Get best of the week

Automatización de servicio al cliente: una solución integral de DeepPavlov

Hoy en día, estamos utilizando cada vez más aplicaciones de mensajería instantánea (Facebook Messenger, WhatsApp, Telegram, etc.) y dispositivos en forma de asistentes de voz (Amazon Echo y Google Home, etc.) que ayudan a recibir una respuesta instantánea a una solicitud. Por lo tanto, las empresas modernas tienen un presupuesto significativo en el desarrollo de asistentes artificiales para proporcionar a sus usuarios el mejor servicio al cliente cuando sea necesario. En este artículo, describiremos cómo usamos la tecnología de inteligencia artificial DeepPavlov para expandir las capacidades de servicio al cliente de Intersvyaz .



En el mundo moderno, uno de los factores decisivos para el trabajo y la prosperidad de una empresa son las fuertes relaciones de confianza con los clientes. Un servicio al cliente efectivo y de alta calidad es una tarea clave que nos permite analizar la experiencia del cliente y mejorarla. El deseo de hacer que el trabajo con los clientes sea más receptivo, inteligente y universal es un área de igual atención para los gerentes, los CIO y los directores de marketing y experiencia de usuario de todo el mundo.

Si bien existe una amplia selección de productos listos para usar que le permiten crear servicios como asistentes artificiales, algunas empresas necesitan profundizar y crear sus propias soluciones para mejorar sus sistemas de soporte al cliente existentes. Por ejemplo, servicios de ayuda, paneles, aplicaciones web y móviles para clientes con una interfaz de chat integrada.

Una de esas compañías es Intersvyaz, un proveedor de servicios de Internet ruso con 1.5 millones de usuarios activos. Para Intersvyaz, hacer que los servicios de soporte sean más inteligentes y reducir sus costos sin sacrificar la calidad del servicio no es una tarea trivial. Para resolver este problema, la compañía comenzó a usar la tecnología de inteligencia conversacional de DeepPavlov. Como resultado, el sistema de soporte ha mejorado debido a la introducción de un asistente inteligente que comenzó a comunicarse con los usuarios, resolver problemas de soporte técnico y procesar nuevas aplicaciones.

Como resultado:

  • el sistema desarrollado redujo el tiempo promedio de consulta y alivió la carga de trabajo de los empleados del centro de llamadas, como resultado, pudieron atender solicitudes más complejas;
  • El 20% de todas las solicitudes ahora se resuelven sin la participación de los empleados del centro de llamadas;
  • La solución desarrollada alcanzó un 85% de precisión en la comprensión del lenguaje natural dentro del marco de los escenarios integrados en el sistema.

Sobre Intersvyaz


Intersvyaz es una compañía de telecomunicaciones rusa que tiene 1,5 millones de usuarios en 20 ciudades de toda Rusia. La compañía ofrece a sus clientes una conexión a Internet, así como equipos y dispositivos de red. El servicio de atención al cliente procesa más de 100 mil llamadas a chats y canales de voz cada mes. Los clientes también se ponen en contacto con el soporte a través de una aplicación proporcionada por la empresa.

Dada la naturaleza del negocio del proveedor de Internet, Intersvyaz tiene un servicio de soporte relativamente grande que proporciona una respuesta y un procesamiento rápidos a las solicitudes de los clientes. A su vez, la compañía decidió usar herramientas de procesamiento de lenguaje natural (NLP) para reducir los costos de soporte técnico y, al mismo tiempo, mejorar la calidad del autoservicio al proporcionar a sus clientes un asistente inteligente, un chatbot enfocado en la interacción con el cliente.

Escuché mucho sobre Chatbots, pero ¿qué es?


¿Para qué sirve un chatbot?


Chatbot es una solución basada en inteligencia artificial (IA) que se comunica con las personas a través de la interfaz de chat en vivo. El chatbot analiza cada solicitud del cliente, la compara con escenarios conocidos y, al encontrar la correcta, da una respuesta rápida. Mientras que algunos chatbots usan frases relativamente primitivas utilizando tecnologías como expresiones regulares, las más avanzadas se basan en tecnologías de aprendizaje automático (ML) para comprender mejor los problemas de los clientes.

