Как технологии ИИ трансформируют работу контактного центра на Платформе Эра

В данной статье расскажем про ключевые процессы обслуживания клиентов, и смежные процессы управления — контроль качества и аналитику. Основной акцент сделаем на искусственном интеллекте ^[1]. Рассмотрим также речевые технологии, вскользь коснемся классических подходов к построению автоматических сервисов.

Платформа Эра — это новая информационно-коммуникационная платформа, на базе которой можно строить распределенные IP-АТС, омниканальные контакт-центры и другие корпоративные системы для обработки информационных и коммуникационных процессов.

Сервисы GPT

В Платформе Эра появилось новое приложение — искусственный интеллект. В одной системе может быть несколько сервисов GPT — как локальных, так и облачных. Сервис определяется адресом сервера и токеном, умеет получать список доступных моделей, позволяет задать настройки по умолчанию для чатов и индексирования. Как минимум, это выбор моделей (так как один сервис часто содержит несколько моделей каждого типа) и температура для генерации текста.

Базы знаний

Мы можем создавать базы знаний, добавлять к ним документы и индексировать. Поддерживаются наиболее распространенные форматы файлов. Иногда имеет смысл потратить некоторое время на подготовку документов для базы знаний. Например, красивая презентация в формате пдф может некоторыми моделями индексироваться плохо — в качестве контекста будут выбираться страницы, содержащие только заголовок и бесполезную картинку. В таких случаях простые команды Ctrl+A, Ctrl+C, Ctrl+V и построение базы знаний на основе текстового файла существенно повышают качество подготовки контекста. Здесь у нас есть две базы знаний — одна локальная и одна ChatGPT на основе 30-страничного буклета по платформе Эра. Скоро мы посмотрим на практике, как нейросеть отвечает на вопросы по этому файлу.

Боты

В третьем инструменте приложения ИИ мы создаем ботов. Бот может использовать базу знаний (в этом случае применяется подход RAG) или только содержать промпты — системный и пользовательский. Каждая модель имеет свои рекомендации, например, DeepSeek работает без системного промпта. Однако, классический подход — одна фраза с ролевым введением в системном промпте, остальные инструкции — в пользовательском.

Прямо из этого приложения мы можем выполнять тестовые запросы к любому боту. Во всех видах сценариев — продуктового слоя и платформы — доступны компоненты для выполнения GPT-запросов к ботам. Однако, для отладки и тестирования удобнее использовать инструмент внутренние чаты. Для этого можно создать внутренний чат с типом ИИ-ассистент. Боты можно применять для обработки входящих и исходящих сообщений в диалогах мессенджеров. Список доступных ботов можно настраивать как глобально, так и для каждой учетной записи.

Кейс # 1 — работа с чатами

Предположим, что нашему оператору поступило длинное сообщение от клиента на португальском языке. Вы спросите, почему португальском? Раньше ходили слухи, что нейросети нормально работают только с английским. Давайте посмотрим, насколько локальная LLM в состоянии работать нераспространенным европейским языком. С исходным тексом попросим выполнить следующую последовательность действий:

— Переведем входящее сообщение на русский язык;

— Попросим резюмировать;

— Подготовим не особо грамотный ответ;

— Попросим ИИ исправить ошибки ^[2];

— Переведем на португальский язык;

— Отправим сообщение клиенту.

*Также у нас есть бот с инструкцией корректировки стиля.

Обратите внимание ^[3], что все эти действия выполнены локальной нейросетью, причем весьма тривиальными промптами.

Кейс № 2 — консультация клиентов и сотрудников по базе знаний

У нас есть два бота, обученных на одной и той же презентации по платформе Эра. Начнем с локальных экспериментов. Создадим ассистента на базе бота База знаний Эра. Можно лайками и дизлайками сохранять обратную связь, чтобы потом проводить тюнинг базы знаний. Для начала спросим:

— что такое эра?

— расскажи про опыт ^[4] команды эра

— какова производительность эры?

Зададим вопрос, выходящий за рамки нашей базы знаний.

Локальной модели не так просто запретить уходить в творческие фантазии, хотя в промпте и есть явное указание об этом. Создаем ассистента, выбираем Базу знаний на основе ChatGPT, задаем те же самые вопросы.

