Искусственный интеллект научился выполнять задачи, которые раньше никто не мог предположить: составлять недетерминированные ответы и проводить глубокую речевую аналитику. Эти новые возможности несут большой потенциал для повышения эффективности в обслуживании клиентов. В статье рассмотрим, для каких задач клиентской поддержки можно использовать интеллектуальные механизмы уже сегодня и как их роль изменится в будущем.
Какие технологии используются для создания интеллектуальных информационно-аналитических систем
Компании собирают и накапливают информацию о клиентах в виде текстов, изображений, числовых и звуковых данных. За задачу обработки этих объектов в рамках искусственного интеллекта (ИИ) отвечают следующие направления.
Обработка естественного языка (Natural Language Processing, NLP) предназначена для «понимания» человеческой речи и «реагирования» на нее. ИИ использует большие объемы данных для решения различных задач. Например, можно изучить историю всех обращений и проанализировать, какие там есть паттерны, классы, категории. На основании этого настраивается автоматическая классификация и маршрутизация, когда алгоритм опирается на те признаки, которые применяет сотрудник первой линии поддержки. Для подобной задачи задействуются разные способы: большие языковые модели, рекуррентные нейронные сети, тематическое моделирование.
Компьютерное зрение распознает и классифицирует объекты на изображениях и анализирует эту информацию. В поддержке механизм чаще применяется для обработки скриншотов. Например, если пользователь прикрепил к заявке в сервис деск системе скриншот, то ИИ может «посмотреть» на него и дополнить текст обращения информацией с изображения.
Речевая аналитика применяется, когда клиенты звонят в поддержку. Этот алгоритм преобразует текстовую информацию в голос и наоборот. Например, один алгоритм расшифрует запись звонка и представит как текст, чтобы продолжить обработку. Также при помощи обработки естественного языка можно подобрать ответ на запрос пользователя, а затем озвучить полученный текст, используя речевую аналитику.
Все описанные направления построены на основе глубокого обучения. Это алгоритмы особого вида, которые умеют работать с любой информацией: визуальной, аудиальной, численной. Они обнаруживают закономерности в больших объемах данных. Информацию обрабатывают искусственные нейронные сети, отдельные элементы которых похожи на нейроны в человеческом мозге. Они используют алгоритмы обучения, которые помогают улучшать качество решения задачи с учетом предыдущих ошибок. Глубокое обучение является наиболее перспективным и развивающимся направлением, в частности, для применения в корпоративных информационных системах.
Какие задачи решает ИИ в клиентском обслуживании
Уже сейчас технологии на основе ИИ помогают специалистам поддержки обрабатывать клиентские обращения и справляться с большим объемом информации о пользователях. Интеллектуальным решениям для автоматизации сервиса можно делегировать ряд задач.
Ранжирование, классификация и маршрутизация обращений. ИИ учитывает параметры заявки, чтобы выбрать категорию услуги. Например, для определения приоритета смотрит на сложность вопроса и соглашение об уровне обслуживания. Затем сопоставляет локацию и часовой пояс инициатора с данными о режимах работы офисов, оценивает опыт доступных специалистов поддержки и выбирает подходящего исполнителя.
Распознавание и фильтрация спама. Те же механизмы, которые анализируют текст обращения для классификации, могут выделять «мусорные» обращения. Это полезно при обработке сообщений из живых чатов на сайтах. Если алгоритм не уверен в полученном результате, он должен иметь возможность передать заявку сотруднику, чтобы он принял окончательное решение.
Быстрая помощь. Генеративный ИИ может мгновенно отвечать на распространенные запросы. Также ответ может быть подобран из корпоративной базы знаний на основе истории подобных обращений. А если к вопросу потребуется подключить человека, алгоритм автоматически соберет важную информацию и контекст заранее, чтобы представители службы поддержки решили проблему быстрее.
Автокоррекция ответов. Операторы клиентских служб тратят время не только на решение вопроса, но и на формулирование текста сообщения. Используя ИИ, они смогут исправить тональность ответа или перефразировать предложение, чтобы сделать его понятнее для клиента.
Предоставление круглосуточной поддержки.
Сочетание базовой автоматизации и возможностей ИИ освобождает специалистов поддержки от рутинных задач. Сотрудники могут проявлять творческий подход в работе, уделять больше времени клиенту, находить уникальные решения сложных проблем.
Пока механизмы на основе машинного обучения и генеративный ИИ не заменят живых операторов полностью. При коммуникации с поддержкой клиентам важно получить релевантный ответ и эмпатию, на которую способны только люди.
