👩🏾‍🚀 🆒 🥇 Automatisation du service client: une solution de bout en bout de DeepPavlov 👲🏼 📸 🧣

Aujourd'hui, nous utilisons de plus en plus des applications de messagerie instantanée (Facebook Messenger, WhatsApp, Telegram, etc.) et des appareils sous forme d'assistants vocaux (Amazon Echo et Google Home, etc.) qui permettent de recevoir une réponse instantanée à une demande. Par conséquent, les entreprises modernes disposent d'un budget important dans le développement d'assistants artificiels pour fournir à leurs utilisateurs le meilleur service client lorsque cela est nécessaire. Dans cet article, nous décrirons comment nous avons utilisé la technologie d'intelligence artificielle DeepPavlov pour étendre les capacités de service client d'Intersvyaz .

Dans le monde moderne, l'un des facteurs décisifs pour le travail et la prospérité d'une entreprise est de solides relations de confiance avec les clients. Un service client efficace et de haute qualité est une tâche clé qui nous permet d'analyser l'expérience client et de l'améliorer. Le désir de rendre le travail avec les clients plus réactif, intelligent et universel est un domaine d'attention égale pour les gestionnaires, les DSI et les directeurs du marketing et de l'expérience utilisateur du monde entier.

Bien qu'il existe une large sélection de produits standard qui vous permettent de créer des services tels que les assistants artificiels, certaines entreprises doivent aller plus loin et créer leurs propres solutions pour améliorer leurs systèmes de support client existants. Par exemple, des services d'aide, des tableaux de bord, des applications Web et mobiles pour les clients avec une interface de chat intégrée.

Une de ces sociétés est Intersvyaz, un fournisseur de services Internet russe avec 1,5 million d'utilisateurs actifs. Pour Intersvyaz, rendre les services d'assistance plus intelligents et réduire leurs coûts sans sacrifier la qualité de service n'est pas une tâche triviale. Pour résoudre ce problème, la société a commencé à utiliser la technologie d'intelligence conversationnelle de DeepPavlov. En conséquence, le système de support s'est amélioré grâce à l'introduction d'un assistant intelligent qui a commencé à communiquer avec les utilisateurs, à résoudre les problèmes de support technique et à traiter de nouvelles applications.

Par conséquent:

le système développé a réduit le temps moyen de consultation et allégé le fardeau des employés des centres d'appels, ce qui leur a permis de traiter des demandes plus complexes;
20% de toutes les demandes sont désormais résolues sans la participation des employés du centre d'appels;
la solution développée a atteint une précision de 85% dans la compréhension du langage naturel dans le cadre des scénarios intégrés au système.

À propos d'Intersvyaz

Intersvyaz est une entreprise de télécommunications russe qui compte 1,5 million d'utilisateurs dans 20 villes de Russie. L'entreprise offre à ses clients une connexion Internet, ainsi que des équipements et appareils réseau. Le service d'assistance à la clientèle traite plus de 100 000 appels vers les chats et les canaux vocaux chaque mois. Les clients contactent également le support via une application fournie par l'entreprise.

Compte tenu de la nature des activités du fournisseur Internet, Intersvyaz dispose d'un service d'assistance relativement important qui fournit une réponse et un traitement rapides aux demandes des clients. À son tour, l'entreprise a décidé d'utiliser des outils NLP (traitement du langage naturel) pour réduire les coûts de support technique et, en même temps, améliorer la qualité du libre-service en fournissant à ses clients un assistant intelligent - un chatbot axé sur l'interaction avec le client.

J'ai beaucoup entendu parler des chatbots, mais qu'est-ce que c'est?

À quoi sert un chatbot?

Chatbot est une solution basée sur l'intelligence artificielle (IA) qui communique avec les gens via l'interface de chat en direct. Le chatbot analyse chaque demande client, la compare avec les scénarios connus et, en trouvant la bonne, donne une réponse rapide. Alors que certains chatbots utilisent la correspondance de phrases relativement primitive à l'aide de technologies telles que les expressions régulières, les plus avancés s'appuient sur les technologies d'apprentissage automatique (ML) pour mieux comprendre les problèmes des clients.

Comment fonctionnent les chatbots?

