首页 体育 食品 亲子 财经 游戏 生活 新闻 汽车 科技 健康 酒店 房产 智能 商业 娱乐 时尚 教育 文旅

竹间智能完成D1轮融资,以更像真人的数字员工助力全场景智能

2022-07-12

近日,竹间智能宣布完成D1轮近亿元人民币融资,由金库资本、江苏文投、隽赐资本联合投资,融资资金将用于SaaS标准化产品的推广,继续巩固技术壁垒和产品优势,帮助更多头部及腰部客户实现企业智能化转型。

此前,竹间智能曾分别于2021年、2020年、2019年完成C+轮、C轮、B轮等多轮次融资,持续获得头部股东机构认可。在疫情常态化阴霾笼罩下,竹间智能仍凭借过硬的技术和工程壁垒完成D1轮融资,也进一步表明了竹间智能的产业价值和竞争优势已形成资本市场共识。

作为国内专注NLP赛道的头部玩家,竹间智能创始人兼CEO简仁贤表示:“我们一直相信,以知识资产为核心的管理将成为企业新一代的操作系统,也希望每个客户都能拥有自己的数字员工和AI助理,而NLP技术将是实现上述愿景的强力支撑。在数字员工持续迭代的路径下,只要有源源不断的知识资产输入,机器人就可以学无止境,只要需求梳理清晰明确,任何行业中任何与语言相关的场景都可以拥有属于自己的‘竹间数字员工';而通过与生态伙伴合作,用NLP赋能RPA、OCR、CRM等其他技术及各领域垂直应用,则更将创造出数以万计的场景。未来竹间将持续推动与战略投资方及其他生态伙伴的各项深入合作,不断拓宽产品应用边界。”

竹间智能由前微软(亚洲)互联网工程院副院长简仁贤于2015年创办,深耕自然语言理解多年,以知识、交互、情感和机器学习为核心,从刚需更迫切的B端切入,依照真人员工培养路径,通过“通用技术底层→行业术语和场景know-how→无代码自主运维”系统化培养更聪明的数字员工。在目前普遍着眼于替代低端劳动力的市场上,竹间智能更进一步,致力于为高端白领提供辅助智能,并通过多场景多模块数字员工的共用大脑,帮助企业整合和盘活知识资产,实现全场景智能化转型。

 ·  技术壁垒高,7年深耕NLP,搭建完整技术栈

竹间智能自研以长短文本打通的NLP技术,结合深度学习技术,以基于逻辑的符号AI和基于数据的神经AI构建复合式AI通用技术底层,构筑起强大的技术壁垒。

NLP是使AI具备认知智能的核心技术,而NLP技术的通用性程度则决定了数字员工可以被规模化生产的程度。从语言学角度,语言分为长文本和短文本,分属文本书面语言和对话口头语言两种语言体系,其对应的主要商业应用场景则分别为知识和交互。好的NLP技术应该可以同时处理长文本和短文本,但目前市面上玩家却普遍只专注长短文本中的其一领域,主要还是因为其自然语言理解效果的达成所依赖的技术还比较传统。短文本交互厂商通常运用开源算法、正则、关键词、标准问答等方式,依赖固定场景下相对有限的语料标注来达到勉强替代人工的效果,但无法实现多轮问答、意图识别等更智能的对话效果;而长文本由于文档篇幅较长且知识量级较大,用纯机器学习做商业化并不现实,相应的应用厂商其技术深度通常只能处理特定业务场景下制式和语料相对统一的文档,无法解析复杂句或进行自动标注,对存在倒装、省略、多轮等标准化程度较低的口语交互场景则更加无能为力。

技术深度不够决定了其产品通用性程度不高,行业和场景的切换将依赖定制化,在产品化、工程化与规模化的实现上容易暴露出后劲不足的问题。竹间深刻地意识到这一点,迎难而上选择了不同于单纯侧重长文本应用开发或短文本智能交互厂商的技术路线,用通用且复合式的NLP技术打通知识和交互,搭建完整的技术栈。一方面,在技术开发之初就聘请专业语言学家进行语料标注,自研多种技术应对复杂、非标难句,包括人称识别、指代消解、歧义理解、实体链接和识别、语义角色分析、依存句法分析、句向量上下文指代分析、容错识别等,目前已积累超过30种NLP能力模型,超过500万条语言学家标注数据;另一方面,结合深度学习技术,以基于逻辑的符号AI和基于数据的神经AI构建复合式AI,融合语言学与神经网络绘制知识图谱,打开AI思考黑匣子的同时也为相同准确率下的模型压缩和轻标注量提供技术支持。

通过100%自研,竹间智能用自然语言处理、知识工程、多模态情感计算、深度学习、智能语音技术和文本数据中台等搭建了坚实的技术底座,使数字员工具备知识储备、沟通交流、人际交往和持续学习等能力。

 ·    产品力极强,平台化战略&系统化培养,打造高度认知智能的数字员工

竹间智能以三大拳头产品——交互AI平台中的Emoti X、Emoti V,以及认知知识平台Gemini为核心,构建了完整的核心产品矩阵。

竹间智能一直坚持平台化和产品化的战略,从统一的底层技术底座平台开始搭建的整体架构,使得过往所有项目经验都可以沉淀反哺到技术底座,形成“由项目发现场景,从场景提炼标准化产品模块,产品模块沉淀回平台,平台通过新场景开发和旧场景升级持续支持新项目落地”的完整迭代闭环,助力数字员工迈向卓越和全能。目前,平台已沉淀丰富多样的训练引擎和预置模型,包括超过3000种的开盒即用意图模型,超过千万实体规模、跨50多大类的知识图谱,及超过200个不同行业和场景的预训练模型。

