# IVR 客服意圖辨識

**IVR（互動式語音應答）客服意圖辨識**是指結合 AI 人工智慧語音處理技術，讓用戶透過語音指令與客服系統互動，並自動辨識客戶語意以提供相應服務的一種技術應用。在台灣，這樣的系統已廣泛應用於銀行、電信、醫療等領域，提升服務效率與客戶體驗。

## **核心功能與流程** <a href="#core-features-and-workflow" id="core-features-and-workflow"></a>

1. **接聽語音輸入**\
   客戶致電後，系統會播放自動化語音選單（例如：「請簡單說明您的需求，我們會為您提供協助。」）。客戶不需要按鍵選擇，而是直接用語音表達需求。
2. **語音辨識（ASR）**\
   系統利用自動語音辨識技術（Automatic Speech Recognition）將語音轉為文字。例如客戶說「我要查詢我的帳單」，系統會將其內容轉為文字輸入。
3. **語意理解（NLU）**\
   系統透過自然語言理解（Natural Language Understanding）技術，分析語意並判斷用戶的真正需求。例如：
   * 詞彙分析：「查詢」、「帳單」這些關鍵詞表明需求與帳務有關。
   * 意圖識別：判斷客戶的目的是「查帳單」。
4. **回應與路由**\
   系統根據語意分析結果提供相應服務，可能有以下選項：
   * **直接回應**：若需求可自動化處理，例如「您的帳單金額是 1200 元，繳費期限是 12 月 15 日」。
   * **轉接專員**：若需求較複雜，系統會自動轉接至對應部門的客服人員，並同時提供語意摘要，減少重複溝通。

## **技術挑戰與限制** <a href="#technical-challenges-and-limitations" id="technical-challenges-and-limitations"></a>

1. **多樣化表達的理解困難**
   * 使用者的語言表達可能不標準，例如：「我的帳單到底怎樣？」或「繳費問題怎麼辦？」這樣的語意有些模糊，BERT 等模型有時<mark style="color:red;">**無法精準判定具體需求**</mark>。
   * 在台灣，還需面對多語言、多方言（國語、台語、客語）的混用，語言模型對這些語言資料的支持尚不足。
2. **意圖細分的局限性**
   * 現代 NLP 模型雖能處理大量文本資料，但無法完全掌握某些行業的專業知識或特殊意圖。例如：「我想知道上次繳費的具體日期」可能需連結不同系統才能正確回答。
   * 即使 BERT 處理較短對話片段的效果良好，但長句子或複雜語意表達會導致模型混淆。
3. **數據偏差與語料不完整**
   * 訓練語言模型<mark style="color:red;">**需要龐大的本地化語料**</mark>，若數據不足或偏向單一表達形式，會導致模型對特殊語境的適應能力不足。例如，台灣特有的語言習慣如「儲值」、「跳號碼」等，模型可能缺乏足夠上下文語料。
4. **上下文與記憶限制**
   * 客戶對話通常有上下文關聯性，例如「剛剛說的繳費，我還有其他問題」這種多輪對話需要系統能記住先前的意圖。現有的 NLP 模型在這方面的應用表現有限。
   * 若意圖判定出錯，用戶可能不得不重新陳述需求，造成挫折。
5. **錯誤容忍度低**
   * 客戶對客服系統的耐心有限，若語音系統判定錯誤，客戶可能感到挫敗，最終直接要求與真人溝通。

## 產業現況 <a href="#industry-status-quo" id="industry-status-quo"></a>

目前，仍有許多企業的語音客服系統採用傳統的按鍵選擇式流程。以 **永豐銀行的語音客服系統** 為例，其設計充分考量業務多樣性，提供多層選單的選項來引導用戶。然而，在用戶互動體驗上，仍有許多值得優化與改進的空間。

