杨植麟：选择创业，是为了从「组织架构」上解决AI落地难题( 三 )

据他介绍，循环智能选择将AI用于「提升人的沟通能力」，也是经过了很长时间的探索，与客户交流、不断迭代才确定。最终，他们抉择的原动力是客户的诉求，以及对整体市场的判断。比如，根据CB Insights的数据统计，2016年销售科技初创企业的投资额就超过了50亿美元，此后逐渐递增。这也表明了市场对这个赛道的信心。

文章插图

图注：Gartner的销售科技（SalesTech）技术成熟度曲线2021显示，销售赋能一支已经渡过「技术萌芽期」（Innovation Trigger），进入「期望膨胀区」（Peak of Inflated Expectations）
如前所述，杨植麟认为，AI系统的组织架构会影响产品的能力，而组织架构的灵活设置可以帮助他们以一个更好的模式去推进产品落地。在创业的过程中，杨植麟实现了学术研究与工业落地的双轮驱动模式。比方说，他被 ACL 2019 接收 Transformer-XL 一文，早在发表之前就已应用在了循环智能的 ASR 产品中。
对于这项基础技术的快速转化，杨植麟引以为豪：
「在预训练的过程中，我们将技术部署在产品系统上，让它能以实际数据集的运行效果为最终目标，驱动中间的研发过程。在将挖掘系统落地时，系统也是以最终的业务结果为目标进行学习与优化。同时，中间过程又可以迭代出很多AI问题与基础技术，使得之后的产品可以进一步改善。」
AI模型的落地中，一个常见的问题是数据集的真实性与完备性。
一般来说，研究者在改进模型时，往往是基于特定的、人工创造的数据，但这些数据也许并无法完整、正确地描述模型在实际场景中遇到的情况。因此，尽管预训练的若干技术都已在学术界的许多数据集上得到了测试，且性能优异，但在实际应用中，却仍需要非常多的技术改进才能部署落地，因为模型会遇到更多更复杂的问题。
目前，在解决这一问题上，学术界仍未有突出进展。但在创业的过程中，由于杨植麟与团队的预训练技术研究从一开始就是在实际的数据集中测试，直接与AI产品框架匹配，因此，类似的落地问题便能从根拔起。

3、谈谈「NLP+销售」
除了2017年的Transformer，近年来，人工智能领域又涌现出了许多基于Transformer的大规模预训练语言模型，比如Bert与GPT-3。此外，还有许多新兴技术对AI创业者产生了积极影响，比如少样本与零样本的研究突破。
从NLP技术落地的角度来看，这将是一个个革命性时刻。因为通过将这些研究成果有机结合，AI模型的效果与效率能够得到大幅提升。在某些场景中，研究者甚至只需要通过非常少的样本、甚至零样本就可以取得跟以往一样好的效果。
对于循环智能来说，这意味着，在用AI提升销售转化率的过程中，他们能够做到很多以前做不了的事情，比如会话洞察与分析引擎。随着NLP落地技术的逐渐成熟，加之企业服务在全球范围内成为新的投资热点，杨植麟与团队憧憬，通过「NLP+销售」的路径，循环智能也有成为「中国Gong.io」的可能。
具体来说，用人工智能提升销售效率的过程可以分为三步：一是对销售与客户之间的会话数据进行采集；二，对有价值的会话内容进行挖掘并建模，将非结构化数据转为结构化数据；三，分析会话数据，找出销售人员在与客户沟通的过程中存在的问题，更精确地分析客户意愿，并给出解决问题的关键要素。
归根到底，就是对大规模的文本数据进行高效分析。
听来简单，但事实上，「AI+销售」是一条同时具备市场刚需与高技术壁垒特征的赛道，因为这要求AI系统具备综合分析的能力，除了算法，会话洞察能力、数据分析能力、行业营销知识等等也缺一不可。这很符合循环智能创始团队的创业风格：既要创造价值，也要拥有一定的技术门槛，提高竞争难度，减少对手。