四大維度講述了一個較為完整的智能任務(wù)型對話全景

在阿里巴巴的X峰會上，阿里巴巴-智能服務(wù)事業(yè)部高級算法專家李永彬（水德）分享了小蜜智能開發(fā)平臺的構(gòu)建，他圍繞平臺來源、設(shè)計(jì)理念、核心技術(shù)、業(yè)務(wù)落地情況四大維度講述了一個較為完整的智能任務(wù)型對話全景。以下為演講具體內(nèi)容：

平臺由來

為什么要做一個平臺？我覺得還是從一個具體的任務(wù)型對話的例子說起，在我們?nèi)粘９ぷ髦?，一個很高頻的場景就是要約一個會議，看一下我們內(nèi)部的辦公助理是怎么來實(shí)現(xiàn)約會議的：我說“幫我約一個會議”，然后它問“你是哪一天開會？”，跟它說是“后天下午三點(diǎn)”，接下來它又會問“你跟誰一起開會?。俊?，我會把我想約的人告訴它，這個時(shí)候它在后臺發(fā)起一次服務(wù)調(diào)用，因?yàn)樗ズ笈_拿到所有參會者的日程安排，看一下在我說的這個時(shí)間有沒有共同的空閑時(shí)間，如果沒有的話它會給我推薦幾個時(shí)間段，我看了一下我說的那個時(shí)間段大家沒有共同的空閑時(shí)間，所以我就會改一個時(shí)間。

我說“上午十一點(diǎn)吧”，然后它會接著問，“你會持續(xù)多長時(shí)間”，我會告訴它“一個小時(shí)”，然后它接著問“會議的主題是什么”，然后我跟它說“我們討論一下下周的上線計(jì)劃”，到此為止它把所有的信息收集全了，然后它會給我一個 summary，讓我確認(rèn)是不是要發(fā)送會議邀約，我回復(fù)確認(rèn)以后，它在后臺就會調(diào)用我們的郵件系統(tǒng)，把整個會議邀約發(fā)出來。

這是一個非常典型的任務(wù)型的對話，它滿足兩個條件，第一，它有一個明確的目標(biāo)；第二，它通過多輪對話交互來達(dá)成這個目標(biāo)。像這樣的任務(wù)型對話在整個辦公行業(yè)里面，除了約會議以外還有查考勤、請假、定會議室或者日程安排等等。

如果我們把視野再放大一點(diǎn)的話，再看一下電商行業(yè)，電商行業(yè)里面就會涉及到開發(fā)票、催發(fā)貨、查物流、改地址、收快遞等等，也會涉及到很多很多的這樣的任務(wù)型對話場景；視野再放大一下，我們再看一下電信行業(yè)或者整個運(yùn)營商的行業(yè)里面，會有查話費(fèi)、查流量、買套餐、報(bào)故障或者是進(jìn)行密碼的更改服務(wù)等，也會有大量的這種任務(wù)型的對話場景。如果我們再一步去看的話，像政務(wù)、金融、教育、文娛、健康、旅游等，在各行各業(yè)的各種場景里面我們都會發(fā)現(xiàn)這種任務(wù)型的對話，它是一種剛需，是一種普遍性的存在。

所有的這些場景落地到我們小蜜家族的時(shí)候，是通過剛剛介紹過的三大小蜜來承載：阿里小蜜、店小蜜和云小蜜。我們不可能給每一個行業(yè)里面的每一個場景去定制一個對話流程，所以我們就沿用了阿里巴巴一貫做平臺的思路，這也是我們整個智能對話開發(fā)平臺的由來。這款產(chǎn)品在內(nèi)部的名字叫對話工廠（Dialog Studio）。

以上主要是給大家介紹我們?yōu)槭裁匆鲋悄軐υ掗_發(fā)平臺，總結(jié)起來就是我們目前面臨的業(yè)務(wù)，面臨的場景太寬泛了，不可能鋪那么多人去把所有的場景都定制化，所以我們需要有一個平臺來讓開發(fā)者進(jìn)來開發(fā)各行各業(yè)的各種場景對話。

