可以從以下幾個步驟著手：
（1）確定任務（智慧客服）；
（2）精細任務分析，從特定應用領域、應用場景出發；明確智慧客服需要保證那些問題能自動化回答，那些問題可以不用關注，總體來講，就是要以任務為驅動；
（3）任務或問題的明確定義：當做分類任務解決 還是 直接生成回答的問題；針對不同的問題，分別考慮資料收集、收據處理、演算法選型、評估方案與指標設計、實驗設計、上線方案和運維等問題。
（4）詳細分析好任務和待回答的問題後，就需要準備語料庫（注重資料質量，好的資料質量，勝過最優秀的演算法）；
（5）資料預處理，將文字資料轉換為詞向量（有多種方法，如word2vec等等），考慮輸入資料與標籤資料組織形式，可以參考智慧問答相關的開放資料集；
（6）資料分析，主要包括資料量大小的分析、詞向量高維嵌入分析、如果是分類任務還要分析類別的資料平衡性；能想到的統計分析與資料處理方法都可以考慮，目標是資料高質量；值得一提：資料量的大小決定資料處理（如需要資料增廣、類別平衡、資料上或下采樣等）、方法的選擇以及模型訓練的方法（如使用預訓練模型、考慮小樣本學習方法等）；
（7）模型選擇與模型訓練（注重跟進前沿論文和成果，模型訓練就多關注訓練技巧），這部分主要考慮方法選擇，如果是深度學習方法，應充分考慮模型結構設計、損失函式設計、模型整合等問題；
（8）實驗與結果評估，注重訓練資料與評價資料劃分，科學/嚴謹實驗，科學分析；利用設計指標進行評估並充分分析實驗結果，尋找模型做得不好的樣本案例（badcase）；
（9）badcase分析與解決；
（10）上線前實測，逐步擴大使用者使用範圍；
（11）繼續跟進和改進出現的問題，重複（1）~（10）的環節。
可以從以下幾個步驟著手：
（1）確定任務（智慧客服）；
（2）精細任務分析，從特定應用領域、應用場景出發；明確智慧客服需要保證那些問題能自動化回答，那些問題可以不用關注，總體來講，就是要以任務為驅動；
（3）任務或問題的明確定義：當做分類任務解決 還是 直接生成回答的問題；針對不同的問題，分別考慮資料收集、收據處理、演算法選型、評估方案與指標設計、實驗設計、上線方案和運維等問題。
（4）詳細分析好任務和待回答的問題後，就需要準備語料庫（注重資料質量，好的資料質量，勝過最優秀的演算法）；
（5）資料預處理，將文字資料轉換為詞向量（有多種方法，如word2vec等等），考慮輸入資料與標籤資料組織形式，可以參考智慧問答相關的開放資料集；
（6）資料分析，主要包括資料量大小的分析、詞向量高維嵌入分析、如果是分類任務還要分析類別的資料平衡性；能想到的統計分析與資料處理方法都可以考慮，目標是資料高質量；值得一提：資料量的大小決定資料處理（如需要資料增廣、類別平衡、資料上或下采樣等）、方法的選擇以及模型訓練的方法（如使用預訓練模型、考慮小樣本學習方法等）；
（7）模型選擇與模型訓練（注重跟進前沿論文和成果，模型訓練就多關注訓練技巧），這部分主要考慮方法選擇，如果是深度學習方法，應充分考慮模型結構設計、損失函式設計、模型整合等問題；
（8）實驗與結果評估，注重訓練資料與評價資料劃分，科學/嚴謹實驗，科學分析；利用設計指標進行評估並充分分析實驗結果，尋找模型做得不好的樣本案例（badcase）；
（9）badcase分析與解決；
（10）上線前實測，逐步擴大使用者使用範圍；
（11）繼續跟進和改進出現的問題，重複（1）~（10）的環節。