日常生活离不开语言，自然语言作为一种最直接和简单的表达工具无处不在，而微软创始人比尔·盖茨曾经表示，“语言理解是人工智能领域皇冠上的明珠”。自然语言处理（NLP）让人与计算机之间以自然语言进行有效沟通、通信，是人与机器人沟通的桥梁。
在过去几年间，NLP发展迅速，虽然依旧面临挑战，但是NLP从理论研究走向交互应用，从语法和浅层语义走向深层语义，从功能主义走向认知和情感体验是不可逆转的趋势。适逢国内深耕NLP、多模态人机交互技术的竹间智能完成1亿元人民币C+轮融资，本轮融资由申能诚毅、广发信德、朗玛峰资本合投，老股东中华开发金控再次追投。这也是该公司仅隔半年的第二轮融资，累计3亿元人民币，故动点科技对前微软（亚洲）互联网工程院副院长、现竹间智能创始人&CEO简仁贤先生进行了采访。
“知识”让智能应用更精准
不论是智能对话还是智能搜索，有用的智能应用，都离不开对用户意图和语义的“真正理解”，不仅仅停留在固定关键词的匹配。不同用户的使用习惯有时候是随机且很难归纳定义的，简仁贤认为，“如果没有办法达到这两个，其实基本上它理解的程度就没做到”，也会白白流失很多用户和业务商机。
在应用对话机器人的智能交互场景中，企业出于降本增效的考量，常常关注两个问题：机器人是否真的可以替代人工解答问题？机器人的问答是否够好够智能？“能否回答问题”由机器人知识范围决定，而“问题回答的是否够智能”由机器人掌握的知识质量决定。
未来企业的价值取决于其拥有的知识资产，而作为认知智能的重要技术，知识工程和知识图谱的质量决定了知识应用的效果。
拿物流场景来说，物流企业的用户经常会咨询“托寄物”的相关问题，例如：“西瓜可以寄吗?”如果遇到“听不懂人话”的机器人，只能理解用户在咨询寄件的相关问题，常常推送一个通用规则卡片，草草了事，并没有直接解决用户对于西瓜这一具体物品的咨询。用户可能会对此答案不满意，进而要求转人工服务或者直接退出对话。
机器人不能提供令人满意的咨询服务，是由于在它的知识系统内缺少关于“西瓜”的常识和知识，因为生鲜水果的寄送往往需要特殊的包装，在传统的规则匹配架构的问答系统中，需要配置大量相似问，反复训练后模型才可能给予正确解答，这种依靠大规模数据标注的方法不仅耗费人力，而且运营成本高、效率低下。
而竹间Gemini的智能知识库中已具备与行业相关的先验知识，以此为基础搭建智能问答机器人，就能够对西瓜这一实体进行准确识别，并通过它的从属关系，“西瓜”→“水果”→“生鲜”，将其判别为生鲜类商品，再匹配物流行业知识中具体生鲜类产品的托寄规则及政策，可以直接生成针对西瓜的准确回复，并进一步处理后续服务要求。
Gemini的优势就在于可以自动创建通用的行业的知识图谱，同时能够让业务人员将业务上要处理的非结构化文档自动产生知识并形成图谱。由Gemini自动构建成知识图谱，与竹间Bot Factory的智能机器人知识打通，就可以形成端到端的、从知识产生到应用的自动化全栈式闭环，让这些宝贵的知识得到有价值的应用。
标准化产品上云，满足激增的AI需求
在过去的两年里，NLP领域开始爆发，竹间业绩都有翻番，简仁贤告诉动点科技，今年Q1竹间的商机有近400%的成长，包括头部企业复购率也很高，“竹间聚焦在各行各业的头部企业，复购率几乎每年都在70%以上”。
简仁贤坦承这来源于竹间对客户服务的重视。一个企业想要立足，“有好的产品并做好客户服务才可以”，因为产品“交付的部分会碰到很多的难题，比如运营方面的难题，我们能不能给到客户一个简单易用的产品，这个是非常重要的”。而且竹间的服务模式也是与时俱进的，不仅可以按照产品去交付，也可以按照服务去交付，企业可以根据自身需求决定本地化部署或者云端部署。
今天竹间在NLP的赛道上，主要是克服技术和服务的规模化的难题，将竹间的技术能力以更标准的产品和服务的方式提供给到客户，比如“正在推出的云化平台，其实一则是将我们的产品更标准化，二是将我们的服务形态从本地部署到私有云、公有云及混合云的部署模式等满足头部企业的各种需求。那么如果竹间能够在技术上和服务上领先，那么将拥有更多克服困难的底气”。
在过去的一年里，很多企业已经无法满足现在简单的语音控制，他们希望有更强大的语义处理后台，并形成企业自己个性化的对话能力。“在这样的需求下，竹间可以帮助企业一起建立对话平台和技能平台，比如说一般的天气问询或者医疗问询等能力都转化为语音助手，将其与企业对应的智能终端相整合，逐渐形成一定的技能能力、协调能力和对话能力。”
这样不仅缩短了业务流程的时间，更把整个端到端的业务流程简化。那么原来做这种机械式重复性的工作的企业员工，可以被相应解放。“这些人可以去做一些人性化服务的工作，或者是参与训练机器训练模型，就像现在已经有无人车，那么未来无人车普及后，司机们就可以扩展做一些新的工作。很多人投入新的领域，未来还会把这些新的东西再交给机器，那么人就会一直自我更新。”
竹间智能在意图理解的准确度以及长文本抽取精度都已经达到95%以上，竹间的对话机器人在零启动的时候就能够达到85%，经过在企业实际业务应用中不断训练、自学习，基本上可以达到92%~97%的准确度，甚至更高。
对于竹间的未来，简仁贤十分自信，“竹间有这个实力，这份累计近6年的积淀，就是这么多企业会选择竹间的原因。”