設(shè)計(jì)理念

再看第二部分，對話工廠的一些核心設(shè)計(jì)理念。整個設(shè)計(jì)理念這塊我覺得概括起來就是“一個中心，三個原則”。一個中心就是以對話為中心，這句話大家可能覺得有點(diǎn)莫名其妙，你做對話的，為何還要強(qiáng)調(diào)以對話為中心呢？

這是有來源的，因?yàn)樵谶^去幾年全世界范圍的技術(shù)實(shí)踐以及直到今天很多巨頭的對話平臺里面，我們能看到的基本還是以意圖為中心的設(shè)計(jì)模式，它把意圖平鋪在這里，比如你想完成音樂領(lǐng)域的一些事情，可是你看到的其實(shí)是一堆平鋪的意圖列表，完全看不出對話在哪里。

我們在這次對話工廠的設(shè)計(jì)中徹底把它扭轉(zhuǎn)回來，對話就是要以對話為中心，你在我們的產(chǎn)品界面里面看到的不再是一個個孤立的意圖，而是關(guān)聯(lián)在一起的、有業(yè)務(wù)邏輯關(guān)系的對話流程。以意圖為中心的設(shè)計(jì)中，你看到的其實(shí)是一個局部視角，就只能實(shí)現(xiàn)一些簡單的任務(wù)，比如控制一個燈，講個笑話，或者查個天氣，如果你想實(shí)現(xiàn)一個復(fù)雜的任務(wù)，比如開一個發(fā)票，或者去 10086 里開通一個套餐，它其實(shí)是較難實(shí)現(xiàn)，很難維護(hù)的。我們把整個理念轉(zhuǎn)換一下，回到以對話為中心以后，就會看到全局視野，可以去做復(fù)雜的任務(wù)，可以去做無限的場景。

整個對話工廠剛剛也說過了，它是一個平臺，要做一個平臺就會遇到很多挑戰(zhàn)。

第一個挑戰(zhàn)就是對用戶來說，希望使用門檻越低越好；第二個挑戰(zhàn)是要面對各行各業(yè)的各種場景，就要求能做到靈活定制；第三個挑戰(zhàn)是上線以后所有的用戶肯定都希望你的機(jī)器人，你的對話系統(tǒng)能夠越用越好，而不是停留在某一個水平就不動了。這就是我們平臺所面臨的三大挑戰(zhàn)。

為了應(yīng)對這三個挑戰(zhàn)，我們提出了在整個平臺的設(shè)計(jì)以及實(shí)現(xiàn)過程中始終要遵循三個原則。

第一個原則是冷啟動要快，其實(shí)就是要讓用戶的使用門檻低一點(diǎn)；第二個原則是要有靈活定制的能力，只有這樣才能滿足各行各業(yè)的各種場景需求；第三個是要有魯棒進(jìn)化的能力，就是模型上線以后，隨著時(shí)間的變化，隨著各種數(shù)據(jù)的不斷回流，模型效果要不斷提升。

這三個原則里面，冷啟動這一塊，其實(shí)就是要把用戶用到的各種能力和各種數(shù)據(jù)都盡量變成一種預(yù)置的能力，簡單來說就是平臺方做得越多，用戶就做得越少；第二塊關(guān)于靈活定制，就要求我們把整個對話平臺的基礎(chǔ)元素進(jìn)行高度抽象，你抽象的越好就意味著你平臺的適應(yīng)能力越好，就像是經(jīng)典力學(xué)只要三條定律就夠了；第三塊就是魯棒進(jìn)化，這一塊就是要在模型和算法上做深度了，語言理解的模型，對話管理的模型，數(shù)據(jù)閉環(huán)，主動學(xué)習(xí)，在這些方面能夠做出深度來。

