(rèn)知交互在，就沒有辦法達(dá)到有意義的交互。那么很重要的一點(diǎn)，竹間的核心就是做多模態(tài)，多模態(tài)的計(jì)算，要把情緒再加入交互，把語音、語義、圖像，人的眼睛能看的，耳朵能聽的，腦袋能思考的，嘴巴可以說的都融合起來做多模態(tài)的交互。有些時候不需要語言，用眼睛交互，有些時候不需要語言，用表情交互，喜怒哀樂用在各個不一樣的場景，有些時候通過聲音的相應(yīng)的語調(diào)識別情緒，當(dāng)然情緒識別不僅僅是識別語調(diào)聲音，所以需要把這些融合成為多模態(tài)，這是最困難的部分，也是我們最終要達(dá)到的目的。能夠仿真人能夠達(dá)到多模態(tài)的交互，加上有認(rèn)知的交互，加上有情感的交互，才是我們做人機(jī)交互的最終的一個目標(biāo)。今天大家在做的詞向量也好，Bert也好，語義的理解都是一個步驟，要達(dá)到一個多模態(tài)不能做完語義理解再去做，一定要同時間結(jié)合整個文化發(fā)展、經(jīng)濟(jì)發(fā)展、人類歷史發(fā)展的腳步去學(xué)習(xí)，是一個累積的過程。自然語言生成是非常重要的，人的語言是有邏輯性的，不是深度學(xué)習(xí)模型不可控的去隨便生成一句話，也不是靠大量互聯(lián)網(wǎng)的語料撈一個句子來進(jìn)行對話，否則就會沒有邏輯可言。所以能不能生成自然語言，需要進(jìn)行有邏輯性的交互。當(dāng)然你有可能在進(jìn)行閑聊，閑聊就沒有邏輯性，是情感性，情感也是一種邏輯，人類rational、emotion，這兩項(xiàng)都加入到自然語言生成NLG的部分，那么這樣的自然語言的生成才是能夠達(dá)到完整的人機(jī)對話。很重要的一點(diǎn)，知識的發(fā)現(xiàn)跟推理在交互里面是非常重要的。交互里如何去Auto discover一個knowledge，新的實(shí)體，新的知識，在這個知識上進(jìn)行交互，這個叫contextual，也就是上下文如何去識別如何去提取。需要理解，實(shí)體的自然發(fā)現(xiàn)，知識的自動發(fā)現(xiàn)，累積起來，才能夠解決上下文的問題。上下文不是只有指代消解，更重要的是知識，知識可能有多個實(shí)體多個屬性在里面，對話里的上下文它還要解決自動去發(fā)現(xiàn)知識，自動去發(fā)現(xiàn)對話里的信息，達(dá)到順暢的上下文的交互，自然就形成了所謂的多輪交互。所以現(xiàn)在的對話交互是基于認(rèn)知AI、情感AI，基于雙向的交互性AI，需要達(dá)到contextual上下文各個信息的理解，才能進(jìn)行Compose text ，這叫做Goal-oriented dialogue, Goal-oriented conversation。每一個gonversation還是一個goal，所有要解決的一個交互都是要解決一個goal ，可能當(dāng)中需要完成多個goal才能達(dá)到一個交互。
所以除此之外很重要的一點(diǎn)，在深度學(xué)習(xí)里會碰到的一個問題就是模型越復(fù)雜，越不可控，也可以說超出了可控范圍。通過什么方式能保證人工智能技術(shù)交互技術(shù)是可控的呢？需要做到一點(diǎn)，在交互的時候得到的信息，識別到的知識等所有的實(shí)體都是可解釋的。機(jī)器從哪里學(xué)來的？怎么學(xué)的，學(xué)到了什么？可解釋，才可控。Humanity for AI最終要保護(hù)人類，不是傷害人類。It is to help human to live better，所以很重要的一點(diǎn)，機(jī)器學(xué)習(xí)的數(shù)據(jù)、語料、文本、圖像是不是都是可解釋的。
