Искусственный интеллект помогает бизнесу работать быстрее. Сервисная поддержка — не исключение. В статье разобрали основные задачи, которые способен взять на себя ИИ.
Основные понятия: глоссарий терминов ИИ
Для начала разберем базовые понятия.
Искусственный интеллект (ИИ) — это область компьютерных наук, которая занимается созданием «умных» систем. Ключевые задачи — распознавать образы, принимать решения, обучаться на опыте и адаптироваться к новым ситуациям, чтобы снять рутинные операции с людей и освободить их ресурсы для экспертных и сложных творческих задач.
Чтобы ИИ мог действовать, нужны специальные модели.
Модель ИИ — это результат обучения алгоритма на больших массивах данных для решения конкретной задачи. Например, языковая модель генерирует текст на основе запроса, а модель распознавания изображений определяет объекты на фото.
Рассмотрим основные модели ИИ.
| Задача | Что делает | Примеры |
| Классическая |
Классификация, простые рекомендации, обработка данных, прогнозирование | Подключение преднастроенных моделей от разработчиков |
| Большая языковая модель (LLM) | Генерация и понимание текста, сложные рассуждения, написание кода, агентные задачи с планированием и делегированием подзадач | OpenAI GPT-5.6 Sol, Anthropic Claude Fable 5, Google Gemini 3.1 Pro, xAI Grok 4.5, DeepSeek-V4-Pro |
| Мультимодальная модель | Одновременная обработка текста, изображений, аудио и видео | Meta Muse Spark 1.1, Google Gemini 3.1 Pro, OpenAI |
| Модель с открытым весом (Open-weight) | Модели, которые можно скачать, запускать локально и дообучать | Moonshot Kimi K3, Z.ai |
На выбор
Если говорить о службах поддержки, то таким подразделениям не нужно выбирать одно самое мощное решение. Для каждого типа задач стоит использовать наиболее подходящую модель, а при необходимости комбинировать несколько в рамках жизненного цикла заявки.
Для обучения любой модели необходимы качественные данные.
Данные — информация и сведения, которые по количеству, формату и качеству отвечают определенным требованиям. Требования формулируются, исходя из задач конкретного алгоритма.
Чтобы операторы могли взаимодействовать с моделями и решать задачи в Service Desk, необходимы специальные инструменты —
Выбор архитектуры зависит от задач и требований компании к безопасности. Возможны два подхода:
- Локальное размещение моделей в контуре компании. Это обеспечивает полный контроль над данными и подходит для организаций с высокими требованиями к информационной безопасности.
- Подключение внешних больших языковых моделей (LLM) для расширения возможностей ИИ. В этом случае важно, чтобы данные клиентов не сохранялись на стороне внешних сервисов.
В большинстве случаев бизнес выбирает гибридную архитектуру: рутинные задачи (классификация, поиск по базе знаний) выполняются локальными моделями, а для сложных сценариев, требующих глубокого анализа контекста, подключаются LLM. Такая гибкость обеспечивает контролируемую стоимость, соблюдение требований информационной безопасности и высокое качество ответов для операторов.
Для классификации заявок
В ходе жизненного цикла заявки ИИ помогает оператору и подключается к разным задачам, начиная с классификации обращения и заканчивая отчетом о решении. Рассмотрим эти функции подробнее и разберем, какие модели для этого понадобятся.
Сначала обращение поступает в систему. ИИ умеет анализировать текст, определять, к какой услуге оно относится, и автоматически направлять нужному исполнителю. В результате вырастает скорость обработки заявок.
ИИ определяет категорию запроса и перенаправляет в профильное подразделение. Задача специалиста — подтвердить классификацию
Для классификации заявок достаточно классической
Лучший способ накопить такие данные — внедрить Service Desk. Чтобы обучить ИИ, сначала заявки нужно разметить, то есть отнести к различным категориям. Например, не работает принтер — в
Например, компания, которая пользуется Naumen Service Desk и накопила в системе данные, может сама запускать алгоритм в один клик. Если информации достаточно, он начнет работать. Если нет, то сообщит об этом.
Для извлечения и структуризации данных
Если в описании проблемы недостаточно данных или, наоборот, много лишней информации, ИИ структурирует его. Для этого он выделяет ключевые моменты — какая проблема у пользователя, что он уже сделал — и, если информации мало, задает уточняющие вопросы. Затем заявка отправляется исполнителю.
Операторам не нужно связываться с заявителями. Они сразу видят суть проблемы и могут приступать к решению, что снижает время обработки
В российских Service Desk для этих задач используются модели, которые могут работать как локально, так и с использованием внешних
Для поиска решений и быстрых ответов
ИИ помогает оператору находить ответы на запросы пользователей. Для этого он анализирует содержание обращения, а затем ищет релевантную информацию в источниках: базе знаний, истории ранее решенных заявок, внутренних регламентах и файлах в корпоративных системах. Оператор получает готовый ответ со ссылкой на источник. Остается только проверить и отправить пользователю.
Для корректной работы ИИ нужна накопленная обширная база знаний компании в виде вопросов и ответов. Чем больше в ней информации, тем больше вопросов сможет решить алгоритм.
В основе этой возможности лежит технология RAG (Retrieval-Augmented Generation). Она работает в два этапа:
- Векторный поиск в согласованных источниках, который понимает смысл запроса, а не просто ищет по ключевым словам. Технология исключает галлюцинации и неверные ответы.
- На основе найденной информации LLM формирует связный ответ на естественном языке, имитирующем стиль и логику человека.
Верификация ответов оператором гарантирует достоверность решений и исключает риск повторного открытия заявки.
Для фильтрации спама и нежелательного контента
ИИ помогает операторам не тратить время на заведомо бесполезные или некорректные обращения. Он автоматически обрабатывает входящие заявки и фильтрует те, которые не требуют участия специалиста.
Настройка исключит некорректные обращения
Алгоритм анализирует текст и выявляет:
- Спам. Модель классифицирует заявку как спам и перемещает в соответствующую папку. Операторы не видят такие обращения, что снимает лишнюю нагрузку.
- Обсценную лексику. Алгоритм выделяет в тексте нецензурные выражения.
В зависимости от настроек системы, такие слова могут быть скрыты, а заявка заблокирована и возвращена отправителю с просьбой переформулировать запрос. Это исключает оскорбительные высказывания в коммуникации.
Чтобы функция работала, дополнительных данных от компании не нужно.
Для отчетов и аналитики
Результат можно использовать для закрытия заявки, передачи информации руководителю и для аналитики.
Главное
- Автоматическая классификация обращений помогает сократить время обработки заявок. ИИ определяет категорию запроса и сразу направляет его нужному исполнителю.
- Структурирование описаний через ИИ снижает нагрузку на операторов первой линии. Алгоритм выделяет суть проблемы, убирает лишнюю информацию и при необходимости задает уточняющие вопросы. В результате специалист получает готовую к работе заявку.
- Интеллектуальный поиск по базе знаний и открытым источникам ускоряет решение типовых запросов. Оператор получает готовый ответ со ссылкой на источник, проверяет и отправляет пользователю.
- Автоматическая фильтрация исключает спам и некорректные обращения. Модель выявляет нежелательный контент и не допускает его в работу операторов.
- Оператору не нужно тратить время на отчетность —
ИИ-ассистент сам формирует итоговый отчет по решению.
Хотите узнать, какие задачи вашей службы поддержки можно решить с помощью ИИ? Оставьте заявку, и мы ответим на вопросы, а также покажем, как это работает в Naumen Service Desk.
