✊🏼 🤳🏿 🌧️ Otomasi Layanan Pelanggan: Solusi ujung ke ujung dari DeepPavlov 👩🏾‍🤝‍👨🏼 🤛🏿 ☯️

Saat ini, kami semakin menggunakan aplikasi pengiriman pesan instan (Facebook Messenger, WhatsApp, Telegram, dll.) Dan perangkat dalam bentuk asisten suara (Amazon Echo dan Google Home, dll.) Yang membantu untuk menerima tanggapan instan terhadap permintaan. Oleh karena itu, perusahaan modern meletakkan anggaran yang signifikan dalam pengembangan asisten buatan untuk menyediakan penggunanya dengan layanan pelanggan terbaik bila diperlukan. Dalam artikel ini, kami akan menjelaskan bagaimana kami menggunakan teknologi intelijen buatan DeepPavlov untuk memperluas kemampuan layanan pelanggan Intersvyaz .

Di dunia modern, salah satu faktor penentu untuk pekerjaan dan kemakmuran perusahaan adalah hubungan kepercayaan yang kuat dengan pelanggan. Layanan pelanggan yang efektif dan berkualitas tinggi adalah tugas utama yang memungkinkan kami untuk menganalisis pengalaman pelanggan dan meningkatkannya. Keinginan untuk membuat pekerjaan dengan klien lebih responsif, cerdas, dan universal adalah bidang perhatian yang sama bagi manajer, CIO, dan direktur pemasaran dan pengalaman pengguna di seluruh dunia.

Meskipun ada banyak pilihan produk yang tersedia yang memungkinkan Anda untuk membuat layanan seperti asisten buatan, beberapa perusahaan perlu melangkah lebih dalam dan menciptakan solusi sendiri untuk meningkatkan sistem dukungan pelanggan yang ada. Misalnya, layanan bantuan, dasbor, aplikasi web dan seluler untuk klien dengan antarmuka obrolan terintegrasi.

Salah satu perusahaan tersebut adalah Intersvyaz, penyedia layanan Internet Rusia dengan 1,5 juta pengguna aktif. Bagi Intersvyaz untuk membuat layanan dukungan lebih cerdas dan mengurangi biaya mereka tanpa mengorbankan kualitas layanan bukanlah tugas yang sepele. Untuk mengatasi masalah ini, perusahaan mulai menggunakan teknologi intelijen percakapan dari DeepPavlov. Akibatnya, sistem dukungan telah meningkat karena pengenalan asisten cerdas yang mulai berkomunikasi dengan pengguna, menyelesaikan masalah dukungan teknis dan memproses aplikasi baru.

Hasil dari:

sistem yang dikembangkan mengurangi waktu konsultasi rata-rata dan meringankan beban karyawan call center, sebagai akibatnya, mereka dapat menangani permintaan yang lebih kompleks;
20% dari semua permintaan sekarang diselesaikan tanpa partisipasi karyawan call center;
solusi yang dikembangkan mencapai akurasi 85% dalam memahami bahasa alami dalam kerangka skenario yang tertanam dalam sistem.

Tentang Intersvyaz

Intersvyaz adalah perusahaan telekomunikasi Rusia yang memiliki 1,5 juta pengguna di 20 kota di seluruh Rusia. Perusahaan menawarkan koneksi Internet kepada pelanggannya, serta peralatan dan perangkat jaringan. Layanan dukungan pelanggan memproses lebih dari 100 ribu panggilan ke obrolan dan saluran suara setiap bulan. Pelanggan juga menghubungi dukungan melalui aplikasi yang disediakan oleh perusahaan.

Mengingat sifat bisnis penyedia Internet, Intersvyaz memiliki layanan dukungan yang relatif besar yang menyediakan respons dan pemrosesan cepat terhadap permintaan pelanggan. Pada gilirannya, perusahaan memutuskan untuk menggunakan alat NLP (pemrosesan bahasa alami) untuk mengurangi biaya dukungan teknis dan, pada saat yang sama, meningkatkan kualitas swalayan dengan menyediakan pelanggan dengan asisten cerdas - obrolan yang berfokus pada interaksi pelanggan.

Saya mendengar banyak tentang Chatbots, tetapi apa itu?

Untuk apa chatbot?

Chatbot adalah solusi berbasis kecerdasan buatan (AI) yang berkomunikasi dengan orang-orang melalui antarmuka live chat. Chatbot menganalisis setiap permintaan klien, membandingkannya dengan skenario yang diketahui dan, menemukan yang tepat, memberikan respons cepat. Sementara beberapa chatbots menggunakan pencocokan frasa yang relatif primitif menggunakan teknologi seperti ekspresi reguler, yang lebih maju mengandalkan teknologi machine learning (ML) untuk lebih memahami masalah pelanggan.

