🎂 ❣️ 🤦🏼 客户服务自动化：DeepPavlov的端到端解决方案 💐 🐨 👩🏽‍✈️

如今，我们越来越多地使用即时消息传递应用程序（Facebook Messenger，WhatsApp，Telegram等）和语音助手形式的设备（Amazon Echo和Google Home等）来帮助接收对请求的即时响应。因此，现代公司在人工助手的开发上投入了大量预算，以便在必要时为用户提供最佳的客户服务。在本文中，我们将描述我们如何使用DeepPavlov人工智能技术来扩展Intersvyaz的客户服务能力。

在现代世界中，公司工作与繁荣的决定性因素之一是与客户的牢固信任关系。有效和高质量的客户服务是一项关键任务，它使我们能够分析和改善客户体验。与客户进行更快速响应，更智能和更通用的合作的愿望是全球经理，CIO，市场和用户体验总监的同等关注领域。

尽管有各种各样的现成产品可供您创建人工助手之类的服务，但一些公司需要更深入地研究并创建自己的解决方案，以改善其现有的客户支持系统。例如，具有集成聊天界面的客户的帮助服务，仪表板，Web和移动应用程序。

一家这样的公司就是Intersvyaz，这是一家拥有150万活跃用户的俄罗斯互联网服务提供商。对于Intersvyaz来说，使支持服务更加智能化并在不牺牲服务质量的情况下降低其成本并不是一件容易的事。为了解决这个问题，该公司开始使用DeepPavlov的对话智能技术。结果，由于引入了智能助手来改善支持系统，该智能助手开始与用户通信，解决技术支持问题并处理新的应用程序。

结果是：

发达的系统减少了平均咨询时间，减轻了呼叫中心员工的负担，因此，他们可以处理更复杂的请求；
现在，无需呼叫中心员工的参与即可解决所有请求的20％；
在系统内嵌方案的框架内，开发的解决方案在理解自然语言方面达到了85％的准确性。

关于Intersvyaz

Intersvyaz是一家俄罗斯电信公司，在俄罗斯20个城市中拥有150万用户。该公司为客户提供Internet连接以及网络设备。客户支持服务每月处理超过10万个聊天和语音通道的呼叫。客户还通过公司提供的应用程序与支持人员联系。

考虑到Internet提供商的业务性质，Intersvyaz提供了一个相对较大的支持服务，可以快速响应并处理客户的请求。反过来，该公司决定使用NLP（自然语言处理）工具来降低技术支持成本，并同时通过为客户提供智能助手（一个专注于客户交互的聊天机器人）来提高自助服务的质量。

我听说过很多有关Chatbots的信息，但这是什么？

聊天机器人是做什么用的？

Chatbot是基于人工智能（AI）的解决方案，可通过实时聊天界面与人们进行通信。聊天机器人分析每个客户请求，将其与已知方案进行比较，找到合适的方案，即可做出快速响应。虽然有些聊天机器人使用诸如正则表达式之类的技术来使用相对原始的短语匹配，但更高级的聊天机器人则依靠机器学习（ML）技术来更好地了解客户问题。

聊天机器人如何工作？

从最终用户的角度来看，在通过电话或聊天向公司发送问题或疑问后，公司会给出答案；然后，用户与公司之间的对话将重点放在解决最终用户的需求上。

从技术角度来看，聊天机器人是一种专注于对话的系统，可以分析用户的请求以确定用户的最终目标（例如，解决技术问题，购买产品或获得服务建议）并进行处理。

聊天机器人在客户服务中的作用

聊天机器人在提高客户满意度和参与度方面非常有效。自动化的客户服务提供持续的24/7支持，以跨所有通信渠道快速解决请求。即时服务对于组织的成功至关重要，并且其自动化具有使公司与客户之间的通信个性化的优势。

公司的另一个好处是可以降低呼叫中心的运营成本。通过为客户提供基于聊天的用户支持服务，该公司获得了最大的收益：通过保留客户和减少呼叫中心成本来增加收入。

在Intersvyaz中构建一个聊天机器人

主要沟通渠道

Intersvyaz具有内部和外部两种类型的用户，它们使用以下机制与公司进行通信：

客户使用：

移动应用
网络和手机聊天

支持人员使用：

技术支持系统
监控系统

当用户通过上述任何一种渠道发送请求时，他都会转换为文本形式，然后发送到聊天机器人的对话系统，然后该对话系统会尝试将其与已知意图之一进行匹配，从而确定最终用户的目标。