那么接下來我探討語義解析的難點(diǎn)怎么樣去解決。很重要的一點(diǎn)就是場景，有了場景我們才能夠把自然語言處理進(jìn)行應(yīng)用去發(fā)揮價值，在運(yùn)用到場景里也產(chǎn)生更多的數(shù)據(jù)反哺。那么如何去實(shí)踐復(fù)雜的場景？比如：逾期的提醒、快遞的寄送、問卷的回訪，我們自己做過幾百個不同的場景，每一個場景，要分析各個不同層面的技術(shù)來解決。那么類腦的語言的解析層，人的大腦有超過十幾億的神經(jīng)元 agent，每一個agent都代表一個工作，如何去拆分成最小的單位去解析，然后理解。包括上下文的理解、知識的推理、指代消解等非常多，數(shù)十個不同的小的components去解決。那么還有底層的算法，包括internet、分詞、詞性、 NER、關(guān)鍵詞、依存句法分析、語義句法分析、 語義角色標(biāo)注的部分等等，數(shù)十個語言學(xué)的模塊，能不能通過AI去完完全全，一個一個的用最新的機(jī)器學(xué)習(xí)跟深度學(xué)習(xí)的方法構(gòu)建出來，綜合語言學(xué)的部分，這是語義解析的一個難點(diǎn)。舉個簡單的例子，“購票成功，但是不出票怎么辦？”這句話的意圖很簡單：我想要知道我的票已經(jīng)買了，但是不出票，這需要怎么解決？但是如果中間有一點(diǎn)不同，比如說：“我購票成功，但是取不出票怎么辦？”不出票跟取不出票差一個字差別卻很大，取不出整體是一個動詞，不是取/不出，中文的部分沒有空格，所以需要解決很重要的一個分詞的問題。一般市面上的分詞工具基本都解決不了這個問題，無法分辨“不出票”和“取不出票”。那這樣的問題需要如何解決？累積非常多的行業(yè)數(shù)據(jù)，還要跨行業(yè)地去解決，所以要有眾多的數(shù)據(jù)跟眾多的模型搭建，才能在一個語音引擎里讓解析變得更通用，碰到這樣的問題才能理解說話者真正的語意是什么。其實(shí)這個是非常難攻克的一個問題，竹間現(xiàn)在已經(jīng)攻克了。
舉個例子：上海話中“我不要太喜歡你這雙鞋子”一般的分詞或者是翻譯器都會翻譯成 I don't like this shoe too much。但這句話的正確含義其實(shí)是：我太喜歡這雙鞋子了，這就是為什么無法理解語言的真正含義進(jìn)行翻譯，這樣的語料沒有辦法產(chǎn)生一個非常精確的可解釋的路徑。
還有一點(diǎn)是，如何加入認(rèn)知的部分，加入人類知識、計(jì)算的部分？我們的人腦是可以進(jìn)行邏輯計(jì)算的，我一個月用1萬塊，那么一年就會用12萬。但是目前一般的語義對話聊天機(jī)器是完成不了計(jì)算的，如何把實(shí)體數(shù)字與常識知識融合在一起，讓整個引擎可以進(jìn)行計(jì)算？舉一個例子，申請信用卡、申請貸款，或者是申請保險(xiǎn)時，那么保險(xiǎn)公司或者貸款公司，會需要進(jìn)行風(fēng)險(xiǎn)評估，對收入進(jìn)行詢問，如果你回答了：我月薪2萬，我老婆是個課程顧問，一年收入也在20萬左右。那么到底你們家收入是多少？一般的分詞分不出來的，因?yàn)檫@里面有什么呢？首先涉及多類型的NER的抽取，一個月2萬，還有一年20多萬，能不能去解析這20多萬是年薪，2萬是月薪？再進(jìn)行總和，這就是機(jī)器模型要去完成的。那句話中還包含這樣一個信息“我老婆是課程顧問”。所以那句話中包含兩個實(shí)體，“我”跟“我老婆”中間還有relation，當(dāng)然relationship是配偶關(guān)系，能不能把這個信息頁也抽取出來，就可以構(gòu)建有知識的influence，再加上computation可以計(jì)算出家庭年收入是2萬×12+20萬=44萬。得出的結(jié)果再傳到風(fēng)控系統(tǒng)中進(jìn)行評估，評估結(jié)果再通過機(jī)器人傳達(dá)給客戶。這個叫做人機(jī)對話，接入企業(yè)的內(nèi)部的計(jì)算系統(tǒng)，達(dá)到一個complish一個test一個goal，這是最經(jīng)典的一個例子，看似簡單其實(shí)非常難實(shí)現(xiàn)。這不僅僅是一個閑聊機(jī)器人或者一個語音助手，需要具有認(rèn)知、常識、計(jì)算、語言學(xué)，通過整個 contextual理解，才能獲取即使只有3個字亦或30個字里的真實(shí)信息和意圖。如何把對話信息都準(zhǔn)確抽取，就是現(xiàn)在需要完成的最重要的工作，而竹間現(xiàn)在已經(jīng)能達(dá)成不錯的效果，未來還會繼續(xù)努力去突破更多更難的語義問題。
