本文將從數據預處理到排序算法，全面分析Uber人工智能客服系統，為了打造最佳用戶體驗，Uber 持續優化客戶支持流程，設計 COTA 來幫助客服提高解決問題的速度和準確性。

日前，Uber 官網上的一篇文章詳細介紹了基于 NLP 和機器學習構建的？COTA 客服系統。利用該系統，Uber 可以快速高效地解決 90％ 以上的客服問題，小編將原文編譯整理如下：

為了打造最佳用戶體驗，Uber 持續優化客戶支持流程，讓客戶支持服務更易用，更方便。

為實現這一目標，Uber Customer Obsession 團隊基于其內部平臺，提供 5 種不同客服渠道（應用內置客戶支持、官網客戶支持、本地司機網、電話客服、線下服務網點）。這個內部平臺具備客服工單功能，以便跟蹤解決問題。每天提交到這個平臺上的客服工單有數十萬條，遍布全球 400 多個城市。Customer Obsession？團隊必須確?？头砟鼙M可能準確、快速地解決問題。

基于此，Uber 打造了一個人工智能客服助理平臺——COTA（Customer Obsession Ticket Assistant），它利用機器學習和自然語言處理（NLP）技術，幫助客服代表提供更好的客戶支持服務。

在 Uber 客戶支持平臺上，利用Michelangelo平臺的機器學習服務，COTA 可以快速高效地解決 90％ 以上的客服問題。

下面，我們會詳細介紹創造 COTA 的動機，COTA？后端架構，并展示如何利用這一強大工具提高客戶滿意度。

沒有 COTA 之前的客戶支持

當客戶聯系 Uber 尋求支持時，我們必須及時為他們提供最好的解決方案。

我們可以讓用戶在提交問題報告時，點選問題所屬的類別，填寫細節。這一過程為客服提供了很多背景信息，從而能更快解決問題，如圖 1 所示：

圖 1：Uber 內置的客戶支持服務為用戶提供了一個直觀且易于使用的界面，先提供問題可能的類型，然后突出顯示行程的細節

Uber 內置的客戶支持服務能反映問題的背景信息，雖然這些信息很重要，但要解決客戶的問題，單靠這些信息遠遠不夠，特別是在一個問題有多種工單答案的情況下。此外，同一個問題，客戶可以通過多種方式來描述，因此問題的解決過程更為復雜。

隨著 Uber 的服務規模不斷擴大，客服必須應對不斷增長的客戶支持問題，同時，問題也變得更為多樣化，包括技術故障和費用調整等。事實上，當客服在解決客戶提交的問題時，他們首先要做的是從數千個類別中，確定問題所屬類型，這絕非易事！

縮短識別問題類型的時間非常重要，它能減少客服解決用戶問題的總時間。

確定問題類型后，下一步就是給出正確的解決方案，每種類型的工單都有不同協議和解決方法。此外，還要從成千上萬個可能的解決方案中進行選擇，這也是一個耗時的過程。