Когда клиенты слышат про чат-ботов на основе нейросети, то чаще всего они думают, что все эти новые технологии прекрасно справляются только с одним — с выкачиванием денег из их компании. Когда мы говорим заказчикам: “Смотрите, у нас тут база знаний, интеллектуальный ассистент, нейросеть…», они отвечают: “Понятно. Давайте сюда блокчейн, machine learning и другие умные слова добавим —  и цена станет еще выше”
Да, прямо так и говорят 🙁 Мы в этот момент…

Причина в том, что несколько лет назад, когда тема с машинным обучением для бизнеса только стартовала, на ней многие действительно стремились заработать — завышая стоимость проектов в разы и предлагая плохо работающие решения. 


Однако прошло уже много времени, те, кто хотел быстрых денег ушли, а проекты на основе нейросетей стали находить все больше сфер применения. Одной из которых стали боты в контакт-центрах.


Предлагаем вам 5 сложных вопросов с простыми ответами о том, как работают нейросети для ботов — рассказывает Михаил Сбитинков, сооснователь и технический директор компании CraftTalk, разработчика омниканальной платформы для коммуникации с клиентами, а именно текстового контакт-центра, работающего на основе технологий искусственного интеллекта и нейросети.

Что такое нейросеть?

Нейросеть, если говорить простым языком, позволяет обучить систему выполнять какие-то действия на основе примеров, вместо того, чтобы в явном виде программировать поведение этой системы. Для этого нейросеть использует механизмы, подсмотренные у природы – при анализе механизмов работы мозга. По заданным алгоритмам, нейросеть может анализировать большие объемы данных, например, соотносить их, запоминать и применять для работы с реальными пользователями.

Где еще применяют нейросети?

  • Экономика и финансовая сфера — например, для прогнозирования курсов, объемов продаж, оценке рисков, обеспечении безопасности платежей и пр.
  • Медицина — диагностика заболеваний, обработка изображений, мониторинг состояния пациентов, расчет оптимальных способов лечения.
  • Производство — оптимизация процесса, контроль качества, предупреждение аварийных ситуаций.
  • Безопасность — распознавание лиц, голоса, обнаружение людей и техники, мониторинг информационных потоков.
  • Телекоммуникации — проектирование и оптимизация сетей связи, нахождение оптимального пути трафика между технологическими узлами связи.
  • И многие другие.

Хотите получать полезный контент и быть в курсе последних событий

Подписывайтесь 😉

Как работают боты на основе нейросети?

Клиенты обращаются в компанию с разными вопросами. Для ответа на каждый из них существуют определенные сценарии. Например, если человек спрашивает “Сколько стоит килограмм гвоздей?”, то ему можно дать ссылку на прайс с разными видами гвоздей или в режиме диалога уточнить у клиента вид гвоздей и отправить их цену. 

Эти сценарии ответов на вопросы может озвучивать и выполнять как человек-оператор, так и алгоритм. Причем можно прописать условия выбора сценария для бота вручную, на основе ключевых слов, найденных в вопросе клиента, и предложить боту статьи-ответы на них. 

А можно запустить нейросеть, дать ей некоторое количество вопросов от пользователей и правильных ответов на них. Алгоритм проанализирует слова, их положение во фразах, соотнесет с ответами и будет иметь основу, с которой начнет работать в реальном времени. 

Чем больше вопросов-ответов получит нейросеть в самом начале, тем больше правильных ответов она будет давать пользователям, тем меньше времени потребуется на ее дообучение. 

После изучения первичной базы вопросов-ответов нейросеть подключают к работе операторов, и она учится уже на их диалогах. Алгоритм постоянно анализирует  переписку с абонентами и таким образом пополняет свою базу знаний и дообучается. Параллельно бот начинает сам работать с пользователями, предлагая им ответы на вопросы. Этот процесс обучения нейронной сети с новыми ответами от операторов бесконечен.

Какие бывают типы нейросетей?

Есть несколько типов нейросетей. С точки зрения применения для задач контакт-центров и внутренней поддержки, мы в CraftTalk очень условно делим их на  три группы.

1. Стартовая. Подходит для минимальных объемов данных.

Берутся самые популярные вопросы пользователей, топ-5, например. К каждому из них придумываются 5-10 вариаций. Например, варианты вопроса “Сколько стоит автомобиль?” будут: “Какая цена машины?”, “Почем авто?” и пр. Все полученные фразы система упрощает — убираются междометия, эмоциональная окраска, все слова записываются в начальной форме. Остается например, “автомобиль стоимость”, “машина цена”. После этого, каждое слово переводится в числовую форму, при этом слова с ошибками, синонимы имеют практически одинаковый код, что в последующем помогает боту понять, что “машина” и “машшинна”  — это одно и то же.

В последующем алгоритм сравнивает, насколько вопросы, которые написал пользователь, похожи на те, что прописаны у него в базе знаний. Это позволяет боту отвечать на разные варианты вопросов пользователей, при этом но при этом не позволяет боту давать ответы просто “цепляясь” за какое-то слово, что зачастую приводит к ошибкам.