語義解析中還有一個難點(diǎn)，舉個簡單易懂的例子：“開通手機(jī)銀行就能繳燃?xì)赓M(fèi)嗎？怎么開通？怎么繳？”這樣一個問句中“開通手機(jī)銀行能交燃?xì)赓M(fèi)嗎”這是一個常用問答——Frequently Asked Questions即FAQ，但是句子中緊接著“怎么開通？怎么繳？”包含兩個意圖：第一，怎么去開通手機(jī)銀行；第二，怎么去繳燃?xì)赓M(fèi)？所以在這個句子中包含一個常用問答和兩個意圖。所以機(jī)器人需要解決三件事情，首先要去提取關(guān)鍵信息，手機(jī)銀行是一個關(guān)鍵信息，燃?xì)赓M(fèi)是一個關(guān)鍵信息，開通繳費(fèi)是一個關(guān)鍵信息，通過組合后，進(jìn)行多意圖解析，再根據(jù)事件邏輯跟后臺系統(tǒng)對接，并進(jìn)行回答，還可以通過推薦問進(jìn)行引導(dǎo)，與用戶連續(xù)對話進(jìn)而解決用戶的問題，這樣就可以形成一個完美豐富的服務(wù)閉環(huán)。所以多意圖多實(shí)體，信息抽取這一門學(xué)科已經(jīng)發(fā)展了幾十年，直到現(xiàn)在我們還在繼續(xù)優(yōu)化它。Information mining、Information retrieval這些傳統(tǒng)的文本分析、文本處理的技術(shù)，竹間今天用人工智能來實(shí)現(xiàn)。
竹間智能646戰(zhàn)略
最后向大家介紹一下竹間的三大支柱——“646戰(zhàn)略”。包含竹間的6大的核心技術(shù)，這是我們一直在聚焦的方向；4大核心產(chǎn)品平臺，是5年來打磨的成果，它既是一個平臺，也是一個產(chǎn)品；在6大行業(yè)里，竹間已經(jīng)建立跨行業(yè)領(lǐng)域的合作。
6大技術(shù)方向包含自然語言處理、知識工程、深度學(xué)習(xí)&AutoML、文本數(shù)據(jù)中臺、視覺計(jì)算、語音識別，集成在竹間的Bot Factory?平臺。竹間所有內(nèi)部開發(fā)和客戶定制開發(fā)都是基于自動化的機(jī)器學(xué)習(xí)平臺上進(jìn)行的，包含F(xiàn)ine tuning，Pre-train等各式各樣不同的模塊，才能夠做到零代碼開發(fā)。二次開發(fā)，客戶也可以使用自己開發(fā)好的模型代替我們自建的模型，所以整個Bot Factory?它是一個非常強(qiáng)大的模塊、引擎，當(dāng)然也包含了龐大的 NLP的技術(shù)模塊在里面。而文本數(shù)據(jù)中臺是解決企業(yè)里長文本分析應(yīng)用，視覺計(jì)算也是竹間累積近5年的人臉的表情，情緒情感識別技術(shù)，像口罩識別、活體識別等應(yīng)用。語音辨識是竹間除了語義之外非常擅長的部分，現(xiàn)在竹間的ASR和 TTS技術(shù)已經(jīng)向科大訊飛、阿里看齊。竹間把語音和語義技術(shù)結(jié)合，形成全雙工全場景AICC解決方案。
那么由這6個技術(shù)，我們在這幾年來的沉淀出來4個平臺，Bot Factory?的平臺，能夠零代碼一鍵部署，能夠讓用戶不用寫代碼，就可以創(chuàng)建機(jī)器人。在某些跨行業(yè)領(lǐng)域里，竹間的機(jī)器人已經(jīng)可以達(dá)到零啟動的水平，也就是不需要訓(xùn)練，準(zhǔn)確率可以達(dá)到80%以上，那么再加上后期的語料訓(xùn)練和實(shí)際的運(yùn)行準(zhǔn)確率可以提升至95%甚至于97%。