Bagaimana cara kerja chatbots?

Dari sudut pandang pengguna akhir, setelah masalah atau pertanyaan dikirim ke perusahaan, melalui telepon atau obrolan, perusahaan memberikan jawaban; maka dialog antara pengguna dan perusahaan ini difokuskan pada penyelesaian kebutuhan pengguna akhir.

Dari sudut pandang teknis, chatbot adalah sistem dialog terfokus yang menganalisis permintaan pengguna untuk menentukan tujuan akhir pengguna (misalnya, memecahkan masalah teknis, membeli produk atau menerima rekomendasi layanan) dan memprosesnya.

Peran bot obrolan dalam layanan pelanggan

Chatbots sangat efektif dalam hal kepuasan dan keterlibatan pelanggan. Layanan pelanggan otomatis memberikan dukungan 24/7 yang berkelanjutan untuk resolusi permintaan yang cepat di semua saluran komunikasi. Layanan instan sangat penting untuk keberhasilan organisasi, dan otomasinya menawarkan keuntungan dari personalisasi komunikasi antara perusahaan dan pelanggannya.

Manfaat tambahan bagi perusahaan adalah pengurangan biaya operasi pusat panggilan. Dengan menyediakan layanan dukungan pengguna berbasis obrolan kepada pelanggannya, perusahaan memperoleh manfaat maksimal: meningkatkan pendapatan melalui retensi pelanggan dan mengurangi biaya pusat panggilan.

Membangun chatbot di Intersvyaz

Saluran komunikasi utama

Intersvyaz memiliki dua jenis pengguna, internal dan eksternal, yang menggunakan mekanisme berikut untuk berkomunikasi dengan perusahaan:

Klien menggunakan:

Aplikasi seluler
Obrolan web dan seluler

Penggunaan staf pendukung:

Sistem dukungan teknis
Sistem pemantauan

Ketika pengguna mengirimkan permintaan melalui salah satu saluran di atas, ia dikonversi ke bentuk teks dan kemudian dikirim ke sistem dialog bot obrolan, yang kemudian mencoba mencocokkannya dengan salah satu niat yang diketahui, dengan demikian mengidentifikasi tujuan pengguna akhir.

Dari permintaan hingga niat

Untuk analisis dan penentuan niat pengguna yang benar, bot obrolan Intersvyaz menggunakan algoritma pembelajaran mesin berikut ini:

normalisasi teks;
analisis morfologis;
kesamaan semantik;
klasifikasi niat;
mulai;
Entitas bernama yang diakui
mengisi slot.

Chatbot kemudian mengubah maksud yang teridentifikasi menjadi panggilan ke layanan internal - basis data atau sistem informasi lainnya. Setelah menerima hasilnya, sistem dialog menyiapkan jawaban dalam bahasa alami. Jika permintaan awal pengguna tidak memiliki informasi yang cukup, chatbot meluncurkan dialog perbaikan untuk mengumpulkan semua parameter yang hilang untuk memproses permintaan.

Model ML siap

Pustaka sumber terbuka DeepPavlov memiliki solusi gratis dan mudah digunakan untuk membangun sistem interaktif. DeepPavlov hadir dengan beberapa komponen pra-dilatih berdasarkan TensorFlow dan Keras untuk menyelesaikan masalah tertentu, dan juga menawarkan alat untuk model fine-tuning.

Tim pengembangan Intersvyaz menggunakan model-model berikut untuk membuat solusi mereka sendiri, bekerja dengan bahasa Rusia:

klasifikasi niat - membantu untuk menentukan niat pengguna;
analisis nada suara - membantu mengenali nada suara teks (positif, netral, negatif);
pemodelan topik - membantu untuk mengklasifikasikan topik permintaan pengguna;
sistem tanya jawab - membantu menjawab jawaban yang telah ditentukan untuk pertanyaan yang diketahui.

* Anda dapat mencoba ini dan model lain di versi demo .

Kombinasi yang kuat dari model-model ini memungkinkan chatbot untuk menentukan topik permintaan klien, dan kemudian dengan cepat menjawab pertanyaan yang sering diajukan atau menyelesaikan masalah (misalnya, tentang pengeluaran bulanan, mengapa koneksi internet tidak berfungsi, dll.). Analisis mood memungkinkan chatbot mengenali apakah diperlukan perhatian tambahan dari operator layanan dukungan perusahaan untuk pengguna ini.
Bahkan dengan model pra-terlatih dari DeepPavlov, Intersvyaz berhasil meningkatkan jumlah aplikasi yang ditutup tanpa campur tangan manusia dari 20% menjadi 40%.

