我本科是在北京上的，记住2008年我大三的时候去法国实习，其时的岗位叫做技术支持，其实就算是客服了。我们其时的作业区域前方有一个大屏幕，大屏幕上是法国在我国几条骨干网的健康状况。
深度学习*网络的方式效果很好，但数据集数量一定要大，且每个类别的数据分布要均衡。为了避免我们的数据集语料每个类别的数据达不到标准，言通机器人语义识别引擎换成了用机器学习的方法来做意图分类：分别采用LDA文档主题模型（通过计算句子相似度，来进行文本的分类），并用特征向量模型来提升AUC的准确率。
来自于技术方面的第二个应战是多轮对话，人的天然语言历来都是迷糊不清的，特别依靠上下文联系。比方说我想订一个房间，什么方位？，中关村邻近，什么时间？，周六这个比方里边，关于订房间的信息是散落在多轮对话之间的。

这样说来，电话系统就相当于一个复读机，只是对客户重复一样的固定的一段话术，无法处理解决任何问题。智能电销机器人-----智能电销机器人是基于人工智能语音识别的一个产品，即*大程度的模仿人在打电话，它可以和人类智能交互，仿真人电销，不仅问候并且介绍了企业的产品，在客户提出问题时，机器人完全可以自主回答。

这样说来，电话系统就相当于一个复读机，只是对客户重复一样的固定的一段话术，无法处理解决任何问题。智能电销机器人-----智能电销机器人是基于人工智能语音识别的一个产品，即*大程度的模仿人在打电话，它可以和人类智能交互，仿真人电销，不仅问候并且介绍了企业的产品，在客户提出问题时，机器人完全可以自主回答。
首要是辨认技术的应战，前面提到实验室环境下辨认准确率现已从2013年的87%进步到了2017年的97%，而在实践环境中，这个数字会降低到85%左右，由于实践环境中有许多的噪音、口音、声源远近等问题。
实现的技术手段：基于监督学习的情感分析，使用的监督学习算法是TFIDF计算TfidTran*ormer、文本向量化CountVectorizer。通过引入情感词的程度副词等一系列字典来给输入的语句进行打分，从而判断该语句的情感倾向。
由二分类的朴素贝叶斯拓展到多项实现的模型，使用词袋模型，专用的停用词表，近义词林，改良的数学模型等多种手段实现的分类器。以每个话术现有的语料训练，对相似的短句不同的分类，识别敏感。对近义但却未出现在话术中的词句有良好的分类能力。
到目前为止，我们已经建立了无数AI系统，在特定任务中的表现可以超过人类，但当涉及一般的脑力活动时，目前还没有一个AI系统能够比得上老鼠，更别说超过人类了，为此AGI的技术实现更是末路之难。
人工智能未来会影响到我们每个人的生活，电销机器人就是将电销工作人员从繁琐机械的外呼工作中解放出来，从而优化企业运营成本，建构高效高质的工作模式。电销机器人的工作效率和工作质量是电销人员学不上来的。