以上說的都是一些理念和原則，接下來給大家介紹一下具體在實(shí)現(xiàn)過程中是怎么來做的。

核心技術(shù)

講到技術(shù)這塊的話，因?yàn)槲覀冏龅氖且粋€平臺，涉及到的技術(shù)非常廣，是全棧的技術(shù)，從算法到工程到前端到交互所有的技術(shù)都會涉及到。我摘取里面算法的核心部分來給大家做一個介紹。

對話工廠首先是用來做對話的，人機(jī)對話有兩個主體，一個是人，一個是機(jī)器，人有人的邏輯，人的邏輯使用什么來表達(dá)呢？到今天為止主要還是通過語言，所以我們需要有一個語言理解的服務(wù)來承載這一塊；機(jī)器有機(jī)器的邏輯，機(jī)器的邏輯到今天為止還是通過代碼來表達(dá)的，所以我們需要一個函數(shù)計(jì)算的服務(wù)；在人和機(jī)器對話的過程中，這種對話過程需要有效的管理，所以我們需要一個對話管理模塊。整個對話工廠最核心的三個模塊就是語言理解、對話管理和函數(shù)計(jì)算。

第一個模塊是語言理解。

我們先看一下這個圖，在整個這個圖里面，橫軸是意圖的多樣性，縱軸是頻次，這樣說有點(diǎn)抽象，我舉一個具體的例子，比如說我要開發(fā)票，這是一個意圖，如果去采樣十萬條這個意圖的用戶說法作為樣本，把這些說法做一個頻率統(tǒng)計(jì)，可能排在第一位的就是三個字“開發(fā)票”，它可能出現(xiàn)了兩萬次，另外排在第二位可能是“開張發(fā)票”，它可能出現(xiàn)了八千次，這些都是一些高頻的說法，還有一些說法說的很長，比如“昨天我在你們商鋪買了一條紅色的裙子，你幫我開個發(fā)票唄”，這種帶著前因后果的句式，在整個說法里面是比較長尾的，可能只出現(xiàn)了一次或兩次。

我們統(tǒng)計(jì)完以后，整個意圖的說法的多樣性分布符合冪律分布。這種特征可以讓我們在技術(shù)上進(jìn)行有效的針對性設(shè)計(jì)，首先針對這種高頻的部分，我們可以上一些規(guī)則，比如上下文無關(guān)文法，可以比較好的 cover 這一塊，但是基于規(guī)則的方法，大家也知道，規(guī)則是沒有泛化能力的，所以這時(shí)候要上一個匹配模型，計(jì)算一個相似度來輔助規(guī)則，這兩塊結(jié)合在一起就可以把我們高頻確定性的部分解決的比較好；對于長尾的多樣性的這一部分，基本到今天為止還是上有監(jiān)督的分類模型，去收集或者去標(biāo)注很多數(shù)據(jù)，把這一塊做好；在規(guī)則和分類模型之間，我們又做了一部分工作，就是遷移學(xué)習(xí)模型，為什么要引入這個模型呢？我們看下一張圖。

在冷啟動階段，用戶在錄入樣本的時(shí)候，不會錄入太多，可能錄入十幾條幾十條就已經(jīng)很多了，這個時(shí)候按照剛才那個冪律分布，二八原則的話，它的效果的話可能也就是 70% 多，它不可能再高了。但對于用戶的期望來說，如果想要上線，想要很好的滿足他的用戶需求，其實(shí)是想要模型效果在 90% 以上，如果想要達(dá)到這個效果，就需要復(fù)雜的模型，需要標(biāo)注大量數(shù)據(jù)。所以其實(shí)是存在一個 gap 的，我們引入了遷移學(xué)習(xí)模型。

具體來說，我們把膠囊網(wǎng)絡(luò)引進(jìn)來和 few-shot learning 結(jié)合在一起，提出了一個網(wǎng)絡(luò)結(jié)構(gòu)叫 Induction Network，就是歸納網(wǎng)絡(luò)。整個網(wǎng)絡(luò)結(jié)構(gòu)有三層，一層是 Encoder層，第二層是 Induction，歸納層，第三層是 Relation 層。