Ответы на релевантные вопросы стали более краткими — потому что мы попросили об этом в промпте, зато на левые вопросы мы уже получаем ожидаемые уклончивые ответы.

Использовать базы знаний можно как внутри для помощи сотрудникам, так и открывать доступ к ботам снаружи для клиентов, например, в телеграме. Кроме этого, несложной доработкой платформы либо в проектном пакете можно реализовать ИИ-суфлера, который будет подсказывать операторам ответы на вопросы клиентов, используя базу знаний.

Нейросетка хорошо справляется с задачами парсинга. Наш очередной бот Парсер имеет промпт, цель которого извлечь из произвольного запроса фамилию, имя и отчество. Давайте посмотрим, как это работает на практике.

Кстати, можно попросить LLM подготовить JSON из структурированных данных. Для продолжения диалога с сохранением истории сообщений мы можем прямо здесь ответить на любое сообщение нейросети.

Кейс 3 — замыкание клиента на нейросеть

Задача: проконсультировать по графику работы и принять заявку на запись к специалисту медицинского центра. Мы уже видели эти инструкции, когда говорили про промпт-инжиниринг. Давайте посмотрим на работу этого бота с использованием ChatGPT.

Аналогичным образом пообщаемся с ботом DeepSeek.

Кейс 4 — маршрутизация

Можно попросить нейросеть классифицировать запрос, чтобы потом переключить вызов на нужный отдел. Для таких задач у нас есть возможность юнит-тестирования. Вспомним промпт, прогоним тесты — сейчас выполняется 8 независимых запросов в ЛЛМ и результаты сравниваются с эталоном. Мы видим, что все тесты выполнены на 100%, в среднем на каждый запрос уходило по 400 миллисекунд. Теперь перейдем в чат и поэкспериментируем вручную.

В продолжение расскажу про один концепт, который можно реализовать уже сейчас. Назовем его продвинутой маршрутизацией вызовов и автоматической оценкой операторов. Перед постановкой звонка в очередь мы просим клиента в свободной форме сформулировать суть вопроса и выполняем классификацию по одному из сотни направлений.

После завершения разговора на базе любых параметров — начиная от проставленной клиентом оценки, продолжительности разговора и количества консультаций и заканчивая стенографированием разговора и получением от нейросети ответов на QM-вопросы типа «была ли решена задача клиента», «насколько компетентно оператор отвечал на вопросы» вычисляем итоговый рейтинг.

Все это можно оцифровать, автоматически пересчитать квалификации операторов, а при поступлении очередного вызова этой тематики подбирать наиболее компетентного оператора как стандартными средствами скилл-групп, так и более гибко с учетом полученного набора параметров и показателей. Можно попробовать и реализовать персонализированное обслуживание — подбирать оператора исходя из предыдущих оценок и предпочтений конкретного клиента.

Кейс 5 — аналитика по отчетам

В анонсе и презентации отнесен к категории футуристических, мы уже реализовали в коробке. Теперь сводные табличные данные можно снабжать промптом и отправлять в ЛЛМку одним нажатием на кнопку «Аналитика».

Для таких задач более мощный ChatGPT подходит лучше, чем локальная нейросеть, хотя и она набор рекомендаций конечно же сформирует.

Здесь мы видим, что современные модели имеют достаточно глубокие знания в самых разных предметных областях, и в том числе что-то понимают в процессах обслуживания контактных центров.

Можно продолжить диалог, поручив нейросетке техническую и оформительскую работу, например, «резюмируй и переведи на английский в формате отчета для совета директоров, поблагодарив губернатора за поддержку в развитии нашего проекта.»

Или «добавь таблицу из первых трех столбцов, без крупных заголовков.»

Итак, мы рассмотрели примеры применения ИИ в проектах на базе платформы Эра. Дальше все в ваших руках. Создаем сервисы, выбираем модели, пишем промпты, экспериментируем.

Также, напоминаем, что больше доступных кейсов и обзоров в нашем инженерном сообществе в телеграм ^[5]. Если у вас есть вопросы по возможностям и функционалу Платформы — мы с радостью на них ответим.