Чат-бот для бізнесу на основі ШІ

Завдання

У європейської компанії з роздрібної торгівлі були проблеми з неефективною обробкою запитів клієнтів, затримками у відповідях та зростаючими витратами на службу підтримки. До зазначених видатків увійшли витрати на найм та навчання додаткового персоналу з підтримки, а також можливі понаднормові виплати під час пікових періодів. Існуюча інфраструктура служби підтримки могла ледве відповідати на коливання обсягів у запитах клієнтів. Відсутність масштабованості перешкоджала компанії ефективно керувати попитом у періоди найвижчої завантаженості без шкоди для якості відповідей. В результаті перед нашим клієнтом гостро постало питання: як покращити роботу відділу підтримки та скоротити витрати на його обслуговування.

Огляд рішення

Для вирішення цього завдання наша компанія розробила бізнес-помічника на основі штучного інтелекту, який використовує методи машинного навчання та технологію GPT – потужну модель штучного інтелекту від OpenAI, здатну генерувати текст подібно до людини. Створений чат-бот тренували на величезному наборі даних – справжніх історіях взаємодій з клієнтами, що дозволило йому навчитися спілкуватися різними стилями та формувати доречні відповіді на різноманітні запити. Бот-помічник навчився розуміти контекст і вести змістовні розмови з клієнтами.

Оптимізована інфраструктура: чат-бот був повністю інтегрований у сервер компанії для забезпечення стабільної та продуктивної роботи. Оптимізована інфраструктура забезпечує цілодобову доступність чат-бота та безперебійну роботу служби підтримки клієнтів.

У кінцевому результаті наш бот-помічник на основі штучного інтелекту допоміг підвищити якість обслуговування клієнтів, зменшити навантаження на відділ підтримки на 36% і підвищити загальний рівень задоволеності клієнтів компанії.

Технічні деталі

Для реалізації визначених у проекті цілей, ми використали різноманітний набір передових методів і технологій для розробки чат-бота на основі ШІ. Попередня обробка та векторизація тексту: перед введенням текстових даних у модель GPT ми виконали комплексну обробку тексту за допомогою різних технік для покращення якості введення. Це включало такі методи, як векторизація тексту та вбудовування слів на основі великих мовних моделей (LLM) для перетворення обробленого тексту в числові представлення, які модель може зрозуміти та опрацювати.

Попередній пошук за токенами: щоб ефективно знаходити найближчі значення слів під час попереднього пошуку, ми застосували методи індексації векторів. Розбивши текст на токени (слова або склади), ми проіндексували їх, що прискорило процес ідентифікації відповідних документів або відповідей. Такий попередній пошук допоміг зменшити область пошуку та прискорити виявлення потенційних збігів, забезпечуючи швидше формування відповіді на запити користувачів.

Генерація запитів та релевантність: під час генерації промтів для моделі GPT ми стратегічно вибирали частини документів, які найбільше відповідають запиту користувача. Така релевантність була визначена на основі різних факторів, включаючи семантичну подібність, відповідність ключових слів і контекстний аналіз. Групи системних запитів: для подальшого покращення якості та відповідності відповідей ми створили набір груп системних запитів. Кожна група складалася з ретельно підібраних запитів, які охоплювали різні галузі та теми, пов'язані з питаннями клієнтів. Забезпечивши різноманітний набір початкових запитів, ми спрямовували процес генерації моделі GPT на більш точні та релевантні результати. Ці групи системних запитів виступали в якості настанов для моделі, керуючи нею у правильному напрямі та забезпечуючи гнучкість у відповідях.

Об’єднавши ці технічні елементи, ми гарантуємо, що чат-бот може постійно надавати якісні відповіді на широкий спектр запитів клієнтів відповідно до контексту. Це не тільки підвищило рівень задоволеності клієнтів, але й оптимізувало загальний досвід обслуговування клієнтів для компанії роздрібної торгівлі.