Get best of the week

Customer Service Automation: Eine End-to-End-Lösung von DeepPavlov

Heutzutage verwenden wir zunehmend Instant Messaging-Anwendungen (Facebook Messenger, WhatsApp, Telegramm usw.) und Geräte in Form von Sprachassistenten (Amazon Echo und Google Home usw.), die dazu beitragen, eine sofortige Antwort auf eine Anfrage zu erhalten. Moderne Unternehmen legen daher ein erhebliches Budget für die Entwicklung künstlicher Assistenten bereit, um ihren Benutzern bei Bedarf den besten Kundenservice zu bieten. In diesem Artikel werden wir beschreiben, wie wir die künstliche Intelligenz von DeepPavlov verwendet haben , um die Kundendienstfunktionen von Intersvyaz zu erweitern .



In der modernen Welt ist einer der entscheidenden Faktoren für die Arbeit und den Wohlstand eines Unternehmens ein starkes Vertrauensverhältnis zu den Kunden. Effektiver und qualitativ hochwertiger Kundenservice ist eine Schlüsselaufgabe, mit der wir das Kundenerlebnis analysieren und verbessern können. Der Wunsch, die Zusammenarbeit mit Kunden reaktionsschneller, intellektueller und universeller zu gestalten, wird sowohl von Managern, CIOs als auch von Marketing- und User Experience-Direktoren auf der ganzen Welt gleichermaßen berücksichtigt.

Während es eine große Auswahl an Standardprodukten gibt, mit denen Sie Services wie künstliche Assistenten erstellen können, müssen einige Unternehmen tiefer gehen und ihre eigenen Lösungen entwickeln, um ihre vorhandenen Kundensupport-Systeme zu verbessern. Zum Beispiel Hilfedienste, Dashboards, Web- und mobile Anwendungen für Kunden mit integrierter Chat-Oberfläche.

Ein solches Unternehmen ist Intersvyaz, ein russischer Internetdienstanbieter mit 1,5 Millionen aktiven Nutzern. Für Intersvyaz ist es keine triviale Aufgabe, Support-Services intelligenter zu machen und ihre Kosten zu senken, ohne die Servicequalität zu beeinträchtigen. Um dieses Problem zu lösen, begann das Unternehmen, die Conversational Intelligence-Technologie von DeepPavlov zu verwenden. Infolgedessen hat sich das Support-System durch die Einführung eines intelligenten Assistenten verbessert, der begann, mit Benutzern zu kommunizieren, Probleme mit dem technischen Support zu lösen und neue Anwendungen zu bearbeiten.

Als Ergebnis:

  • Das entwickelte System reduzierte die durchschnittliche Konsultationszeit und entlastete die Callcenter-Mitarbeiter, sodass sie komplexere Anfragen bearbeiten konnten.
  • 20% aller Anfragen werden jetzt ohne Teilnahme von Call-Center-Mitarbeitern gelöst.
  • Die entwickelte Lösung erreichte eine Genauigkeit von 85% beim Verständnis der natürlichen Sprache im Rahmen der im System eingebetteten Szenarien.

Über Intersvyaz


Intersvyaz ist ein russisches Telekommunikationsunternehmen mit 1,5 Millionen Nutzern in 20 Städten in ganz Russland. Das Unternehmen bietet seinen Kunden eine Internetverbindung sowie Netzwerkgeräte und -geräte. Der Kundendienst verarbeitet jeden Monat mehr als 100.000 Anrufe zu Chats und Sprachkanälen. Kunden kontaktieren den Support auch über eine vom Unternehmen bereitgestellte Anwendung.

Aufgrund der Art des Geschäfts des Internetproviders verfügt Intersvyaz über einen relativ großen Support-Service, der eine schnelle Reaktion und Bearbeitung auf Kundenanfragen ermöglicht. Im Gegenzug entschied sich das Unternehmen für die Verwendung von NLP-Tools (Natural Language Processing), um die Kosten für den technischen Support zu senken und gleichzeitig die Qualität der Selbstbedienung zu verbessern, indem es seinen Kunden einen intelligenten Assistenten zur Verfügung stellt - einen Chatbot, der sich auf die Kundeninteraktion konzentriert.

Ich habe viel über Chatbots gehört, aber was ist das?


Wofür ist ein Chatbot?


Chatbot ist eine auf künstlicher Intelligenz (KI) basierende Lösung, die über die Live-Chat-Oberfläche mit Menschen kommuniziert. Der Chatbot analysiert jede Client-Anfrage, vergleicht sie mit bekannten Szenarien und gibt, wenn er die richtige findet, eine schnelle Antwort. Während einige Chatbots einen relativ primitiven Phrasenabgleich mithilfe von Technologien wie regulären Ausdrücken verwenden, verlassen sich fortgeschrittenere auf Technologien für maschinelles Lernen (ML), um Kundenprobleme besser zu verstehen.