第一層負(fù)責(zé)將每一個類的每一個樣本進(jìn)行編碼，編碼成一個向量；第二層是最核心的一層，也就是歸納層，這里面利用膠囊網(wǎng)絡(luò)的一些方法，把同一個類的多個向量歸納成一個向量；然后第三層 Relation 層把用戶新來的一句話和每一個類的歸納向量進(jìn)行關(guān)系計(jì)算，輸出他們的相似性打分。如果我們想要一個分類結(jié)果就輸出一個 One-hot，如果不想要 One-hot，就輸出一個關(guān)系的 Relation score，這是整個 Induction network 的網(wǎng)絡(luò)結(jié)構(gòu)。

這個網(wǎng)絡(luò)結(jié)構(gòu)提出來以后，在學(xué)術(shù)圈里面關(guān)于 few-shot learning 的數(shù)據(jù)集上，我們以比較大的提升幅度做到了 state-of-the-art 的效果，目前是最好的，同時(shí)我們將整個網(wǎng)絡(luò)結(jié)構(gòu)上線到了我們的產(chǎn)品里面，這是語言理解。

第二塊我們看對話管理。

對話管理其實(shí)我剛剛也說過了，如果想要讓平臺有足夠的適應(yīng)性的話，那么它的抽象能力一定要好。對話管理是做什么的？對話管理就是管理對話的，那么對話是什么呢？對話的最小單位就是一輪，一個 turn，我們進(jìn)去看的話，一個 turn 又分為兩部分，一個叫對話輸入，一個叫對話輸出；在輸入和輸出中間，有一個對話處理的過程，就像兩個人互相交流一樣，我問你答，但其實(shí)你在答之前是有一個思考過程的，如果你不思考就回答，那你的答案就是沒有質(zhì)量的，所以就會有一個中間的對話處理過程。

我們把對話抽象到這種程度以后，整個平臺就三個節(jié)點(diǎn)，一個叫觸發(fā)節(jié)點(diǎn)，一個叫函數(shù)節(jié)點(diǎn)，一個叫回復(fù)節(jié)點(diǎn)。

觸發(fā)節(jié)點(diǎn)是和用戶的對話輸入對著的，函數(shù)節(jié)點(diǎn)是和對話處理對著的，回復(fù)節(jié)點(diǎn)是和對話輸出對著的。有了這一層抽象以后，無論你是什么行業(yè)的什么場景，什么樣的對話流程，都可以通過這三個節(jié)點(diǎn)通過連線把你的業(yè)務(wù)流畫出來。

舉兩個例子，先看一個簡單的，你要查一個天氣，很簡單，先來一個觸發(fā)節(jié)點(diǎn)，把天氣流程觸發(fā)起來，中間有兩個函數(shù)節(jié)點(diǎn)，一個是調(diào)中央氣象臺的接口，把結(jié)果拿過來，另一個是對結(jié)果進(jìn)行一次解析和封裝，以一個用戶可讀的形式通過回復(fù)節(jié)點(diǎn)回復(fù)給用戶。這里面稍微解釋一下就是增加了一個填槽節(jié)點(diǎn)，填槽節(jié)點(diǎn)是什么意思呢？就是在任務(wù)型對話里面，幾乎所有的任務(wù)都需要收集用戶的信息，比如你要查天氣，就需要問時(shí)間是哪一天的，地點(diǎn)是什么地方的，這樣就叫做填槽，填槽因?yàn)樘Ｓ锰毡榱耍头衔覀兝鋯涌炖锩孀鲱A(yù)置的思想，所以通過三個基礎(chǔ)節(jié)點(diǎn)，我們自己把它搭建成填槽的一個模板，需要填槽的時(shí)候從頁面上拖一個填槽節(jié)點(diǎn)出來就可以了。