AICC是竹間的AI Contact Center Total Solution，賦能于企業(yè)的Call center，比如說跟竹間合作的Avaya，我們把AI技術(shù)放到Call center里去，現(xiàn)在竹間在Call center里有八大不同的產(chǎn)品，AICC的產(chǎn)品包括智能客服，AI質(zhì)檢，輔助坐席，陪練機(jī)器人，培訓(xùn)，用戶畫像分析，還有營銷的分析，整個形成AICC的全方位解決方案，那么把語音跟語義再融合，我們是一個全場景的AICC解決方案，再加上我們的語音、語義、圖像的Total Solution，那么企業(yè)就不需要再找另外不同的 AI廠商再去做非常復(fù)雜的集成了，這就是竹間能夠提供一個什么？一站式的企業(yè)級的人工智能平臺，這個平臺里面是由4個平臺組成的。
還有NLP的平臺，它不僅僅是NLP的API，它更是一個NLP的 Operating system，企業(yè)客戶及端客戶需要做NLP二次開發(fā)的，可以部署這套系統(tǒng)，這套系統(tǒng)能夠讓企業(yè)去進(jìn)行數(shù)據(jù)處理、訓(xùn)練、運(yùn)維、測試跟上線，NLP平臺的27個模塊能夠幫助企業(yè)去做比對，完成校稿、審稿等很多業(yè)務(wù)。
竹間的Gemini平臺，它是一個更強(qiáng)的認(rèn)知型的平臺，Cognitive engineering的平臺，通過自動化來構(gòu)建知識圖譜，擁有龐大的語義解析能力，有OCR能力，有image的能力，能夠去解析非結(jié)構(gòu)化數(shù)據(jù)，它有一個自動處理的pipeline ，能夠做屬性的自動挖掘，實(shí)體的自動挖掘，模型的Fine tuning，能夠自動發(fā)現(xiàn)實(shí)體跟屬性，構(gòu)建知識圖譜。那么它不僅僅是構(gòu)建知識圖譜，它是一套整套的技術(shù)平臺，也就是說整套的技術(shù)平臺可以license給到企業(yè)，讓他們用這個技術(shù)平臺去自動構(gòu)建知識圖譜，而不需要用人工去構(gòu)建知識圖譜?，F(xiàn)在傳統(tǒng)的知識圖譜的一些廠商，他們是以人工通過一個個的實(shí)體連接創(chuàng)建知識圖譜，這不屬于自動化。而竹間的Gemini是可以通過自動化創(chuàng)建知識圖譜，它可以通過解析100萬個的文檔，200萬個文檔構(gòu)建一個知識圖譜，也可以給它預(yù)先定義的詞庫，預(yù)先定義的 knowledge，它也會自動Auto discovery，發(fā)現(xiàn)屬性發(fā)現(xiàn)實(shí)體，那么可以形成一個人機(jī)交互，它做不出來東西再進(jìn)行人工干預(yù)，所以它是一個自動化，構(gòu)建知識圖譜的工程，也有inference的引擎在里面，還有一個很強(qiáng)大的process引擎在里面，可以處理所有流程自動化的問題。
這4大產(chǎn)品平臺是我們累積6個技術(shù)在6個行業(yè)里過去5年內(nèi)沉淀下來，包括金融行業(yè)，智能終端行業(yè)，像智能手機(jī)，包括傳統(tǒng)行業(yè)、互聯(lián)網(wǎng)行業(yè)、醫(yī)藥醫(yī)療，還有教育行業(yè)6大行業(yè)，比如說銀行類的，有北京銀行、建設(shè)銀行等等，還有 AIoT華為、OPPO，還有優(yōu)必選、科沃斯，央企的客戶有華潤、招商局輪船、中廣核等等，竹間幫他們落地了很多不用場景，有幾十個不同的應(yīng)用。那么這些年來我們也非常感謝能夠跟數(shù)百個標(biāo)桿企業(yè)，包括很多這些行業(yè)里面數(shù)一數(shù)二的大型企業(yè)。今年在整個疫情爆發(fā)之后，更多的企業(yè)用戶已經(jīng)開始要采用NLP的這些場景了，所以NLP的產(chǎn)業(yè)是在復(fù)蘇。我相信NLP會是比視覺產(chǎn)業(yè)跟語音產(chǎn)業(yè)大上上百倍甚至于上千倍的一個產(chǎn)業(yè)，在未來的十年二十年里，它會是人類交互的一個operating system的主要核心技術(shù)。
（轉(zhuǎn)載）
