Как искусственный интеллект ускоряет обработку обращений: возможности платформы «Визари»

Цели применения ИИ при обработке обращений

Внедрение искусственного интеллекта в сфере, связанной с обработкой обращений, может преследовать несколько целей.

Во-первых, это многократное повышение скорости ответа на обращение, в том числе за счет выбора категории и подбора шаблона ответа.

Во-вторых, экономия времени и средств за счёт переноса всех монотонных операций на ИИ. В этом случае, вместо прохождения большого числа этапов бизнес-процессов, пользователь нажимает только одну кнопку и проверяет результат работы ИИ.Известный писатель-фантаст Сергей Лукьяненко выступит на TAdviser SummIT 28 ноября. Регистрация 5.6 т

Еще одна цель, которая может быть поставлена заказчиком – это решение проблем отдела кадров, связанных с низкой надежностью и высокой «текучкой» низкоквалифицированных сотрудников, а также повышение лояльности обратившихся. Здесь искусственный интеллект может формировать ответы на обращения круглые сутки, при этом он обладает неоспоримыми преимуществами – не опаздывает, не болеет, не устает, не грубит и т.д.

Также ИИ может пригодиться руководителям, для помощи в поддержке принятия решения. Искусственный интеллект помогает выявить неэффективных сотрудников, заранее спрогнозировать риски, предложить решение по сложившейся ситуации.

Сохранение и тиражирование знаний – еще одна возможная цель внедрения ИИ. Если регистратор или эксперт (руководитель) увольняется, то все знания и накопленный опыт останутся у ИИ.

Используемые технологии искусственного интеллекта для обработки обращений

С 2014 года специалисты «БизнесАвтоматики» активно разрабатывают и внедряют инструменты ИИ в ряде отраслей в рамках государственных и коммерческих заказов.

Готовность приобретать новые знания и навыки, а также серьезный практический опыт, накопленный специалистами компании, позволили создать систему, объединяющую в себе весь спектр современных интеллектуальных технологий в сфере искусственного интеллекта - «Visary AI». «Visary AI» превращает сложные механизмы ИИ в удобные и доступные инструменты для бизнес-пользователей, которым необходимо повысить качество бизнес-процессов, ускорить темпы работы компании и снизить издержки в кратчайшие сроки.

Система интеллектуальной обработки обращений - одно из решений на базе «Visary АI», направленное на оптимизацию процесса обработки обращений граждан. Система позволяет организовать прием обращений из различных каналов, стандартизировать процессы обработки обращений, повысить качество контроля на всех этапах, а также снизить затраты компаний за счет применения технологий искусственного интеллекта.

Основные плюсы Системы обработки обращений:

• Интеллектуальная классификация мультиканальных обращений с учетом тематики запроса;
• Автоматическая маршрутизация обращений по подразделениям;
• Настройка шаблонов ответов для типовых запросов;
• Интерактивная отчетность для руководителей;
• Встроенные модуль видеоконференцсвязи, который позволяет проводить дистанционный личный прием граждан;
• Удобный пользовательский интерфейс «тонкого» клиента и сервис-ориентированная архитектура сервера;
• Встроенное хранилище данных;
• Интегрированная подсистема электронного документооборота;
• Инструменты контроля сроков и качества исполнения заявок;
• База знаний для аналитики, поиска и поддержки процесса принятия решений;
• Уведомления по срокам исполнения.

Задачи, решаемые ИИ при обработке обращений

Рассмотрим классы задач, которые решает Visary AI при обработке обращений.

Классификация (кластеризация)

При обработке обращений искусственный интеллект может решать такой класс задач, как классификация, частным примером которой является разделение обращений клиентов по категориям.

Рекомендации

Искусственный интеллект может подбирать наиболее подходящий шаблон ответа на обращение.

Регрессия (прогноз)

Интерполяция нагрузки на подразделения в зависимости от времени года, местоположения и других факторов – еще один пример задачи, которую может решать ИИ.

Классификация изображений

Под силу искусственному интеллекту и классификация обращений, поступающих в виде скан образов.

Гибридные методы поддержки принятия решений

ИИ может помочь руководству компании в выявлении неэффективных сотрудников, прогнозировании рисков и формировании других рекомендаций.

Другие задачи

Также ИИ может решать второстепенные задачи, которые напрямую не связаны с процессом обработки обращений:

• Прогнозирование количества обращений
• Прогнозирование длительности подготовки ответа
• Прогнозирование эффективности
• Прогнозирование соответствия (несоответствия) обработки заявки требованиям официальных регламентов

Для достижения высокого уровня качества работы системы специалисты «БизнесАвтоматики» использовали:

• Низкоуровневые аппаратные средства ускорения обучения ИНС – графические сопроцессоры со встроенными тензорными ядрами;
• Визуальные конструкторы для управления базой знаний;
• Промышленные открытые библиотеки машинного обучения;
• Собственные разработки гибридных систем моделирования ИИ.