我們再看一個復(fù)雜的場景，這是在線教育里面的一個外呼場景，家里有小孩的可能知道，這種在線教育特別火，在上課之前半小時(shí)，機(jī)器人就會主動給用戶打電話，指導(dǎo)軟件下載，指導(dǎo)怎么登陸，登陸進(jìn)去以后怎么進(jìn)入教室，所有的這些流程都可以通過機(jī)器人進(jìn)行引導(dǎo)。

通過這兩個例子我們就可以看到，無論是簡單還是復(fù)雜的場景，通過這三種抽象節(jié)點(diǎn)的連線都可以實(shí)現(xiàn)。有時(shí)候我們開玩笑就會說，整個這種連線就叫一生二，二生三，三生萬千對話。

講了抽象以后，再看一下具體的對話管理技術(shù)。從實(shí)現(xiàn)上來說，這張圖和大家剛才看到的語言理解那張是一模一樣的，因?yàn)楹芏鄸|西的分布其實(shí)是遵循著共同規(guī)律的，區(qū)別在與把意圖換成了對話。

舉一個例子，比如像查天氣這樣的，如果采集十萬個查天氣的樣本，對這些用戶的說法進(jìn)行一個頻率統(tǒng)計(jì)的話，大概就是這樣一個曲線，用兩步能夠完成的，比如說查天氣，先填槽一個時(shí)間再填槽一個地點(diǎn)，然后返回一個結(jié)果，通過這種流程來完成的，可能有兩萬次；中間可能會引入一些問 A 答 B 的情況，這樣的 B 可能有各種各樣的，就跑到長尾上來了，這樣整個對話其實(shí)也遵循一個冪律分布。

對于高頻確定的部分，可以用狀態(tài)機(jī)進(jìn)行解決，但狀態(tài)機(jī)同樣面臨一個問題，它沒有一個很好的容錯能力，當(dāng)問 A 答 B 的時(shí)候，機(jī)器不知道下面怎么接了。在這種情況下，需要引入一個類人能力，對狀態(tài)機(jī)的能力進(jìn)行補(bǔ)充，狀態(tài)機(jī)加上類人能力以后，基本上可以把高頻的對話比較好的解決了。對于長尾上的對話，目前對于整個學(xué)術(shù)界或者工業(yè)界都是一個難題，比較好的解決方式就是上線以后引入在線交互學(xué)習(xí)，不斷跟用戶在對話過程中學(xué)習(xí)對話。在狀態(tài)機(jī)和在線交互學(xué)習(xí)之間其實(shí)是有 gap 的，因?yàn)闋顟B(tài)機(jī)自己沒有學(xué)習(xí)能力，所以需要引入增強(qiáng)學(xué)習(xí)。接下來我會介紹在類人能力以及增強(qiáng)學(xué)習(xí)方面的一些工作。

先看一下類人能力。我們把人說的話，做一下分類大概可以分為三種：第一種就是用戶說的話清晰明了只有一個意思，這種其實(shí)對機(jī)器來說是可理解的；第二種機(jī)器壓根兒不知道在說啥，也就是 unknown 的；還有一種就是用戶表達(dá)的意思可以理解，但是有歧義，有可能包含著兩個意圖、三個意圖，就是uncertain，不確定的。確定性的，狀態(tài)機(jī)其實(shí)是可以很好地捕捉和描述的，類人能力主要關(guān)注拒識的和不確定性的。

對于拒識這塊，比如還是在線英語的這個例子，機(jī)器人打來一個電話，問現(xiàn)在方不方便調(diào)試設(shè)備，這個時(shí)候從設(shè)計(jì)的角度來說希望用戶回答方便或者不方便就OK了，但是一旦這個用戶回答了一個比較個性化的話，比如，“呃，我剛掃完地，過會兒可能有人要來”，這時(shí)候我們的語言理解模塊很難捕捉到這是什么語義，這時(shí)候需要引入一個個性化的拒識，比如說，“您好，不好意思，剛才沒聽明白，請問您現(xiàn)在是否方便調(diào)試，如果您不方便，我過會兒再給您打過來”，這個就是對話的兜底，是對 unknown 的處理。