¿Cómo funcionan los chatbots?


Desde el punto de vista del usuario final, después de que se haya enviado un problema o pregunta a la compañía, por teléfono o chat, la compañía da una respuesta; entonces este diálogo entre el usuario y la empresa se centra en resolver las necesidades del usuario final.

Desde un punto de vista técnico, el chatbot es un sistema de diálogo enfocado que analiza la solicitud del usuario para determinar el objetivo final del usuario (por ejemplo, resolver problemas técnicos, comprar un producto o recibir recomendaciones de servicio) y procesarlo.

El papel de los bots de chat en el servicio al cliente


Los chatbots son muy efectivos en términos de satisfacción del cliente y compromiso. El servicio al cliente automatizado brinda soporte continuo las 24 horas, los 7 días de la semana para una resolución rápida de solicitudes en todos los canales de comunicación. El servicio instantáneo es fundamental para el éxito de la organización, y su automatización ofrece la ventaja de personalizar la comunicación entre la empresa y sus clientes.

Un beneficio adicional para las empresas es la reducción de los costos operativos de los centros de llamadas. Al proporcionar servicios de soporte de usuario basados ​​en chat a sus clientes, la compañía obtiene el máximo beneficio: aumentar sus ingresos al retener a los clientes y reducir los costos del centro de llamadas.

Construyendo un chatbot en Intersvyaz




Principales canales de comunicación


Intersvyaz tiene dos tipos de usuarios, internos y externos, que utilizan los siguientes mecanismos para comunicarse con la empresa:

Uso de los clientes:

  • Aplicación movil
  • Chat web y móvil

Uso del personal de soporte:

  • Sistema de soporte técnico
  • Sistemas de monitoreo

Cuando un usuario envía una solicitud a través de cualquiera de los canales anteriores, se convierte a un formulario de texto y luego se envía al sistema de diálogo del bot de chat, que luego intenta hacer coincidirlo con una de las intenciones conocidas, identificando así el objetivo del usuario final.

De solicitud a intención


Para el correcto análisis y determinación de la intención del usuario final, el bot de chat Intersvyaz utiliza los siguientes algoritmos de aprendizaje automático:

  • normalización de texto;
  • Análisis morfológico;
  • similitud semántica;
  • clasificación de intenciones;
  • rango
  • Entidades nombradas reconocidas
  • ranuras de llenado

El chatbot luego convierte la intención identificada en una llamada a los servicios internos: bases de datos u otros sistemas de información. Una vez recibido el resultado, el sistema de diálogo prepara la respuesta en un lenguaje natural. En el caso de que la solicitud inicial del usuario no tenga suficiente información, el bot de chat inicia un diálogo de refinamiento para recopilar todos los parámetros que faltan para procesar la solicitud.

Modelos ML listos


La biblioteca de código abierto de DeepPavlov tiene una solución gratuita y fácil de usar para construir sistemas interactivos. DeepPavlov viene con varios componentes pre-entrenados basados ​​en TensorFlow y Keras para resolver problemas específicos, y también ofrece herramientas para ajustar modelos.

El equipo de desarrollo de Intersvyaz utilizó los siguientes modelos para crear sus propias soluciones, trabajando con el idioma ruso:


* Puede probar estos y otros modelos en la versión demo .

Una combinación poderosa de estos modelos permite al chatbot determinar el tema de la solicitud del cliente y luego responder rápidamente una pregunta frecuente o resolver un problema (por ejemplo, sobre los gastos mensuales, por qué la conexión a Internet no funciona, etc.). El análisis de estados de ánimo permite al chatbot reconocer si se requiere atención adicional de los operadores de servicios de soporte de la compañía para este usuario.
Incluso con modelos pre-entrenados de DeepPavlov, Intersvyaz logró aumentar el número de aplicaciones cerradas sin intervención humana del 20% al 40%.

