Компания, разрабатывающая сервис электронного кадрового документооборота, обратилась в MTS AI, чтобы повысить эффективность службы поддержки и автоматизировать коммуникацию с клиентами с помощью чат-бота. Рассказываем, почему для решения этой задачи мы использовали большую языковую модель Cotype (ранее MTS AI Chat).
Как чат-боты помогают операторам
Многие банки, ритейлеры, телеком-операторы и другие компании, чья работа тесно связана с общением с клиентами, активно используют чат-ботов для автоматизации коммуникаций. С их помощью бизнес может снять значительную часть нагрузки на операторов колл-центра. Виртуальные ассистенты могут консультировать по продуктам и услугам, принимать заказы и оказывать техническую поддержку, тем самым решая значительную часть рутинных задач. Кроме того, чат-боты могут самостоятельно информировать клиентов, например, о новых маркетинговых предложениях. Таким образом боты могут освободить время операторов колл-центра для решения более тяжелых задач, требующих активного вовлечения сотрудника компании.
По оценкам аналитического агентства MarketsandMarkets, мировой объем рынка чат-ботов в 2022 году достиг $4,7 млрд, а уже к 2028 году он должен вырасти до $15,5 млрд. Такие темпы роста эксперты обосновывают активным внедрением генеративных технологий, благодаря которым чат-боты лучше понимают запросы пользователей и способны давать более содержательные ответы. В частности, виртуальные ассистенты на базе нейросетей могут предоставить персонализированные ответы для каждого клиента, в то время как традиционный бот всегда следует скрипту. Аналитики McKinsey считают, что использование генеративного ИИ позволит сократить долю “живого” общения операторов с клиентами до 50%.
Решение от MTS AI
В отличие от традиционных кейсов внедрения чат-бота, в этом случае для автоматизации службы поддержки специалисты MTS AI использовали генеративную нейросеть. Разработчики создали гибридную систему, которая использует как информацию из чатов, так и данные из базы знаний клиента. В ней содержались несистематизированные ответы операторов службы поддержки и рекомендации, подготовленные специалистами компании.
Важно отметить, что специалисты MTS AI не обучали большую языковую модель конкретным фактам напрямую. LLM пользовалась информацией, хранившейся в отдельном индексе, или специальной структурированной базе данных, и это позволяло ей формулировать полные и правильные ответы.
Заказчик передал специалистам MTS AI историю обращений клиентов в службу поддержки по телефону и через чат с оператором. Генеративную нейросеть обучили находить ответы на похожие вопросы в индексе.
Теперь при обращении в службу поддержки языковая модель подбирает наиболее подходящий ответ. Если в истории обращений не было похожий ситуаций, или рекомендация чат-бота не сработала, он подключит к коммуникации оператора службы поддержки или найдет информацию в своей базе знаний.
В условиях ограниченного набора данных использование генеративного ИИ может быть необходимо. Большая языковая модель обладает достаточным количеством знаний о мире, ее не нужно дополнительно обучать умению общаться на естественном языке. Однако для улучшения качества работы ее можно настроить под домен и особенности вопросов и ответов, поступающих заказчику. Таким образом компания может автоматизировать коммуникации без должного объема данных или прописанных скриптов.
Бизнес-эффекты от использования генеративного ИИ
По оценкам MTS AI, внедрение чат-ботов на базе генеративного ИИ или добавления LLM в существующие решения, повышает производительность отдела обслуживания клиентов на 30-45%, а также удовлетворенность клиентов от использования продуктов и сервисов. Кроме того, интеграция генеративных нейросетей может обеспечить рост продаж на 3-5%. Также интеграция чат-бота снижает количество обращений к операторам службы поддержки, уменьшает нагрузку на контакт-центр, повышает скорость ответа и мотивирует клиентов чаще пользоваться цифровыми услугами.
В перспективе заказчик может использовать Cotype для более активного взаимодействия с клиентом – например, генеративная нейросеть способна подготовить тексты писем для информирования о важных обновлениях в сервисе или продукте, для составления отчетов о наиболее часто встречающихся проблемах пользователей или для поиска неструктурированной информации. Cotype обучена извлекать и находить любые данные, поэтому адаптировать её под домен пользователя проще и дешевле, чем обучать традиционную ML-модель с нуля.
