Будущее контроля качества обслуживания с искусственным интеллектом

Контроль качества давно стал неотъемлемой частью процесса обслуживания в Контакт-центре. Современные аналитические платформы предоставляют набор функций, включающий составление анкет, планирование оценочных сессий, инструменты коммуникации с операторами, механизм апелляций, детальные статистические дашборды, личный кабинет оператора и много других полезных функций. Это — настоящее. А что же в будущем?

Для начала давайте представим, что система самостоятельно формирует краткое содержание звонка или чата, из которого можно за секунду понять, о чем шла речь в звонке. Не секрет, что взаимодействия в контакт-центре длятся многие минуты, слушать их очень долго, да и читать стенограмму/чат тоже. Как же заманчиво было бы получить емкую свертку общения клиента и оператора из 1000 слов всего в 20−30. Именно это и делает GPT, преобразуя сотни фраз из диалога в компактный текст из 5−7 предложений. Экономия времени, фокусировка на самом главном — вот лишь немногие из преимуществ данного кейса.

Резюме звонка

Общеизвестно, что настройка словарей в системе речевой аналитики — базовый уровень для максимально точного поиска. Но все ли мы можем учесть при таком подходе? Конечно нет, так как вариативность и многогранность формулировок огромна. Поэтому логично дополнить словари вариациями при помощи GPT. Большие языковые модели очень хорошо справляются с перефразированием без потери общего смысла. Благодаря данной функции обеспечивается существенно более релевантный поиск информации, на порядок более качественная и объективная оценка сеансов обслуживания, а также значительная экономия времени на разработку чек-листов и справочников категорий.

Поисковые запросы. Семантический поиск.

Традиционные системы оценки качества обслуживания работают исключительно в ручном режиме — все оценки выставляет хорошо обученный эксперт. При этом до 90% этапов можно оценить просто по лингвистическим ключам: выбирая подходящие ключевые слова и их сочетания. Используя удобный графический интерфейс, супервизор определяет ожидаемые сочетания слов в речи оператора и клиента, создает анкету для оценки, включая в нее запросы для автоматической оценки по чек-листу. Под капотом здесь тот же самый искусственный интеллект, который формирует все необходимые вариации слов для максимально точного поиска и оценки этапа разговора.

Иногда контекст разговора очень широк. Беседа развивается нелинейно, операторы и клиенты используют вариативные формулировки для передачи своих мыслей. В этом случае базовая лингвистика и логика не даст идеальный результат. Для таких целей лучше всего подходят большие языковые модели.

Оценка по чек-листу

С удовольствием проведем для вас демонстрацию продукта, в которой покажем, как Большие языковые модели работают в рамках системы речевой аналитики и обсудим аналитические кейсы, специфичные для вашей компании. Оставьте заявку на демонстрацию системы.

Автор материала

Валентин Смирнов

Ведущий эксперт речевых технологий SIGURD IT

В этой статье мы рассмотрим, как искусственный интеллект помогает упростить и улучшить качество работы операторов.

Один из наиболее удобных способов взаимодействия с данными — это запрос на естественном языке. Мы видим эту функцию как существенное ускорение работы с архивом. В этом сценарии пользователь формулирует запрос к системе, как если бы он общался с человеком, например: «покажи мне все разговоры за неделю, где оператор был не вежлив». Система интерпретирует запрос, преобразует его в структуру, понятную для системы, и выдает супервизору необходимый сегмент данных. При этом супервизор видит не только сам результат запроса, но и может проверить, а при необходимости — и исправить/дополнить запрос на уровне метаданных или слов.

Запросы на естественном языке

Завершаем мы статью сценарием онлайн ассистента оператора.
В данном сценарии система, получив на вход текст от клиента (голосовой или текстовый канал), подсказывает оператору наиболее подходящий ответ — следующую лучшую реплику. Как и в случае с написанием программного кода (системы, аналогичные GitHub Copilot) оператор сам принимает решение, использовать ли ему рекомендацию или нет; процент согласий с ИИ (ключевая метрика при оценке эффективности системы автоматических подсказок) может достигать 50%. В качестве примера можно рассмотреть следующий сценарий: клиент спрашивает о цене на товар, а система выводит на экран наиболее удачную формулировку ответа на данный запрос. В данном сценарии мы существенно повышаем конверсию в эффективные звонки, одновременно снижая когнитивную нагрузку на оператора, что особенно значимо в часы наибольшей нагрузки.

Онлайн ассистент оператора