竹间智能依照真人员工遵循的“大学前基础通识教育→大学期大类专业知识教育→入职后职场前辈带教”的完整培养过程,通过“通用技术底层→行业术语和场景knowhow→无代码自主运维”系统化培养,帮助数字员工得以应对各种复杂场景,从而具备高端白领应有的职业素养与技能。

考虑到模型的效率和准确率,竹间在强大的通用技术底层基础上,对数字员工进行进一步的分模块专业性重点培养。通过商务实践中与各行业大客户及各业务部门的沟通调研和需求挖掘,不断开发和沉淀行业术语和场景know-how,精准提炼行业共性SOP(Standard Operation Procedure)。目前已沉淀多种端到端解决方案,模块功能涵盖助手辅助、陪练培训、语音交互、文字交互、知识挖掘、知识图谱、合规审核、智能搜索和洞察分析等。

为方便企业个性化地培训专属于自己的数字员工,完成职场前辈带教环节,不同于让算法工程师给每个客户单独定制机器人,做算法封装、调优、现场参数调节等的传统通行做法,竹间开发了简单易用的统一交付平台和统一算法平台,真正实现了无代码运维和机器人开箱即用。得益于其数字员工出厂前扎实的知识储备、良好的交互体验和强大的学习能力,客户无需具备AI专业知识也可自主进行机器人的模型训练,后续配置只需简单的拖拉拽即可完成,不仅给客户更多自由定制空间,也降低了公司产品的交付周期与运营成本。

 ·   商业化进展迅速,已实现跨行业多场景规模化落地

竹间通过丰富多样的解决方案在各个场景输出接近真人、方便对接企业原有系统的AI数字员工产品,不断刺激客户多种复购行为。通过正向飞轮效应的驱动,迭代效率和收益都将成倍提升,随着已有产品模块的标准化程度不断提升,规模效应不断显现,毛利率不断攀升,同时新产品的开发效率也会不断提高,随着新行业和场景的切入,新的增长曲线也正在涌现。

竹间智能的产品和服务已在金融、政企、制造、零售和医药等多个领域落地,赋能企业销售、客户服务、运营,以及企业IT、人事、财务、法务等业务前-中-后台全场景,高效满足客户需求并灵活延展到各部门。多场景的应用可以让企业在不打断原有业务流程的基础上,通过产品的驱动,自然运用起数字员工共享的知识基底,打通企业信息流、完成知识统管,从而尽可能无痛、平滑地帮助企业构建贯穿前-中-后台的一站式智能化服务平台,真正实现全媒体全渠道的信息接入、全流程的智能服务、全业务的智能洞察和全体系的知识统管,完成企业全场景智能化转型。

截至目前,竹间智能已服务了包括华为、民生银行、广汽集团、中国银联等在内的300多家大型企业客户,生态伙伴数量超过50家,累计触达数亿终端用户。

·    机构评价

金库资本创始合伙人丁学文先生表示:“竹间智能自主研发底层NLP技术与金库资本出行领域国内外的生态布局结合,对于疫情后时代提升服务效率一定会有很好的效用。竹间智能的语义技术NLP产品是同类AI企业里的佼佼者,金库资本作为产业资本,在本轮投资后也会与竹间深度携手,助力竹间快速拓展出行服务领域。”

江苏文投资本副总经理王旭原先生表示:“自然语言处理作为被誉为‘人工智能皇冠上的明珠’的底层技术,在文旅产业中可以对所有客端及数据分析端数据进行个性化处理和反馈,在整个智慧文旅产业中将扮演‘大脑’的核心角色,不仅可以大大提升服务人效及内容质量,更重要的是可以通过对客户数据的识别与分析,为定制化旅游和沉浸式旅游提供技术保障,是实现旅游‘千人千面’的必备一环。竹间智能是国内NLP细分赛道同时具备技术与商业化‘双领先’的头部企业之一,已在多个行业内得到客户的广泛验证与认可。作为一家兼具市场化投资职能与文化旅游产业背景的股权投资基金,文投资本坚定看好竹间智能在文旅产业智慧化升级中将发挥的重要作用,并将从投资、业务等多个维度与公司保持长期紧密的合作关系。”

上海隽赐投资合伙人姜冰表示:“在第四次工业革命中加快脚步,用大数据、人工智能(AI)、云计算等创新技术提升企业生产效率、推动产业变革是中国企业下一阶段的必修课。在NLP赛道,我们接触到了竹间,我们非常认同竹间简先生的理念,也非常看重竹间作为一家拥有底层AI技术的平台型企业所蕴含的潜力,既能快速、低成本为企业客户部署AI解决方案,又能与企业客户共同创新、加速企业业务变革,同时还能穿越行业壁垒、服务多个领域。未来隽赐投资将与竹间一起,共同为中国企业从卓越走向世界一流贡献力量。

免责声明:本文转载自其它媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责,亦不负任何法律责任。 本站所有资源全部收集于互联网,分享目的仅供大家学习与参考,如有版权或知识产权侵犯等,请给我们留言。
      联系我们   SiteMap