Wie funktionieren Chatbots?


Aus Sicht des Endbenutzers gibt das Unternehmen eine Antwort, nachdem ein Problem oder eine Frage per Telefon oder Chat an das Unternehmen gesendet wurde. Dann konzentriert sich dieser Dialog zwischen dem Benutzer und dem Unternehmen auf die Lösung der Bedürfnisse des Endbenutzers.

Aus technischer Sicht ist der Chatbot ein fokussiertes Dialogsystem, das die Anfrage des Benutzers analysiert, um das endgültige Ziel des Benutzers zu bestimmen (z. B. technische Probleme zu lösen, ein Produkt zu kaufen oder Empfehlungen für den Service zu erhalten) und es zu verarbeiten.

Die Rolle von Chat-Bots im Kundenservice


Chatbots sind sehr effektiv in Bezug auf Kundenzufriedenheit und Engagement. Der automatisierte Kundendienst bietet fortlaufenden 24-Stunden-Support für die schnelle Lösung von Anfragen über alle Kommunikationskanäle hinweg. Sofortiger Service ist entscheidend für den Erfolg des Unternehmens, und seine Automatisierung bietet den Vorteil, die Kommunikation zwischen dem Unternehmen und seinen Kunden zu personalisieren.

Ein zusätzlicher Vorteil für Unternehmen ist die Reduzierung der Betriebskosten von Call Centern. Durch die Bereitstellung von Chat-basierten Benutzerunterstützungsdiensten für seine Kunden erzielt das Unternehmen den maximalen Nutzen: Steigerung seiner Einnahmen durch Kundenbindung und Reduzierung der Call Center-Kosten.

Erstellen eines Chatbots in Intersvyaz




Hauptkommunikationskanäle


Intersvyaz hat zwei Arten von Benutzern, interne und externe, die die folgenden Mechanismen verwenden, um mit dem Unternehmen zu kommunizieren:

Kunden verwenden:

  • App
  • Web- und Mobile-Chat

Support-Mitarbeiter verwenden:

  • Technisches Support-System
  • Überwachungssysteme

Wenn ein Benutzer eine Anfrage über einen der oben genannten Kanäle sendet, wird er in ein Textformular konvertiert und dann an das Dialogsystem des Chat-Bots gesendet, das dann versucht, es mit einer der bekannten Absichten abzugleichen, wodurch das Ziel des Endbenutzers identifiziert wird.

Von der Anfrage zur Absicht


Für die korrekte Analyse und Bestimmung der Absicht des Endbenutzers verwendet der Intersvyaz-Chat-Bot die folgenden Algorithmen für maschinelles Lernen:

  • Textnormalisierung;
  • Morphologische Analyse;
  • semantische Ähnlichkeit;
  • Klassifizierung von Absichten;
  • Reichweite;
  • Anerkannte benannte Entitäten
  • Slots füllen.

Der Chatbot wandelt dann die identifizierte Absicht in einen Aufruf der internen Dienste um - Datenbanken oder andere Informationssysteme. Nach Erhalt des Ergebnisses bereitet das Dialogsystem die Antwort in einer natürlichen Sprache vor. Für den Fall, dass die ursprüngliche Anfrage des Benutzers nicht genügend Informationen enthält, startet der Chatbot einen Verfeinerungsdialog, um alle fehlenden Parameter für die Verarbeitung der Anfrage zu sammeln.

Fertige ML-Modelle


Die Open Source-Bibliothek von DeepPavlov bietet eine kostenlose und benutzerfreundliche Lösung zum Erstellen interaktiver Systeme. DeepPavlov enthält mehrere vorab geschulte Komponenten auf der Basis von TensorFlow und Keras zur Lösung spezifischer Probleme sowie Tools zur Feinabstimmung von Modellen.

Das Intersvyaz-Entwicklungsteam verwendete die folgenden Modelle, um eigene Lösungen für die russische Sprache zu erstellen:


* Sie können diese und andere Modelle in der Demoversion ausprobieren .

Eine leistungsstarke Kombination dieser Modelle ermöglicht es dem Chatbot, das Thema der Kundenanfrage zu bestimmen und dann schnell eine häufig gestellte Frage zu beantworten oder ein Problem zu lösen (z. B. über monatliche Ausgaben, warum die Internetverbindung nicht funktioniert usw.). Durch die Analyse der Stimmungen kann der Chatbot erkennen, ob die Support-Service-Betreiber des Unternehmens für diesen Benutzer zusätzliche Aufmerksamkeit benötigen.
Selbst mit vorgefertigten Modellen von DeepPavlov gelang es Intersvyaz, die Anzahl der ohne menschliches Eingreifen geschlossenen Anwendungen von 20% auf 40% zu erhöhen.

