Андрей Безымянников: «Самые первые версии бота имели эффективность около 50%. В процессе обучения удалось достичь показателя в 70%»
Чат-бот, разработанный МТС для того, чтобы автоматизировать работу со звонками в службу поддержки, способен «подтягивать» информацию из любых источников.
Телеком-операторы традиционно одними из первых внедряют инновации. Не исключение — технологии искусственного интеллекта, с помощью которых обучают ботов отвечать на все более сложные вопросы своих клиентов. Об опыте МТС по созданию внутреннего бота на практической конференции «Технологии искусственного интеллекта 2019», которую издательство «Открытые системы» проведет 22 мая, расскажет Андрей Безымянников, менеджер проекта в функциональной группе Artificial intelligence.
— Что подтолкнуло МТС к созданию чат-ботов? «Обычные» каналы взаимодействия с клиентами перестали справляться?
По прогнозам, уже к 2020 году основное взаимодействие с клиентами будет происходить в автоматическом режиме, так что компании, которые не внедряют подобные решения, скоро окажутся в догоняющих.
В 2017 году в МТС было решено автоматизировать работу со звонками в службу поддержки. Прежде всего мы изучили, какие готовые решения предлагаются на рынке. Однако ничего подходящего, способного удовлетворить крупную компанию, подобную нашей, с таким большим количеством абонентов, не нашлось.
Поэтому мы решили разрабатывать ботов самостоятельно, собрали команду специалистов, уже имевших соответствующий опыт работы. На данный момент наш бот решает семь из десяти проблем клиентов. Это, мы считаем, достаточно высокий показатель.
— Сколько времени заняла разработка бота?
|
Подробнее об опыте МТС по созданию внутреннего бота можно будет узнать на практической конференции «Технологии искусственного интеллекта», которую издательство «Открытые системы» проведет 22 мая.
|
Примерно три месяца. Прежде всего мы составили список процессов, которые собирались автоматизировать. На основе этого списка были созданы сценарии работы бота. Для обучения бота использовалась онлайн-переписка операторов с клиентами, учитывались истории взаимодействия в чатах, переписка в почте, шаблоны разговоров, согласно которым действуют операторы контакт-центров. В результате сформировался пул сценариев, из которых мы выбрали те, которые надо было автоматизировать в первую очередь. После этого сценарии передавались в работу уже непосредственно лингвистам и разработчикам, которые и обучали бота. Затем бот тестировался, отлаживался, тестировался снова. И уже спустя три месяца первая версия бота заработала на сайте.
— Каких специалистов привлекли к разработке?
Мы собрали большую команду, поскольку бота надо было создать быстро и качественно. Состав обычный для такого рода проектов — руководитель направления, лингвисты, разработчики, тестировщики, технические писатели.
— В разговоре между людьми информация передается не только словами, но и интонациями. Улавливают ли их боты? Способны ли они понять, говорят ли им «Спасибо» искренне или с сарказмом?
Такой задачи не стояло, но, в принципе, системы искусственного интеллекта способны анализировать большую часть поведенческих шаблонов людей. Если понадобится научить бота распознавать сарказм, то это тоже можно будет сделать.
Некоторые наработки в этом отношении уже есть, они используются в системах, отслеживающих работу операторов контакт-центров с целью контроля эмоционального состояния клиента и оператора. Анализируя эти данные, можно улучшать работу как сотрудников, так и ботов.
— Как оценивается работа бота?
У нас есть такой показатель — «эффективность». Считается, что бот сработал эффективно, если он решил проблему клиента без привлечения оператора и клиент не вернулся с тем же самым вопросом в течение суток по любому из каналов связи.
Есть еще «частичный успех», когда бот после взаимодействия с клиентом понял, в чем проблема, но не смог ее решить самостоятельно, поскольку у него не нашлось соответствующего сценария, и перевел обращение на правильного оператора.
Все остальные результаты взаимодействия считаются неуспешными, неэффективными.
Первые версии бота имели эффективность около 50%. В процессе обучения удалось достичь показателя в 70% благодаря применению большого количества обучающих программ, внесению многочисленных корректировок и доработок. А также благодаря интеграции ботов с внешними ИТ-системами компании. Благодаря этому бот научился отвечать на большую часть вопросов, которые задают операторам.
— С какими ИТ-системами может взаимодействовать бот?
С любыми. Для того чтобы какую-то систему «прикрутить» к нашему боту, нам нужны лишь программные интерфейсы этой системы, после чего она будет выдавать через бота информацию в любом формате. Скажем, если клиент хочет узнать, сколько у него денег на балансе, бот подтянет данные из биллинговой системы; хочет узнать про неоплаченные счета за последние полгода — бот подтянет информацию из финансовой системы. Или, если бота внедрить в контакт-центре системы доставки, то он сможет сообщить не только о статусе заказа, но и о местоположении курьера.
— Будете продавать свою разработку другим компаниям?
Да. На ближайший год наша цель — российский рынок, но в дальнейшем планируем выйти с ботом и за рубеж.
— О чем вы собираетесь рассказать на конференции и о чем хотели бы услышать сами?
Хотелось бы рассказать о возможных применениях чат-ботов в составе различных автоматизированных систем, о проблемах, с которыми можно столкнуться в процессе их разработки и внедрения, о том, как мы эти проблемы решали. И услышать хотелось бы, соответственно, об опыте автоматизации процессов на крупных предприятиях, о том, какие результаты получены в результате реализации таких проектов.
