上海2020年8月24日 /美通社/ -- 近日，全球權威的技術研究與咨詢機構Gartner發布了中國ICT技術成熟度曲線報告《Hype Cycle for ICT in China, 2020》，報告認為自然語言技術將在未來帶來變革性影響。作為NLP頭部企業，Emotibot竹間智能再次強勢入選自然語言技術代表企業，與IBM、微軟等國際巨頭企業同列，自2018年來，竹間智能已連續三年入選該報告。
自然語言技術 (Natural Language Technologies，簡稱NLT) 是語言學，計算機科學和人工智能的一個子領域，融合機器學習實現人與系統之間的直接交互，及對各式內容的分析。NLT涵蓋自然語言處理 (NLP) 的廣泛領域，包括自然語言理解 (NLU)，自然語言生成 (NLG)，文本分析，對話系統，語言知識圖譜，機器翻譯和文本摘要等。
根據最新發布的ICT Hype Cycle技術成熟度曲線，自然語言技術仍處在期望高峰期。
新興技術是支持中國企業數字化轉型的關鍵創新引擎。據Gartner預計，未來自然語言技術將帶來變革性影響，為企業業務帶來不容忽視的應用價值：
因此，Gartner認為，中國企業絕不能延緩對自然語言技術的部署，否則將會面臨巨大風險，比如喪失在客戶中的品牌關聯性和運營競爭力。
憑借在NLP領域硬核的技術實力及廣泛落地應用，竹間智能(Emotibot Technologies)連續三年入選Gartner ICT Hype Cycle報告自然語言板塊代表企業。
竹間智能曾多次榮譽入選Gartner代表企業，2018年更是被評為亞太地區對話式AI Cool Vendor。連續多年登榜，展現了國際權威機構對竹間在NLP賽道的技術實力和市場表現力的認可。
創立五年來，竹間智能一直以NLP為核心，從對話式AI發展到基于NLP的全棧式人工智能，堅持將自然語言處理、機器學習、語言學及情感計算融合，打造能夠為客戶及用戶創造實際應用價值的技術研發和產品。特別是將語義理解技術打造成通用語義理解引擎，將NLP落地到跨行業應用，覆蓋金融、互聯網、制造、醫藥、教育、智能終端、公共服務等領域。
本次Gartner用"Natural Language Technologies" （NLT，自然語言技術）取代了以往“Conversational AI Platform”（對話式AI平臺）的說法，與竹間的發展軌跡不謀而合，也代表了自然語言技術正向更多應用拓展，已經發展成具有巨大需求和成熟應用場景的關鍵產業。
竹間自研的全棧NLP底層平臺具備語音+語義+情感的全場景、全雙工交互技術
“技術公司的底氣是技術自研。”竹間自研中文及多語種NLP、多模態情感識別及對話AI平臺，憑借著NLP的優勢，成功研發實用場景準確率超行業標桿的語音識別技術（ASR及TTS）。
以竹間NLP平臺27個AI能力模塊，結合Bot Factory?的三十多個語義理解及對話交互能力模塊，加上竹間自研的端到端的機器學習平臺，及具有認知推理與知識構建的長文本分析平臺，能在復雜多變的語義交互中，更精準地理解用戶意圖和情緒，達到流暢的人機交互，并結合客戶業務流程將客戶服務從前端入口到中后臺業務梳理全面貫通覆蓋。
一站式企業級人工智能平臺Bot Factory? 2020視頻：https://www.bilibili.com/video/BV1Kp4y1i7Hc/
Empower AI for business，竹間以一站式企業級人工智能平臺為企業賦能
Gartner本次報告中提及的包括對話式AI平臺和其他更多自然語言技術相關應用，目前都已經在竹間的六大產品平臺中得以實現。
從對話交互到自動化業務處理到智能化的數據分析與洞察，竹間為企業提供一站式人工智能服務，將數據與自然語言技術結合，形成數據智能化的閉環。
1.竹間智能將AI NLP能力與OCR結合，自動處理交互及長文本的語音、文字、圖片等大量數據，達到人工智能自動化，縮減企業業務流程。
2. 通過使用ASR自動識別語音，及TTS語音轉文字，自動合成人類語音，實現批量電話的自動呼出，有效節省勞動力成本。
五年磨一劍，平臺標準化
面對日益增長的智能轉型需求，和NLT技術自身發展耗時長的難題，選擇一個已經沉淀豐富應用場景，經過大量客戶驗證過的技術產品和服務商，就顯得尤為重要。
竹間經過五年數百標桿客戶落地案例，累積沉淀了六大行業的場景與知識，形成六大基于自然語言技術的產品平臺，包括提供人機交互的Bot Factory? 2020，賦能呼叫中心全場景智能化的AICC 2020（AI Contact Center），具有認知推理與知識構建的長文本分析平臺，AutoML機器學習平臺，涵蓋27個自然語言技術模塊的NLP平臺，以及NLP+RPA。
五年來，六大平臺已經為金融、互聯網、智能終端、傳統產業、醫療醫藥、教育等行業解決了諸多降本增效難題，應用效果顯著：