Du point de vue de l'utilisateur final, après l'envoi d'un problème ou d'une question à l'entreprise, par téléphone ou chat, l'entreprise donne une réponse; ce dialogue entre l'utilisateur et l'entreprise se concentre alors sur la résolution des besoins de l'utilisateur final.

D'un point de vue technique, le chatbot est un système de dialogue ciblé qui analyse la demande de l'utilisateur afin de déterminer l'objectif ultime de l'utilisateur (par exemple, résoudre des problèmes techniques, acheter un produit ou recevoir des recommandations de service) et le traiter.

Le rôle des chat bots dans le service client

Les chatbots sont très efficaces en termes de satisfaction et d'engagement des clients. Le service client automatisé fournit un support continu 24h / 24 et 7j / 7 pour une résolution rapide des demandes sur tous les canaux de communication. Le service instantané est essentiel au succès de l'organisation et son automatisation offre l'avantage de personnaliser la communication entre l'entreprise et ses clients.

Un avantage supplémentaire pour les entreprises est la réduction des coûts d'exploitation des centres d'appels. En fournissant à ses clients des services d'assistance aux utilisateurs basés sur le chat, l'entreprise obtient le maximum d'avantages: augmenter ses revenus grâce à la fidélisation de la clientèle et réduire les coûts du centre d'appels.

Construire un chatbot à Intersvyaz

Principaux canaux de communication

Intersvyaz dispose de deux types d'utilisateurs, internes et externes, qui utilisent les mécanismes suivants pour communiquer avec l'entreprise:

Les clients utilisent:

Application mobile
Chat Web et mobile

Utilisation par le personnel de soutien:

Système de support technique
Systèmes de surveillance

Lorsqu'un utilisateur envoie une demande via l'un des canaux ci-dessus, il est converti sous forme de texte, puis envoyé au système de dialogue du chat bot, qui essaie ensuite de la faire correspondre à l'une des intentions connues, identifiant ainsi l'objectif de l'utilisateur final.

De la demande à l'intention

Pour l'analyse et la détermination correctes de l'intention de l'utilisateur final, le chat bot Intersvyaz utilise les algorithmes d'apprentissage automatique suivants:

normalisation du texte;
analyse morphologique;
similitude sémantique;
classification des intentions;
variant;
Entités nommées reconnues
remplissage des fentes.

Le chatbot convertit ensuite l'intention identifiée en appel vers les services internes - bases de données ou autres systèmes d'information. Ayant reçu le résultat, le système de dialogue prépare la réponse dans un langage naturel. Dans le cas où la demande initiale de l'utilisateur ne dispose pas de suffisamment d'informations, le chatbot lance une boîte de dialogue de raffinement pour collecter tous les paramètres manquants pour le traitement de la demande.

Modèles Ready ML

La bibliothèque open source de DeepPavlov propose une solution gratuite et facile à utiliser pour créer des systèmes interactifs. DeepPavlov est livré avec plusieurs composants pré-formés basés sur TensorFlow et Keras pour résoudre des problèmes spécifiques, et propose également des outils pour affiner les modèles.

L'équipe de développement d'Intersvyaz a utilisé les modèles suivants pour créer leurs propres solutions, en travaillant avec la langue russe:

classification des intentions - aide à déterminer les intentions de l'utilisateur;
analyse de la tonalité - aide à reconnaître la tonalité du texte (positif, neutre, négatif);
modélisation de sujet - aide à classer le sujet de la demande de l'utilisateur;
système de questions-réponses - aide à répondre à une réponse prédéterminée à une question connue.

* Vous pouvez essayer ces modèles et d'autres dans la version de démonstration .

Une puissante combinaison de ces modèles permet au chatbot de déterminer le sujet de la demande du client, puis de répondre rapidement à une question fréquemment posée ou de résoudre un problème (par exemple, concernant les dépenses mensuelles, pourquoi la connexion Internet ne fonctionne pas, etc.). L'analyse des humeurs permet au chatbot de reconnaître si une attention supplémentaire est requise de la part des opérateurs de service d'assistance de l'entreprise pour cet utilisateur.
Même avec des modèles pré-formés de DeepPavlov, Intersvyaz a réussi à augmenter le nombre d'applications fermées sans intervention humaine de 20% à 40%.

