在打车时，常有各种意想不到的意外发生：错过上/下车点，司机驾驶习惯问题，绕路等等。如果引入AI来处理，这些工作如何判定呢？这篇文章，我们看看作者分享的案例。

一、场景案例

以网约车为例：

行程前：

上车点标记准确，但是司机往前走了几十米，走错过去了，现在司机又不能掉头，只能让乘客自己走过去找车。

行程中：

是这个车行驶的非常顿挫，急停急开的，让乘客非常不适，我没有到下车点，就和司机师傅说就这里吧。

行程后：

我在app上对司机进行驾驶行为的投诉，费用问题的投诉。

事后有短信通知我，经过“核实”对司机进行了处罚，并这笔订单发给我一张5元无门槛优惠券。

这个事件来看，平台遇到的此类投诉问题必然不在少数。

但是整体对于我来说，虽然赔了5块钱，整体的司机带来的体验非常差劲，

所以对于司机乘客之间的投诉或者纠纷的处罚问题，在现在的AI时代，有什么可以优化的提效点呢？

我们一步步的来分析：

对待这个案件，我们需要结合了事实数据：行程的LBS、通话记录、行程的录音等等。

需要佐证的点：

• 司机的驾驶行为ok吗
• 证明司机确实态度问题
• 乘客到底是主动下车吗

二、业务分析

1. 关于行程轨迹数据

还有对于车辆的轨迹判断，是否是急停急开（通过现在的手机通讯的lbs的数据是无法判断这一点的），只能通过该司机是否被人高频投诉这个事情，来进行相关因子参数的确认。

2. 如何通过【电话的通话录音】，进行态度、意图的分析

拨打电话的情况：乘客司机、乘客客服、司机客服

以上都是打电话的行为，语音录音时长还好，所以成本可控

3. 如何通过【行程的通话录音】，进行态度、意图的分析

现在网约车平台的行程录音，分多个录音端口进行录音，

• 司机的手机、
• 乘客的手机、
• 部分车内有一些监控摄像头、语音录音装置，

同一笔订单多的能拿到以上所有的数据，少的也至少有第一种；

所以究竟以哪些语音音频作为主要的呢，这里就涉及到优先级策略的分配了。

策略原则：置信度

在不同场景和人群中，同一session的置信度也是不同的

产品设计上就要考虑到when- where-who-what-四项因素：

控制变量，在不同变量下的证据的置信度排序问题；

三、产品解法

据策略配置与因子系数设定

判责场景：客诉判责、三方判责、主动监控判责

区分原因：根据条例的可控程度

判责证据因子：分类枚举值：行程轨迹数据、电话的通话录音、行程的通话录音

场景描述：

在xx的投诉中，

• 业务数据：xx等级的司机，是否在过去xxdays有过同类的投诉–系数xx
• 行程轨迹：轨迹出现偏移xx%–系数xx
• 通话录音：拨打x次，通话意图判断为xx–系数xx
• 行程中：时长xx：提到xx的，意图xx–系数xx

案件判责测试

• 把已经人工标注为谁有责的案件，通过对设定的判责流程，进行测试；

数据集与标注系统

• 人工主动抽检：对AI判责结果进行抽检、标注；
• badcase标注学习；
• 数据集重新判责

四、运营协同机制共识

场景归纳优先级（产品运营策略设定）

比如先把什么案件的，进行AI判责，AI判的流程是啥样的

准确率数据跟进

人工和AI数据结果比对

准备专门的抽检AI判责结果的人员，使用产品提供的数据标注工具，对案件进行标记

数据集复查

根据标注结果进行监督学习

badcase跟进

“判错”事件人工犯案+人工赔偿机制+对case纳入数据集进行复检

策略优先级因子调整

根据以上因子系数不断调整，这里一定是不断优化配置的，是一个反复的过程

所以在判责场景的数据引用中，是完全符合多模态的，

所以逻辑的拆解上，是完全符合的，音频、图片、具体数据。

所以这里就是打破对于计算机单一数据来源的情况的创新业务机会点

同样符合涉及撮合业务、本地生活业务的各业务场景，欢迎各位同行讨论学习～～