2. Продвинутая. Подходит уже для больших объемов данных.

Когда есть много примеров, работает другой механизм. Например, есть три тематики по 1000 примеров на каждую. Нейросеть сама анализирует все эти 3000 примеров, выявляет, какие слова, в каком месте предложения, в каком сочетании находятся и важность этой информации для выбора сценария. Грубо говоря, если во фразе встречаются слова “авто”, “кредит” и “процент” — наверное, абонент хочет узнать процент по кредиту на автомобиль. Когда запрос с такими словами встречается, нейросеть выдает статью из базы знаний про размеры процентных ставок по кредитам. Если пользователь принял эту информацию, нейросеть засчитывает ответ как правильный, уверенность в этом варианте растет. При этом может оказаться, что добавление слова “каско” в запросе меняет его смысл, и приведет уже к выбору другой статьи – нейросеть сможет это определять автоматически.

Также могут быть фразы, которые похожи на прописанные  в ваших категориях, но на самом деле они немного про другое. И нейросеть первое время относит их ошибочно к существующим категориям, но получая обратную связь от операторов о том, что ответ неверный, и наблюдая за выбором операторов, автоматически обучается выделять такие запросы и выбирать правильный ответ.


3. “Болталка”. Это боты наподобие Алисы.

Там нейросети дают на изучение огромное количество диалогов, найденных в интернете — из фильмов, книг, форумов и пр. И когда пользователь задает вопрос, она, базируясь на миллионах диалогов, находит похожий вопрос и выдает ответ — может скопировать чью-то фразу полностью, или даже “сгенерировать” новый ответ. И получается такая очень классная болталка, которая на любой вопрос отвечает прикольные штуки и достаточно осмысленно. Но для решения бизнес-задач ее использовать сложно. Во-первых, у бизнеса нет десятков миллионов диалогов, на которых такие системы обучаются. Во-вторых, никогда не знаешь, какой ответ система сгенерирует: информация может быть не релевантной, устаревшей и пр.

Что нужно для запуска нейросети?

Нужно, чтобы кто-то записал примеры реальных (не нужно их придумывать) вопросов от пользователей, разметил по тематикам, составил удобные для чтения статьи — например, если пользователи общаются через смартфон, текст ответа не должен быть “полотном”, а должен быть разбит на короткие фразы с буллитами, форматированием, возможно изображениями. Именно такой подход мы рекомендуем заказчикам, внедряющим платформу CraftTalk. 

Ответы на вопросы, как правило, поручают писать сотрудникам разных отделов, которые имеют отношение к продукту или услуге, о которых идет речь в вопросах. Делать все это нужно в удобном интерфейсе, чтобы у работников не возникло желания саботировать выполнение задачи.

Выше я уже упоминал, что чем больше вопросов-ответов получит нейросеть на старте, тем лучше. Однако современные алгоритмы позволяют стартовать с минимальной базой знаний.

Как протестировать нейросеть?

При старте проекта компания готовит некоторое количество вопросов-ответов для первичной базы знаний, на основании которой будет обучаться нейросеть. Однако использовать стоит не все, а некоторую часть оставить. Например, подготовили 1000 вопросов, 800 отдали нейросети, 200 “отложили”. Либо можно доверить машине сделать так автоматически.

После того, как нейросеть разберется с 800 предложенными ей вопросами, можно предложить ей ответить на 200 отложенных — тех, которое она не анализировала. Если нейросеть ответила на 95% из них верно — значит с ней все в порядке. К слову сказать, по статистике, операторы в контакт-центрах отвечают с погрешностью выше 5%.

Можно ли обойтись без нейросети?

Можно. Но это не будет проще, а тем более эффективнее. 

То, что нейросеть делает автоматически, компании придется делать вручную. Если у вас небольшой поток обращений от клиентов и тематик немного — можно попробовать вручную собрать самые частые запросы и ключевые слова для их формулировки клиентами. И создать правила – к ключевым словам уже “привязать” статьи-ответы, которые бот будет выдавать пользователям.

Если в компании объем данных большой, то создание правил вручную для сотен вариантов запросов потребует привлечения технических специалистов или специалистов по машинному обучению, чье время обойдется куда дороже, чем внедрение проекта на основе нейросети. Причем, как только у вас добавилась новая тематика — например, новая категория товаров — нужно снова собирать специалистов, чтобы они дописали правила для бота, и возможно, переделали, подготовленные ранее. 

В очень крупных компаниях, где тысячи тематик обращений клиентов, вручную создать сценарии ответа на них просто невозможно. Например, в проекте CraftTalk для контакт-центра “Фронтлайн” (обслуживает в том числе mos.ru) таких тематик было более 6 тысяч.

К слову, при принятии решения о внедрении нейросети не имеет значения количество клиентов, размеры контакт-центра. Влияет стоимость привлечения клиента. Если у вас она высокая, скажем, несколько десятков тысяч рублей на одного клиента — есть смысл вложиться в техническое решение, чтобы не пропустить ни одного лида.

Читайте еще: