Автоматические ответы на отзывы
Внедренное решение на основе нейронной сети эффективно обрабатывает отзывы пользователей, интерпретирует их намерения и генерирует соответствующие ответы. Более 90% отзывов успешно обрабатываются без вмешательства человека. Наша модель интегрируется с различными системами поддержки и обеспечивает ответ на каждое сообщение. Предложенное решение предусматривает поддержку разных языков и адаптируется к сайтам интернет-магазинов, магазинов приложений и различных онлайн-платформ.
![](/ru/images/businass-6.jpg)
Задача
![](/ru/images/target.png)
Одни из наиболее важных эмоций человека – это удовлетворенность и понимание, что о нем заботятся и готовы помочь. Как правило, в компаниях, занимающихся выпуском приложений и игр на различных платформах, работает целое подразделение, которое обеспечивает поддержку клиентов. А если приложений несколько сотен? И площадок для публикаций около 10. Нагрузка на подразделение поддержки пользователей существенно возрастает при обработке отзывов и запросов пользователей, которые могут быть недовольны приложением или игрой и оставляют плохие отзывы и оценки.
Быстрая обратная связь с пользователем по проблеме, которую он оставил, позволяет улучшить показатели приложения и повысить удовлетворенность аудитории. Немаловажно, что удовлетворенность пользователей отражается на рейтинге приложений, и тем самым, на количестве новых инсталляций.
Обзор решения
![](/en/images/bulb.png)
Команда Qudata разработала систему на основе нейронных сетей, которая позволяет быстро и эффективно обрабатывать отзывы пользователей. Реализация системы значительно повышает эффективность работы отдела технической поддержки, отдела продаж, и позволяет поддерживать рейтинг приложений на высоком уровне.
Архитектура решения будет состоять из четырех основных этапов:
1. Получение отзывов из Google Play
2. Интерпретация намерения, комплексный анализ полученного отзыва для формирования ответа
3. Мониторинг ответов менеджером
4. Отправка ответа на Google Play
Первым шагом к разработке решение было создание нейронной сети для идентификации отзыва. Для этой цели мы использовали рекуррентную нейронную сеть с механизмом Attention. Обучение сети происходило на большом объеме данных отзывов.
Разработанная нами система проверяет отзывы на Google Play через промежуток времени, задаваемый оператором в зависимости от активности клиентов. Каждый из отзывов обрабатывается в соответствии с его тематикой. В интеллектуальном ядре данного решения имеется более 50 разных смыслов и настроений, которые могут быть отражены в отзыве пользователя.
На текущих отзывах решение показало хорошие результаты, более 90% отзывов успешно обрабатываются без участия оператора. Для нестандартных случаев, в которых требуется участие технического отдела, используется система уведомлений и задачи отправляются прямо в отдел поддержки. Решение интегрировано в общую систему управления проектами, которую использует наш заказчик. Теперь ни один отзыв не будет потерян. После запуска сервиса рейтинг обрабатываемых приложений не опускался ниже 4.2 баллов.
![](/ru/images/overview-6.jpg)
![](/ru/images/details-6.jpg)
Технические детали
![](/ru/images/tools.png)
Проект разрабатывался на Python. В качестве искусственного интеллекта мы использовали платформу RASA с открытым исходным кодом, обученную на нашем наборе данных. Публикация ответов реализована с помощью Google Play Developer API.
Архитектура проекта универсальна и может работать с разными магазинами, сайтами и площадками. Дополнительное обучение нейронной сети позволяет настроить систему для различных сфер бизнеса:
- магазины и торговые площадки
- туристические агентства
- игровые порталы
- сайт вашего ресторана или кафе
- образовательные проекты
- странички ваших приложений на AppStore и GooglePlay
- любой бизнес, в котором ожидаются отзывы от клиентов.
Система поддерживает английский и русский язык. Модульность позволяет интегрировать проект в разные системы поддержки (Zendesk, JIRA Service Desk, Helprace, Kayako, osTicket, OTRS и многие другие).
Стек технологий
![Python](/ru/images/Python.png)
Python
![Rasa](/ru/images/Rasa.png)