Gestionnaire de dialogue

Les développeurs d'Intersvyaz ont créé une solution qui couvre entièrement leurs besoins, en utilisant des outils de réglage fin et la capacité de la bibliothèque à fournir leurs modèles dans des conteneurs (Docker): la

bibliothèque DeepPavlov a non seulement facilité le déploiement de la solution, mais est également devenue un outil très pratique pour lancer la norme A / B -des tests pour déterminer les meilleurs modèles de scénarios d'interaction de l'entreprise entre le bot et l'utilisateur.

Le principal avantage de l'utilisation de la bibliothèque DeepPavlov comme gestionnaire de dialogue est une approche déclarative pour déterminer quels modèles doivent être utilisés et dans quel ordre, dans les fichiers de configuration. Cette approche a permis à l'entreprise non seulement de déterminer les composants requis pour lancer le chatbot, mais également de suivre les dépendances, ainsi que de fournir des moyens de télécharger les modèles formés manquants.

Exploitation de l'infrastructure ML

En plus de la bibliothèque DeepPavlov, la société a utilisé les mécanismes auxiliaires suivants pour former et gérer son infrastructure ML:

DVC - un ensemble d'outils créés pour partager et jouer des modèles; utilisé pour stocker et créer des versions de grands ensembles de données de formation et intermédiaires,
MLFlow est une plateforme open source utilisée pour gérer le cycle de vie des modèles ML; utilisé pour suivre les expériences et stocker les artefacts.

Ces technologies, combinées à un ensemble complet d'outils de formation et de déploiement de modèles DeepPavlov, ont facilité la reproduction et la réutilisation de modèles ML réussis.

Une solution de bout en bout pour construire un chatbot

La création d'un chatbot à l'aide de modèles ML nécessite plusieurs composants clés:

formation d'un ensemble de données;
formation de modèle;
contrôle de version des modèles;
déploiement de modèles;
Plateforme d'expérimentation A / B adaptée aux modèles ML
Dialog Manager avec la possibilité de lancer de manière flexible divers modèles conformément aux exigences des tests A / B;
compréhension de l'intention.

La création d'un ensemble de données et le contrôle de version des modèles ML sont couverts à l'aide de solutions prêtes à l'emploi sous la forme de bibliothèques open source telles que DVC et ML Flow. La bibliothèque DeepPavlov offre aux entreprises de telles opportunités, en commençant par la formation sur les modèles et en terminant par la compréhension des intentions et un dialogue personnalisé pour les tests A / B via Dialog Manager.

Ainsi, le processus complet de mise à jour des modèles existants est passé de quelques mois à quelques jours. En conséquence, les ingénieurs ont commencé à consacrer plus de temps à des tâches vraiment complexes: analyse, test d'hypothèse et recherche.

La prochaine étape dans le développement du système développé sera l'automatisation de l'interaction avec les clients en augmentant le nombre de scénarios couverts, en améliorant les réponses de l'assistant intelligent, ainsi que les intentions que le bot de chat peut traiter sans l'intervention de l'opérateur.

Conclusion

Alors que les premiers robots de chat utilisaient une combinaison d'expressions conditionnelles simples et de correspondance de texte, ils utilisent aujourd'hui des algorithmes d'apprentissage automatique modernes capables de comprendre et de communiquer avec une personne dans un langage naturel. Les chatbots ne sont plus seulement une tendance future du service client; ils sont déjà là et sont utilisés dans de vraies entreprises pour résoudre des problèmes spécifiques.

La prochaine fois, nous partagerons la description technique de cette affaire. En attendant, commencez à explorer DeepPavlov et n'oubliez pas que nous avons un forum - posez vos questions concernant la bibliothèque et les modèles. Merci pour l'attention!

aditionellement

Lors d'une récente réunion d'utilisateurs et de développeurs de la bibliothèque DeepPavlov , qui s'est tenue le 28 février, les représentants d'Intersvyaz Dmitry Botov et Stanislav Pituganov ont partagé comment les technologies NLP sont utilisées dans le centre de contact du fournisseur. Regardez la vidéo ici .

Automatisation du service client: une solution de bout en bout de DeepPavlov