Dialogmanager


Die Entwickler von Intersvyaz haben eine Lösung entwickelt, die ihre Anforderungen vollständig erfüllt. Dabei wurden Feinabstimmungstools und die Fähigkeit der Bibliothek verwendet, ihre Modelle in Containern (Docker)



bereitzustellen : Die DeepPavlov-Bibliothek machte die Bereitstellung der Lösung nicht nur einfach, sondern wurde auch zu einem sehr praktischen Tool für den Start von Standard-A / B. -Tests, um die besten Modelle der Interaktionsszenarien des Unternehmens zwischen dem Bot und dem Benutzer zu ermitteln.

Der Hauptvorteil der Verwendung der DeepPavlov-Bibliothek als Dialogmanager ist ein deklarativer Ansatz zur Bestimmung, welche Modelle in welcher Reihenfolge in Konfigurationsdateien verwendet werden sollen. Dieser Ansatz ermöglichte es dem Unternehmen, nicht nur zu bestimmen, welche Komponenten zum Starten des Chatbots erforderlich sind, sondern auch Abhängigkeiten zu verfolgen und Möglichkeiten zum Herunterladen fehlender trainierter Modelle bereitzustellen.

Betrieb der ML-Infrastruktur


Zusätzlich zur DeepPavlov-Bibliothek verwendete das Unternehmen die folgenden Hilfsmechanismen, um seine ML-Infrastruktur aufzubauen und zu verwalten:

  • DVC - eine Reihe von Tools zum Teilen und Spielen von Modellen; wird zum Speichern und Erstellen von Versionen großer Trainings- und Zwischendatensätze verwendet.
  • MLFlow ist eine Open Source-Plattform zur Verwaltung des Lebenszyklus von ML-Modellen. wird verwendet, um Experimente zu verfolgen und Artefakte zu speichern.

Diese Technologien, kombiniert mit einem umfassenden Satz von Tools zum Trainieren und Bereitstellen von DeepPavlov-Modellen, machten es einfach, erfolgreiche ML-Modelle zu reproduzieren und wiederzuverwenden.

Eine End-to-End-Lösung zum Erstellen eines Chatbots


Das Erstellen eines Chatbots mit ML-Modellen erfordert mehrere Schlüsselkomponenten:

  • Bildung eines Datensatzes;
  • Modelltraining;
  • Versionskontrolle von Modellen;
  • Modellbereitstellung;
  • A / B-Experimentierplattform für ML-Modelle angepasst
  • Dialog Manager mit der Fähigkeit, verschiedene Modelle gemäß den Anforderungen von A / B-Tests flexibel zu starten;
  • Verständnis der Absicht.

Das Erstellen eines Datensatzes und die Versionskontrolle von ML-Modellen werden mit vorgefertigten Lösungen in Form von Open-Source-Bibliotheken wie DVC und ML Flow behandelt. Die DeepPavlov-Bibliothek bietet Unternehmen solche Möglichkeiten, angefangen beim Modelltraining bis hin zum Verständnis der Absichten und einem benutzerdefinierten Dialog für A / B-Tests über Dialog Manager.

Somit wurde der gesamte Prozess der Aktualisierung bestehender Modelle von einigen Monaten auf einige Tage reduziert. Infolgedessen widmeten die Ingenieure mehr Zeit wirklich komplexen Aufgaben: Analyse, Hypothesentest und Forschung.

Der nächste Schritt bei der Entwicklung des entwickelten Systems wird die weitere Automatisierung der Interaktion mit Kunden sein, indem die Anzahl der abgedeckten Szenarien erweitert, die Antworten des intelligenten Assistenten sowie die Absichten, die der Chat-Bot ohne Eingreifen des Bedieners verarbeiten kann, verbessert werden.

Fazit


Während die ersten Chat-Bots eine Kombination aus einfachen bedingten Ausdrücken und Textabgleich verwendeten, verwenden sie heute moderne Algorithmen für maschinelles Lernen, die eine Person in einer natürlichen Sprache verstehen und mit ihr kommunizieren können. Chatbots sind nicht länger nur ein zukünftiger Trend im Kundenservice. Sie sind bereits vorhanden und werden in realen Unternehmen zur Lösung spezifischer Probleme eingesetzt.

Das nächste Mal werden wir die technische Beschreibung dieses Falls teilen. Erkunden Sie in der Zwischenzeit DeepPavlov und vergessen Sie nicht, dass wir ein Forum haben. Stellen Sie Ihre Fragen zur Bibliothek und zu den Modellen. Vielen Dank für Ihre Aufmerksamkeit!



zusätzlich


Bei einem kürzlich abgehaltenen Treffen von Benutzern und Entwicklern der DeepPavlov-Bibliothek , das am 28. Februar stattfand, teilten die Intersvyaz-Vertreter Dmitry Botov und Stanislav Pituganov mit, wie NLP-Technologien im Contact Center des Anbieters eingesetzt werden. Sehen Sie sich das Video hier an .

More articles:


All Articles