Каковы перспективы применения ИИ в сфере сервисов
Использование ИИ будет только расширяться. Эти механизмы станут более доступными для небольших компаний. Частая ситуация, когда у компании нет истории заявок. В таком случае при классификации и маршрутизации обращений пригодится технология
Но такую языковую модель пока нельзя поставить в информационный контур конкретной компании. Для нее нужны большие вычислительные мощности. Например, серверы с GPU/TPU. Границ в разработке нет, но есть лимиты в стоимости «железа», на котором работает
Постепенно возможности технологий будут давать лучший результат. Появятся:
- более сложные
чат-боты , которые «понимают» контекст разговора, оценивают его с точки зрения человеческого здравого смысла и предоставляют релевантные ответы на базе истории предыдущих взаимодействий; - роботизированные помощники с высоким эмоциональным интеллектом, которые обеспечат более персонализированный клиентский опыт, распознавая эмоции пользователей и реагируя соответствующим образом;
- механизмы проактивного взаимодействия, когда ИИ сможет отслеживать действия человека в приложении или на сайте и предлагать помощь еще до того, как он за ней обратился;
- поисковые инструменты на основе разговорного ИИ, при котором пользователи не пишут текстовое сообщение, а формулируют вопрос, как при беседе с человеком, и получают ответ.
Также прогнозируется, что некоторые виды пользовательских интерфейсов заменит ИИ, который будет персонализировать выходные данные на лету на основе поставленной пользователем задачи. Это подойдет для простых действий, когда не требуется детальная настройка процесса, а нужно просто выполнить конкретную операцию. Например, оформить отпуск или получить отчетность в виде графика.
Все технологии, которые сейчас применяются, будут актуальны и в будущем. Со временем уменьшится размер этих моделей, они станут более компактными для простоты поставки компаниям.
Развитие ИИ: какие существуют проблемы и как с ними справляться
В обществе есть различные опасения по поводу ИИ. Это нормально, потому что новое и непонятное люди сначала воспринимают с подозрением. Но все связанные с интеллектуальными технологиями спорные аспекты важно оценивать через призму логики и разумной составляющей. Помимо постапокалиптических теорий, существуют реальные риски, которые следует учитывать уже сейчас.
С технической стороны основная проблематика — в применении этих алгоритмов. Если интеллектуальные механизмы используются для корпоративных систем, бизнес решает с их помощью определенную задачу и предъявляет четкие требования к качеству результата. Но когда ИИ применяется в других сферах (например, в медицине, правоохранительной деятельности, безопасности и т.п.), то нередко у людей просто нет соответствующих знаний, поэтому не осуществляется должный контроль за этими системами.
Безопасность обработки личных данных. Представим, что модель подготовлена под определенную задачу. Всегда есть риск, что среди данных для обучения есть чувствительная информация и она может быть извлечена. Например, результаты медицинских исследований. Для защиты таких данных используются специальные алгоритмы и подходы. Проблема в том, что уязвимости в безопасности сейчас зачастую устраняются только после обнаружения. Это плохая практика, когда алгоритмы улучшаются после выявления технических несовершенств. Информационную безопасность важно регулировать: данные и алгоритмы должны обладать определенными свойствами и отвечать требованиям.
Вопрос этики. При разработке технологии невозможно предусмотреть все аспекты, поэтому возникают спорные моменты. Например, как с голосовыми помощниками взаимодействуют люди с акцентом, для которых русский язык не родной. Алгоритмы не распознают речь корректно, и получается, что им недоступны возможности, которые есть у других. Следует понимать, для кого создаются подобные системы, и следить за тем, чтобы они помогали людям, не ущемляя их права.
Чтобы уменьшить влияние подобных проблем, необходимы контроль и внимание со стороны людей. Это может быть государственное регулирование. Например, лицензирование ИИ и принятие законов, где будут прописаны требования к алгоритмам. С такой инициативой уже выступил Европарламент, но по результатам тестирования Стэнфордского университета только несколько крупных языковых моделей от разработчиков наполовину соответствуют критериям.
Также существует общественный контроль. В Европе и США много организаций, направленных на выявление и исправление Bias (предвзятости решений) в алгоритмах, которые работают в повседневной жизни. Такие организации проводят исследования, собирают данные, делают дополнительную разметку.
Кроме того, поскольку технологии развиваются и все лучше справляются с задачами, за которые раньше отвечали люди, необходимо обучение новым профессиям. Например, у ИИ есть огромный потенциал для облегчения нагрузки клиентской поддержки, но это точно изменит роль специалистов таких служб. Как вариант, они смогут стать разработчиками
К выводам
В сфере клиентского обслуживания наиболее перспективно использование обработки естественного языка, компьютерного зрения и речевой аналитики. Эти разделы ИИ помогают поддержке решать рутинные задачи, справляться с большим объемом заявок и предоставлять клиентам быстрый сервис. Прогнозируется, что в будущем эти технологии будут выполнять все более и более сложные действия.
Сейчас усилия разработчиков сосредоточены в двух направлениях. С одной стороны, важно ускорить и повысить качество результатов, которые выдают модели. С другой — обеспечить компактность, что позволит упростить поставку таких технологий. Ключевые проблемы, связанные с развитием ИИ, — это этические аспекты и низкое качество алгоритмов, которое угрожает информационной безопасности. Чтобы справиться с этими рисками, необходимо информировать общество. Люди должны понимать, как работают такие технологии, какую выгоду и риски они несут.