Бизнес-эффект от применение механизмов ИИ в Системе обработки обращений

• Многократное повышение скорости обработки обращений;
• Выполнение множества этапов сложных бизнес-процессов одним кликом;
• Повышение лояльность обратившихся;
• Сохранение и тиражирование всех накопленных знаний и опыта;
• Поддержка принятия решения на основе многокритериального анализа.

Особенности процесса обучения искусственной нейронной сети

Встроенные алгоритмы «Visary AI» распознают паттерны в больших массивах данных и используют их для самообучения. Каждый новый массив данных позволяет алгоритмам совершенствоваться и адаптироваться в соответствии с полученной информацией.

Процесс обучения искусственной нейронной сети на задачу классификации обращений происходит следующим образом. На вход подаётся текст, далее он подготавливается – очищается, например, удаляются знаки препинания, предлоги. На следующем шаге текст векторизуется. Далее вектор входных значений поступает на слой нейросети. Формируется прогноз и в зависимости от его соответствия мнению эксперта корректируются веса нейронов.

Процесс обучения искусственной нейронной сети

Получается, чтобы выполнить обучение модели необходимо:

• Сформировать обучающую выборку
• Выбрать и настроить модели машинного обучения
• Выполнить обработку текстов обращений
• Закодировать семантику обращения в числовой вектор
• Выполнить обучение модели на численных данных

Ниже приведен математический аппарат одной из простых и универсальных моделей ИИ обучающейся с учителем. Можно заметить, что выходной сигнал нейрона – это функция от суммы всех весов, умноженных на входной вектор. При этом функция может быть любой – линейной, квадратичной и даже трёхмерной.

Математический аппарат модели ИИ

Мера ошибки и коррекции весов вычисляется на основе разности выходного и эталонного сигналов.

Результаты обучения модели ИИ

Используя движок ИИ платформы «Визари» был подготовлен опытный образец системы обработки обращений со следующими характеристиками:

• Гибридная иерархическая модель ИИ, включающая одну нейронную сеть для выбора тематики обращения и восемь нейронных сетей для выбора шаблона ответа;
• Производительность 4000 прогнозов в секунду;
• Точность обучения 95%;
• Время обучения 12 секунд (9 нейронных сетей, 270 примеров);
• Гибридная иерархическая модель ИИ позволяет обеспечить высокую точность прогноза на малом числе обучающих примеров (при использовании одной модели потребуется десятикратное увеличение обучающей выборки – не менее 2500 примеров);
• Возможность дообучения сети и повышения качества обработки обращений при накоплении базы знаний.

Рабочий стол системы обработки обращений с аналитическими панелями и виджетами

Система упрощает и ускоряет обработку обращений. Например, при создании обращения с текстом «Здравствуйте. Необходим ремонт дефекта дороги по улице Некрасова у дома 24», нейронная сеть классифицирует тему обращения как «Дорожное хозяйство» и сама выбирает шаблон для ответа с названием «Ремонт автомобильной дороги». Если в тексте обращения написано: «Ребенок замерзает в детском саду», то нейросеть определит, что тематика обращения - это образование и предложит готовый шаблон ответа с названием «Содержание образовательных учреждений». Далее оператор может использовать готовый шаблон для формирования ответа.

При этом, если оператор вводит обращение, которое нейросеть никогда не видела, то результат кластеризации будет неточным. Например, если в тексте обращения написать: «Здравствуйте! Не отремонтированы дороги по улице Чапаева», то нейросеть определит категорию обращения как "ЖКХ и благоустройство", что в целом верно, но неточно. Оператор может поправить нейросеть и указать более точную категорию "Дорожное хозяйство" и шаблон "Ремонт автомобильной дороги". При следующем обучении сеть это учтёт.

Обычно сеть дообучается автоматически ночью, когда активность пользователей минимальна, но есть возможность запустить этот процесс вручную в любое время.

Среди других задач, которые можно будет решить в данной системе, но не с точки зрения операционной деятельности регистратора, а с точки зрения стратегических целей и поддержки принятия решения руководителя, следует упомянуть:

• Автоматическое управление бизнес-процессами (делегирование шаблонных операций руководителя на ИИ);
• Прогнозирование показателей эффективности как предприятия в целом, так и отдельных сотрудников;
• Гибкий конструктор отчетных и аналитических форм для эффективной визуализации данных, на основе которых принимаются решения;
• Быстрое выявление и отображение из всего объема данных только ключевых показателей, необходимых для принятия решения;
• Тиражирование опыта между руководителями (объединение знаний всех подразделений в одной ИНС).