LLM（大型語言模型）與 RAG（檢索增強生成，Retrieval-Augmented Generation）的出現，對語意辨識以及整體 IVR 系統帶來了革命性的改變，使得語音客服系統更智能、更精準且更具有適應性，克服了過去許多傳統 NLP 技術的局限性。

{% embed url="<https://bank.sinopac.com/MMA8/bank/service/cs-phonecall.html>" %}

<figure><img src="/files/YfQrTBvfH53wCHUbaaDQ" alt="" width="563"><figcaption></figcaption></figure>

## 解決方案 <a href="#solution" id="solution"></a>

以下將透過 MaiAgent 強大且精準的 LLM、RAG 功能，一步步帶領大家做出超強的語意辨識助理。

### 操作步驟 <a href="#operation-steps" id="operation-steps"></a>

#### 1. 資料準備 <a href="#step1-data-preparation" id="step1-data-preparation"></a>

{% hint style="info" %}
過往 BERT 對於 NLP 任務（如意圖辨識、情感分析等）需要大量標記的資料來進行訓練。標記資料通常由人工完成，例如為句子標註意圖類別或關鍵詞，這既耗時又昂貴。即使有高質量的標記數據，也會模型的泛化能力不足。當業務需求或使用習慣發生變化時，需要重新標記並訓練模型，周期較長。

LLM 與 RAG 的優勢在於它們能充分結合生成式語言能力與即時檢索的動態性，擺脫對標記數據的依賴，提升語意辨識準確性，降低開發與維護成本，並極大地改善用戶體驗。這種技術組合為智能客服和語音交互設立了新的行業標準，是未來自動化與個性化服務的關鍵推手。
{% endhint %}

LLM 與 RAG 的引入大幅簡化了標記資料準備的過程。現在，只需將資料整理成 Excel 表格，簡單列出意圖分類，並將此份 **銀行客服服務列表** 上傳至 MaiAgent AI 助理的知識庫，即可支援智能語意辨識系統的運作。

<figure><img src="/files/CUXfxBFAh6M1HaEEMGZL" alt=""><figcaption><p>銀行服務列表（意圖辨識用）</p></figcaption></figure>

#### **2. 定義角色指令** <a href="#step2-define-system-prompt" id="step2-define-system-prompt"></a>

```markdown
# 角色
你是 MaiAgent 銀行的語意理解機器人

# 輸出格式
請根據使用者對話，了解客戶想要得到的服務意圖，從知識庫中判斷使用者想要的服務意圖並輸出

意圖很明確時，請輸出一個意圖就好；若有多個相似意圖無法判斷，請列出3個以內最相近的意圖

<example>
-<代碼>:<分類> - <子分類>
</example>

<example>
-<代碼>:<分類> - <子分類>
-<代碼>:<分類> - <子分類>
...
</example>

<example>
N/A
</example>

# 輸出限制
- 請使用繁體中文回覆
- 不在知識庫範圍內的資訊請勿回答
- 請直接輸出 <example> 與 </example> 內的文字，不要包含其他敘述
- 輸出不包含<example>與</example>
- 根據知識庫資料回答，無法判斷意圖時請以下方<example>內的文字回答
```

#### 3. 開始使用 <a href="#step3-get-started" id="step3-get-started"></a>

### 使用範例 <a href="#usage-examples" id="usage-examples"></a>

#### 單次對話 <a href="#single-turn-conversation" id="single-turn-conversation"></a>

<figure><img src="/files/u924gxHmtJUM4eM0348x" alt=""><figcaption><p>意圖辨識案例</p></figcaption></figure>

#### 多輪對話 <a href="#multi-turn-conversation" id="multi-turn-conversation"></a>

LLM 與 RAG 技術解決了多輪對話在 BERT 上難以辨識意圖的貧頸。

<figure><img src="/files/dS3psnJ3zZnz25Yf4iH3" alt=""><figcaption><p>意圖辨識多輪對話範例</p></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.maiagent.ai/application/voicecs/ivr-intent-recognition.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.