Защо роботите в кол центровете ни разочароват?

През 2022 г. 70% от всички комуникации с клиенти в обслужването ще се осъществяват с помощта на изкуствен интелект, показват прогнозите на Gartner. Днес нивото на гласови и писмени цифрови асистенти ви позволява да обработвате 60% от обажданията без човешка намеса. Все повече банки, телеком оператори и други обслужващи организации ги използват за обработка на входящи заявки. Не всеки обаче успява да доведе до съвършенство подобни комуникации, пише в обзорна статия ТАСС. 

Наскоро се обадих в банка, за да разбера дали е възможно да се открие посредническа сметка на непълнолетно дете, пише авторът на статията и описва затрудненията, които среща, докато обясни на робота, че не му трябва нито обикновен акаунт, нито детска карта, преди машината да го прехвърли на оператор.

Много потребители по същество не искат да общуват с цифров асистент и незабавно искат да прехвърлят обаждането към оператор. Причината е, че можете да получите ясен отговор от робота само на много прост, стандартен въпрос.  Трудности възникват също, когато човек говори бързо и емоционално, защото изкуственият интелект е настроен на спокойна и бавна реч, кратки и разбираеми въпроси. Това се отразява негативно на изживяването на клиентите, решаването на проблема се забавя и в резултат на това лоялността на клиентите намалява.

Гласовите ботове са софтуер с изкуствен интелект (AI), който може да разбира естествения език и да синтезира реч, за да комуникира с хората. Самият AI няма воля, няма абстрактно мислене, няма желание да говори. Той симулира комуникация и, за да отговори на въпрос, трябва да получи входящ сигнал, да идентифицира ключови думи в човешката реч, да анализира хиляди случаи от заявки на клиенти и отговори на компанията, да намери съвпадения и да избере правилния сценарий за отговор. За това чатботът трябва да бъде правилно обучен.

Има три компонента на обучението:

• Данни - Основна информация, с която ще работи системата. Базата от знания за чатбот се създава въз основа на клиентския опит. Колкото повече клиентски заявки заредим в системата, толкова по-добре и по-точно ще работи.
• Знаци за маркиране на данни и формиране на набори от данни - Необходимо е не само да съберете възможно най-много заявки, но и да го научите да ги сортира по предварително формулирани критерии. 
• Алгоритми - Методи за решаване на проблема. Те трябва да бъдат точни и променливи в същото време. Така например някои чат ботове са програмирани да търсят отговор сами и да не прехвърлят абоната към оператора. И някои искат да ги оценят, и ако в този момент потребителят има нов въпрос, тогава няма да могат да отговорят, ще трябва да се обадят отново.

Има два метода за събиране и маркиране на данни за тази цел: ръчен и автоматичен. Отнема много време, за да го направите ръчно, но резултатът е по-точен. Автоматичният метод е бърз, но в крайна сметка можете да получите не само много грешки, но и рискове за репутацията. Невронната мрежа изолира модели и формира невронни връзки въз основа на маркиран масив от данни. Маркирането е доста рутинен и досаден процес и тук също не можете без хора. Колкото повече проверки преминава наборът от данни, толкова по-точно ще работи изкуственият интелект впоследствие, и толкова по-ефективно чатботът ще може да обработва заявките на клиентите.

Когато чатботът започне да работи, обучението му не свършва. За да коригирате грешките, трябва да анализирате обратната връзка, да изберете ситуации, в които цифровият асистент не може да се справи, и да коригирате грешки в невронната мрежа - да добавите нови набори от данни и да напишете нови скриптове. 

Авторът на статията посочва два от добрите примери за качествено обучение и ефективно използване на изкуствения интелект. Първият от тях е на Tesla, която работи за подобряване на механизма за автопилот на своите автомобили. За да тренира невронната мрежа, автомобилният производител използва милиарди сцени, милиони часове, хиляди терабайти информация, получена от радарите на автомобилите. Това са "отливки" на конкретни ситуации, възникващи на пътя. Анализирайки получените данни, системата прави прогнози: къде да завъртите волана, да натиснете газта или спирачката и т.н. Разбира се, процесът е автоматизиран, но истинското маркиране се извършва с човешко участие. Когато човек се качи зад волана, действията му се записват внимателно. Въз основа на получената информация се формират набори от данни, които се използват за обучение на мрежата. Анализът на данните, идващи от машините на потребителя, ни позволява непрекъснато да подобряваме работата на невронната мрежа и да подобряваме автопилота.

Вторият добър пример е на Google преводач. Първоначално компанията заобиколила ограничението за ръчно маркиране на набор от данни, като използвала официални документи и техните преводи от Европейския парламент и Парламентарната асамблея на ООН. Но още на втория етап разработчиците осъзнали, че за предаване на жаргон, културни характеристики на речта и други семантични нюанси, ръчното маркиране на данни е необходимо. За да направят това, чрез аутсорсинг компании, те събрали изпълнители, които работели върху маркирането на набори от данни, за да подобряват постоянно преводите. 

Източник: ТАСС