从要求到意图

为了正确分析和确定最终用户的意图，Intersvyaz聊天机器人使用以下机器学习算法：

文本规范化；
形态分析
语义相似度；
意图分类；
范围
公认的命名实体
填充插槽。

然后，聊天机器人将识别出的意图转换为对内部服务（数据库或其他信息系统）的调用。收到结果后，对话系统会以自然语言准备答案。如果用户的初始请求没有足够的信息，则聊天机器人会启动优化对话框以收集所有缺少的参数以处理请求。

准备就绪的ML模型

DeepPavlov的开源库提供了一个免费且易于使用的解决方案，用于构建交互式系统。DeepPavlov附带了一些基于TensorFlow和Keras的预训练组件，用于解决特定问题，还提供了用于微调模型的工具。

Intersvyaz开发团队使用以下模型来创建自己的解决方案，并使用俄语：

意图分类 -有助于确定用户的意图；
音调分析 -有助于识别文本的音调（正，中性，否定）；
主题建模 -有助于对用户请求的主题进行分类；
问答系统 -帮助回答对已知问题的预定答案。

*您可以在演示版中尝试使用这些模型和其他模型。

通过这些模型的强大组合，聊天机器人可以确定客户请求的主题，然后快速回答常见问题或解决问题（例如，有关每月费用，为何无法连接Internet等）。对情绪的分析使聊天机器人可以识别是否需要公司的支持服务运营商对此用户的额外关注。
即使使用DeepPavlov的预训练模型，Intersvyaz仍设法将没有人参与的关闭的应用程序的数量从20％增加到40％。

对话经理

Intersvyaz开发人员使用微调工具以及该库在容器中提供其模型的能力（Docker），创建了一个完全满足其需求的解决方案：

DeepPavlov库不仅使解决方案的部署变得容易，而且还成为启动标准A / B的非常方便的工具-测试，以确定公司在漫游器和用户之间进行交互的最佳模型。

使用DeepPavlov库作为对话框管理器的主要优点是一种声明性方法，可确定在配置文件中应使用哪种模型以及以什么顺序使用模型。这种方法不仅使公司可以确定启动聊天机器人所需的组件，还可以跟踪依赖关系，并提供下载丢失的训练有素模型的方法。

运营ML基础架构

除了DeepPavlov库之外，该公司还使用以下辅助机制来形成和管理其ML基础结构：

DVC-为共享和播放模型而创建的一组工具；用于存储和创建大型培训和中间数据集的版本，
MLFlow是一个开放源代码平台，用于管理ML模型的生命周期。用于跟踪实验和存储工件。

这些技术与用于训练和部署DeepPavlov模型的全面工具集相结合，使重现和重用成功的ML模型变得容易。

用于构建聊天机器人的端到端解决方案

使用ML模型创建聊天机器人需要几个关键组件：

数据集的形成；
模型训练；
模型的版本控制；
模型部署；
适用于ML模型的A / B实验平台
Dialog Manager能够根据A / B测试的要求灵活地启动各种模型；
了解意图。

使用现成的解决方案以开放源代码库（例如DVC和ML Flow）的形式介绍了创建数据集和ML模型的版本控制。 DeepPavlov库为公司提供了这样的机会，从模型培训开始到对意图的理解以及通过Dialog Manager进行A / B测试的自定义对话框结束。

因此，更新现有模型的完整过程从几个月减少到了几天。结果，工程师开始将更多的时间投入到真正复杂的任务上：分析，假设检验和研究。

开发已开发系统的下一步将是通过扩大涵盖方案的数量，改善智能助手的答案以及聊天机器人无需操作员干预即可进行处理的意图，进一步实现与客户互动的自动化。

结论

虽然首批聊天机器人将简单的条件表达式和文本匹配结合在一起使用，但如今，他们使用的现代机器学习算法能够以自然语言理解并与人交流。聊天机器人已不再只是客户服务的未来趋势。他们已经在这里，并已在实际公司中用于解决特定问题。

下次，我们将分享此案例的技术说明。同时，开始探索DeepPavlov，不要忘记我们有一个论坛 -向您询问有关库和模型的问题。感谢您的关注！

另外

在2月28日举行的DeepPavlov库用户和开发人员最近的会议上，Intersvyaz的代表Dmitry Botov和Stanislav Pituganov分享了在提供商的联系中心如何使用NLP技术。在这里观看视频。

客户服务自动化：DeepPavlov的端到端解决方案