Gerente de diálogo


Los desarrolladores de Intersvyaz crearon una solución que cubre completamente sus necesidades, utilizando herramientas de ajuste fino y la capacidad de la biblioteca para proporcionar sus modelos en contenedores (Docker): la



biblioteca DeepPavlov no solo facilitó la implementación de la solución, sino que también se convirtió en una herramienta muy conveniente para lanzar el estándar A / B -prueba para determinar los mejores modelos de los escenarios de interacción de la empresa entre el bot y el usuario.

La principal ventaja de usar la biblioteca DeepPavlov como administrador de diálogo es un enfoque declarativo para determinar qué modelos deben usarse y en qué orden, en los archivos de configuración. Este enfoque permitió a la compañía no solo determinar qué componentes se requieren para lanzar el chatbot, sino también rastrear las dependencias, así como proporcionar formas de descargar los modelos entrenados que faltan.

Operando Infraestructura ML


Además de la biblioteca DeepPavlov, la compañía utilizó los siguientes mecanismos auxiliares para formar y administrar su infraestructura de ML:

  • DVC : un conjunto de herramientas creadas para compartir y reproducir modelos; se usa para almacenar y crear versiones de entrenamiento grande y conjuntos de datos intermedios,
  • MLFlow es una plataforma de código abierto utilizada para administrar el ciclo de vida de los modelos de ML; Se utiliza para rastrear experimentos y almacenar artefactos.

Estas tecnologías, combinadas con un conjunto integral de herramientas para la capacitación y la implementación de modelos DeepPavlov, facilitaron la reproducción y reutilización de modelos ML exitosos.

Una solución integral para construir un chatbot


Crear un chatbot usando modelos ML requiere varios componentes clave:

  • formación de un conjunto de datos;
  • entrenamiento modelo;
  • control de versiones de modelos;
  • despliegue de modelo;
  • Plataforma experimental A / B adaptada para modelos ML
  • Dialog Manager con la capacidad de lanzar de manera flexible varios modelos de acuerdo con los requisitos de las pruebas A / B;
  • Comprensión de la intención.

La creación de un conjunto de datos y el control de versiones de los modelos ML se cubren con soluciones preparadas en forma de bibliotecas de código abierto como DVC y ML Flow. La biblioteca DeepPavlov brinda a las empresas tales oportunidades, comenzando con la capacitación en modelos y terminando con la comprensión de las intenciones y un diálogo personalizado para las pruebas A / B a través del Administrador de Diálogos.

Por lo tanto, el proceso completo de actualización de los modelos existentes se redujo de unos pocos meses a un par de días. Como resultado, los ingenieros comenzaron a dedicar más tiempo a tareas realmente complejas: análisis, pruebas de hipótesis e investigación.

El siguiente paso en el desarrollo del sistema desarrollado será una mayor automatización de la interacción con los clientes al expandir el número de escenarios cubiertos, mejorar las respuestas del asistente inteligente, así como las intenciones que el robot de chat puede procesar sin la intervención del operador.

Conclusión


Mientras que los primeros bots de chat usaron una combinación de expresiones condicionales simples y coincidencia de texto, hoy usan algoritmos modernos de aprendizaje automático que pueden entender y comunicarse con una persona en un lenguaje natural. Los chatbots ya no son solo una tendencia futura en el servicio al cliente; ya están aquí y se utilizan en empresas reales para resolver problemas específicos.

La próxima vez compartiremos la descripción técnica de este caso. Mientras tanto, comience a explorar DeepPavlov y no olvide que tenemos un foro : haga sus preguntas sobre la biblioteca y los modelos. ¡Gracias por la atención!



Adicionalmente


En una reunión reciente de usuarios y desarrolladores de la biblioteca DeepPavlov , que se celebró el 28 de febrero, los representantes de Intersvyaz, Dmitry Botov y Stanislav Pituganov, compartieron cómo se utilizan las tecnologías de PNL en el centro de contacto del proveedor. Mira el video aquí .

More articles:


All Articles