第二個我們看一下澄清，用戶說的一句話里面，如果是模糊不清的怎么辦？我們通過大量的數(shù)據(jù)分析發(fā)現(xiàn)這種模糊不清主要出現(xiàn)在兩種情況下，一種是用戶把多個意圖雜糅在一段話里來表達(dá)；第二種是用戶在表達(dá)一個意圖之前做了很長的鋪墊，對于這兩種長句子現(xiàn)在的語言理解給出的是意圖的概率分布，我們把這個概率分布放到對話管理模塊以后就需要讓用戶進(jìn)行一輪澄清。比如這個例子，這是移動領(lǐng)域的一個例子，這句話理解有三種意圖，到底是想問花費(fèi)明細(xì)，還是套餐的事情還是想問合約的低保，把這三個問題拋給用戶進(jìn)行澄清就可以了。

從技術(shù)上來說是怎么實(shí)現(xiàn)的呢，我們看一下這個圖，開發(fā)者負(fù)責(zé)把對話流程用流程圖清晰描述出來，然后像澄清這種其實(shí)是我們系統(tǒng)的一種內(nèi)置能力，什么時(shí)候澄清是通過下端的這兩個引擎里面的能力來決定的，第一塊是 Error Detection，它用來檢測用戶當(dāng)前說的這句話是否需要觸發(fā)澄清，一旦它覺得要觸發(fā)澄清，就會交給下一個模塊，究竟用什么樣的方式澄清以及怎么生成澄清的話術(shù)，這是目前我們整個智能澄清這塊做的工作。

再看一下我們在增強(qiáng)學(xué)習(xí)方面的工作。在對話管理模型里面，經(jīng)典的分成兩個模塊，一個是 neural belief tracker，用來做對話狀態(tài)追蹤的，另一個是 policy network，用來做行為決策的。在整個框架下，要去訓(xùn)練這個網(wǎng)絡(luò)的時(shí)候，有兩種訓(xùn)練方式，一種是端到端的去訓(xùn)練，用增強(qiáng)學(xué)習(xí)去訓(xùn)練，但這種方式一般它的收斂速度會比較慢，訓(xùn)練出的結(jié)果也不好；另外一種方式是先分別做預(yù)訓(xùn)練，這個時(shí)候用監(jiān)督學(xué)習(xí)訓(xùn)練就好了，不用增強(qiáng)學(xué)習(xí)訓(xùn)練，訓(xùn)練完以后再用增強(qiáng)學(xué)習(xí)對監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練的模型進(jìn)行調(diào)優(yōu)就可以了。

無論是端到端的一步訓(xùn)練還是先預(yù)訓(xùn)練再調(diào)優(yōu)，只要涉及增強(qiáng)學(xué)習(xí)這一塊，都需要有一個外部環(huán)境，所以在我們的實(shí)現(xiàn)架構(gòu)里面，引入了模擬器的概念，就是user simulator。模擬器這主要分為三大塊，一個是 user model，用來模擬人的行為的；第二個是 error model，模擬完人的行為以后經(jīng)過 error model 引入一個錯誤擾動，用 user model 產(chǎn)出的只是一個概率為 1 的東西，它對網(wǎng)絡(luò)訓(xùn)練是不夠好的，error model 會對這個結(jié)果進(jìn)行擾動并給他引進(jìn)幾個其他的結(jié)果，并且把概率分布進(jìn)行重新計(jì)算一下，這樣訓(xùn)練出的模型在擴(kuò)展能力或者泛化能力上會更好一些；第三個模塊是 reward model，用來提供 reward 值。這是我們今天在整個增強(qiáng)學(xué)習(xí)的對話管理這塊的一些工作。