Manajer dialog

Pengembang Intersvyaz menciptakan solusi yang sepenuhnya memenuhi kebutuhan mereka, menggunakan alat fine-tuning dan kemampuan perpustakaan untuk menyediakan model mereka dalam wadah (Docker):

Perpustakaan DeepPavlov tidak hanya membuatnya mudah untuk menyebarkan solusi, tetapi juga menjadi alat yang sangat nyaman untuk meluncurkan standar A / B -menguji untuk menentukan model terbaik dari skenario interaksi perusahaan antara bot dan pengguna.

Keuntungan utama menggunakan perpustakaan DeepPavlov sebagai manajer dialog adalah pendekatan deklaratif untuk menentukan model mana yang harus digunakan dan dalam urutan apa, dalam file konfigurasi. Pendekatan ini memungkinkan perusahaan tidak hanya untuk menentukan komponen apa yang diperlukan untuk meluncurkan chatbot, tetapi juga untuk melacak dependensi, serta menyediakan cara untuk mengunduh model yang hilang yang terlatih.

Mengoperasikan Infrastruktur ML

Selain perpustakaan DeepPavlov, perusahaan menggunakan mekanisme tambahan berikut untuk membentuk dan mengelola infrastruktur ML-nya:

DVC - seperangkat alat yang dibuat untuk berbagi dan memainkan model; digunakan untuk menyimpan dan membuat versi pelatihan besar dan kumpulan data menengah,
MLFlow adalah platform sumber terbuka yang digunakan untuk mengelola siklus hidup model ML; digunakan untuk melacak eksperimen dan menyimpan artefak.

Teknologi ini, dikombinasikan dengan seperangkat alat komprehensif untuk melatih dan menggunakan model DeepPavlov, membuatnya mudah untuk mereproduksi dan menggunakan kembali model ML yang sukses.

Solusi ujung ke ujung untuk membangun chatbot

Membuat chatbot menggunakan model ML membutuhkan beberapa komponen utama:

pembentukan dataset;
pelatihan model;
kontrol versi model;
penyebaran model;
Platform eksperimen A / B disesuaikan untuk model ML
Manajer Dialog dengan kemampuan meluncurkan berbagai model secara fleksibel sesuai dengan persyaratan pengujian A / B;
pemahaman tentang niat.

Membuat set data dan kontrol versi model-ML dicakup menggunakan solusi siap pakai dalam bentuk perpustakaan sumber terbuka seperti DVC dan ML Flow. Perpustakaan DeepPavlov memberi perusahaan peluang seperti itu, dimulai dengan pelatihan model dan berakhir dengan pemahaman tentang niat dan dialog khusus untuk pengujian A / B melalui Manajer Dialog.

Dengan demikian, proses lengkap untuk memperbarui model yang ada berkurang dari beberapa bulan menjadi beberapa hari. Akibatnya, insinyur mulai mencurahkan lebih banyak waktu untuk tugas-tugas yang benar-benar kompleks: analisis, pengujian hipotesis, dan penelitian.

Langkah selanjutnya dalam pengembangan sistem yang dikembangkan adalah otomatisasi interaksi lebih lanjut dengan pelanggan dengan memperluas jumlah skenario tertutup, meningkatkan jawaban asisten cerdas, serta niat bahwa bot obrolan dapat memproses tanpa intervensi operator.

Kesimpulan

Sementara bot obrolan pertama menggunakan kombinasi ekspresi kondisional sederhana dan pencocokan teks, hari ini mereka menggunakan algoritma pembelajaran mesin modern yang mampu memahami dan berkomunikasi dengan seseorang dalam bahasa alami. Chatbots tidak lagi hanya tren masa depan dalam layanan pelanggan; mereka sudah ada di sini, dan digunakan di perusahaan nyata untuk menyelesaikan masalah tertentu.

Lain kali kami akan membagikan deskripsi teknis dari kasus ini. Sementara itu, mulailah menjelajahi DeepPavlov dan jangan lupa bahwa kami memiliki forum - ajukan pertanyaan Anda tentang perpustakaan dan model. Terimakasih atas perhatiannya!

Selain itu

Pada pertemuan pengguna dan pengembang perpustakaan DeepPavlov baru-baru ini , yang diadakan pada 28 Februari, perwakilan Intersvyaz Dmitry Botov dan Stanislav Pituganov berbagi bagaimana teknologi NLP digunakan di pusat kontak penyedia. Tonton videonya di sini .

Otomasi Layanan Pelanggan: Solusi ujung ke ujung dari DeepPavlov