Классический канал коммуникаций в телефонии уже несколько лет вместе с приходом искусственного интеллекта и нейросетей переживают эпоху нового возрождения.
Уже сегодня мы видим, как растет спрос на сокращение количества ручных операций при обработке входящих обращений, в некоторых случаях доля таких автоматизированных типовых запросов может достигать 70-80%. При этом драйверами развития искусственного интеллекта в России являются, прежде всего, крупный бизнес и государство – уровень внедрения в федеральных органах исполнительной власти сегодня достигает более 60%.
ChatGPT и другие генеративные модели из «хайпа» постепенно превращаются в реальные рабочие инструменты. Однако сферы их применения до сих пор еще ограничены. Если говорить о рынке речевой аналитики, то за последние четыре года он вырос почти на 300% и по прогнозам продолжит рост в 2024-2025 гг. При этом, три четверти решений — это облачные внедрения с поминутной тарификацией. Тогда как, по опросам, почти 75% компаний, использующих речевую аналитику, хотели бы перевести эту строку затрат из OPEX в CAPEX.
Действительно, внедрение речевой аналитики похоже на айсберг, на верхушке которого показатели роста NPS, индекса клиентской удовлетворенности и удобства использования. А под этим у нас скрывается целый набор актуальных потребностей:
- формулирование критериев оценки, которые либо слишком абстрактны, либо слишком сложны для текущего уровня развития решений по аналитике;
- ограниченность коробочных решений и сложность кастомизации – специфика конкретного бизнеса или организации не учитывается;
- необходимость передачи чувствительных данных на сторонние серверы;
- затраты на ручную обработку результатов и создание рекомендаций – учитывается всего 10% от общего массива данных, управляющему составу приходится тратить время на проверку и контроль работы персонала, а штат кол-центра растет.
Если углубиться в детали, то большинство современных коммуникационных решений строятся по морфологическому принципу. У него есть свои преимущества, такие как возможность задать определенные слова-триггеры, отследить соответствие скрипту по конкретным критериям. Но есть и недостатки. В первую очередь, это оценка диалога не как единое целое, а лишь выделение в нем отдельных слов или фраз. Это ведет к тому, что результаты анализа могут быть неполными или искаженными. Ну и, конечно, это синергия работы машины и человека. Такой подход к речевой аналитике не подразумевает полной автоматизации. Анализ данных, подготовка рекомендаций и работа над ошибками остаются на ручном управлении.
Появление генеративных моделей с открытым кодом позволяет закрыть эти недостатки морфологического подхода. Первое, что мы видим, нейросеть способна оценить диалог в контексте конкретной ситуации или темы.
При правильно заданном промпте (или запросе к нейросети), разговор будет оцениваться не просто как диалог двух людей или набор ключевых фраз, а как взаимодействие, например, оператора горячей линии банка и клиента, который хочет решить конкретную проблему. И это в корне меняет подход. Теперь мы не только понимаем, где оператор совершил ошибку, но и как ее можно было избежать и что улучшить в дальнейшем именно в контексте продажи конкретной услуги.
Если использовать принцип генеративных моделей для системы мониторинга качества обслуживания, то это позволит также оценить и улучшить работу сотрудников контакт-центров с помощью искусственного интеллекта. Так можно оценить разговор сотрудника компании с потенциальным клиентом. Например, насколько речь сотрудника была корректна, насколько результаты разговора удовлетворили клиента. Как следовало закончить разговор и какие дальнейшие шаги совершить. В итоге, получаем не только сырые данные оценки, но и конкретные рекомендации с учетом специфики отрасли.
Основные преимущества использования искусственного интеллекта перед классическими системами речевой аналитики состоят в максимально автоматизированном анализе и оценке совершенных разговоров – например, единая платформа может собирать и обрабатывать все данные, выводя результаты на общий дашборд. К тому же такая система обычно не подвержена внешнему влиянию, дается объективная оценка и исключается человеческий фактор, замыленность взгляда или усталость супервизора, увеличивается скорость анализа и оценки работы. ИИ может не просто оценивать, но и давать рекомендации, которые помогут сотрудникам. Важно учитывать, что нейросеть постоянно обновляется и использует новые данные, улучшает собственные навыки анализа и генерации ответов.
Генеративные ИИ-модели могут улучшить качество работы сотрудников кол-центров, оптимизировать рабочие процессы и облегчить операционные функции руководящего состава. За последние несколько лет с развитием контакт-центров у многих жителей нашей страны появилась возможность воспользоваться различными сервисами, в том числе государственными. В некоторых регионах контакт-центры весьма востребованы из-за отдаленности филиалов учреждений. А с внедрением ИИ-моделей организации успешно автоматизируют многие процессы и настраивают клиентоцентричные функции, это действительно повышает уровень доверия среди конечных пользователей и делает коммуникацию между государством, бизнесом и гражданами удобнее и доступнее.