最后看一下函數(shù)計(jì)算。

函數(shù)計(jì)算是什么東西呢？還是舉一個例子吧，比如說，10086 里面用戶說要查一下話費(fèi)，10086 那邊的機(jī)器人就會回復(fù)一句是發(fā)短信還是播放語音，表面看來就是簡單的一入一出，其實(shí)在這背后要經(jīng)過多輪的服務(wù)查詢，才能完成這個結(jié)果，因?yàn)楫?dāng)要查話費(fèi)的時(shí)候，先要經(jīng)過函數(shù)計(jì)算查一下現(xiàn)在是哪一天，如果是下賬期的話是不能查話費(fèi)的，就是每個月的最后一天不能查話費(fèi)，如果可以查話費(fèi)的話，先看一下用戶是否存在話費(fèi)，如果存在花費(fèi)的話第三步調(diào)用的服務(wù)看是不是停機(jī)了，因?yàn)橥C(jī)了的話只能語音播報(bào)不能接收短信。所以看一下在一個簡單的一入一出的對話背后，是走了一個復(fù)雜的流程的，這些流程今天都是在機(jī)器端用代碼來實(shí)現(xiàn)的。函數(shù)計(jì)算的引入，使對話工廠可以去處理復(fù)雜的任務(wù)。

業(yè)務(wù)應(yīng)用

最后我們看一下對話工廠的業(yè)務(wù)應(yīng)用情況。這是我們在浙江上線的 114 移車，當(dāng)有市民舉報(bào)違規(guī)停車擋路后，就會自動打一個電話讓他移車。第二個是在金融領(lǐng)域里面關(guān)于貸款催收的例子。在剛剛過去的雙十一里面，對話工廠在整個電商里面也有大量應(yīng)用，主要是在店小蜜和阿里小蜜里面。

店小蜜主要是一些開發(fā)票、催發(fā)貨、改地址這樣的流程，這里是一個開發(fā)票的例子，用戶可能會先說一個開發(fā)票，進(jìn)來以后要進(jìn)行復(fù)雜的流程，一種是在說的時(shí)候其實(shí)他已經(jīng)把它的訂單號送進(jìn)來了，如果沒有說訂單號的話需要去后臺系統(tǒng)查訂單號，查出來以后彈一個訂單選擇器選擇訂單，接下來如果是個人發(fā)票就走這個流程，如果是公司發(fā)票走另一個流程，接下來會問是普通發(fā)票還是增值稅發(fā)票，如果是普通發(fā)票接著往這兒走，如果是增值稅發(fā)票需要獲取企業(yè)增值稅的稅號，最后匯總到一個節(jié)點(diǎn)，調(diào)用后臺開發(fā)票的系統(tǒng)，把發(fā)票開出來。這是這次雙十一里面用到的開發(fā)票的一個例子。

最后看一下我們整體的落地情況。整個對話工廠在店小蜜里面主要是做像開發(fā)票這樣的售后流程的處理。在云小蜜，公有云是一大塊；私有云現(xiàn)在有70多家客戶了，主要有銀行、電信運(yùn)營商還有金融等；釘釘是我們另一個重要的端，釘釘上也有幾百萬的企業(yè)；內(nèi)外小蜜是我們集團(tuán)用小蜜實(shí)現(xiàn)的一個辦公助理；另外兩個巨大的客戶，一個是浙江省的政務(wù)，第二個是中國移動，這是云小蜜的業(yè)務(wù)。

阿里小蜜主要是負(fù)責(zé)阿里巴巴集團(tuán)內(nèi)部各個 BU 的業(yè)務(wù)，手淘是一個最大的業(yè)務(wù)，進(jìn)入手機(jī)淘寶以后，進(jìn)入“我的”里面有一個客服小蜜，就是阿里小蜜；上個月我們剛剛在優(yōu)酷上線了優(yōu)酷小蜜，星巴克是 9 月份上的，是屬于新零售的一個最大的嘗試點(diǎn)，還有很多其他的場景。