В Альфа-Банке запустили интеллектуального помощника для операторов контакт-центра, который генерирует релевантные подсказки, учитывающие онлайн-контекст общения с клиентом. Он базируется на четырех моделях ИИ и помогает сократить среднее время обработки обращений на 10%. О проекте рассказывает Андрей Сон, руководитель направления по разработке нейронных сетей Альфа-Банка и номинант на премию Data Award.

- В чем суть решаемой проблемы?

В Альфа-Банке трудятся несколько тысяч сотрудников контакт-центра. Зачастую они сталкиваются с типовыми вопросами. Ранее оператор вынужден был выбирать из сотни шаблонных ответов, разрозненно хранящихся в электронных таблицах и текстовых документах. Для этого нужно помнить эти шаблоны и долго искать подходящий по ключевым словам. Также, у каждого сотрудника есть личные шаблоны, что приводит к дубликации и потенциальным ошибкам. Наконец, помимо шаблонов, у операторов есть множество интерфейсов для поиска релевантной информации о клиенте и объемная база знаний, в которой можно долго искать подходящие разделы, теряя ценные секунды.

Для того, чтобы решить эти проблемы и улучшить опыт клиентов, Департамент продвинутой аналитики разработал помощника для сотрудников контакт-центра на основе моделей энкодеров и генеративного ИИ.

- Как вы помогаете сделать работу операторов эффективнее?

Мы помогаем экспертам контакт-центра быстрее и качественнее отвечать на поступившие вопросы путем внедрения ИИ-помощника, который рекомендует или генерирует релевантные подсказки, учитывающие онлайн-контекст общения с клиентом. Мы создали четыре модели. Три из них – модель рекомендации шаблонов, модель рекомендации прошлых ответов экспертов и модель рекомендации интерфейсов – являются BERT-биэнкодерами (Bidirectional Encoder Representations from Transformers). Эти модели по контексту диалога возвращают текстовые подсказки оператору: подсказку-шаблон, подсказку-ответ и подсказку-ссылку на интерфейс соответственно. Этими моделями охвачены 90% операторов.

Четвертая модель, основанная на технологиях RAG (Retrieval Augmented Generation) и использующая LLM, направлена на предоставление качественных с точки зрения базы знаний консультаций путем их генерации «на лету». RAG на данный момент находится в пилоте и тестируется на 15% потока.

- Что представляет собой решение?

Решение состоит из двух компонентов, работающих в тандеме. Первый из них – интерфейс продукта, разработанный командой развития цифровых диалоговых систем и интегрированный в платформу, где работают операторы – подсказки появляются у них прямо в рабочем окне. Второй компонент – бэкенд, в частности, модуль коммуникаций, где в онлайн-режиме собираются диалоги клиентов с банком. Эта информация направляется в систему исполнения моделей, где находятся разработанные нами решения, выдающие релевантные подсказки.

- Что получилось особенно удачно?

В короткий срок было разработано и внедрено сразу четыре модели, которые помогают всесторонне решить проблемы, с которыми сталкиваются сотрудники контакт-центра. Кроме того, удачным решением является интеграция ИИ-помощника непосредственно в платформу операторов.

- Какова обратная связь от операторов контакт-центра? Насколько подсказки точны?

Последний замер VoE (voice of employee – «обратная связь сотрудников») по продукту помощника показал оценку 4,81. Помимо этого, для оценки работы продукта замеряем точность подсказок разметкой, а также полезность исходя из использования (текущая оценка – 42%, стремимся к 50%).

- А что говорят клиенты про изменение качества консультаций? Есть ли какие-то метрики изменения их удовлетворенности?

Для оценки удовлетворенности клиентов использовали VoC-опросы (voice-of-customer). По результатам аналитики доля сессий с положительной оценкой на 1,5% выше в том случае, когда использовался помощник.

- Какие результаты достигнуты?

Решение интегрировано в работу более чем 3 тыс. сотрудников, сокращение среднего времени обработки обращений достигло 10%. На данный момент примерно в половине случаев оператору помогает ассистент.

- Почему всего 10%? На первый взгляд, экономия от мгновенных и релевантных подсказок должна быть выше.

Время, которое сотрудник тратит на обслуживание, включает в себя много этапов – мы же влияем только на часть из них. Есть гипотеза, что при подготовке ответов подсказки не всегда можно использовать в чистом виде, в таком случае операторам необходимо переформулировать их, что нивелирует экономию времени. Сейчас активно работаем над решением, которое исправит этот аспект нашего решения.

- Как эта экономия времени отражается на финансовых показателях?

Снижение среднего времени обработки звонка позволяет контролировать модель численности – например, не увеличивать штат, несмотря на увеличение клиентской базы или потока входящих обращений.

- В чем роль проекта для бизнеса компании?

Поддержание и улучшение клиентского опыта положительно сказывается на удержании клиентов и потенциальной прибыли от них на всем времени жизни. Это показатель Lifetime Value, на которых многие ориентируются. Кроме того, более активное внедрение ИИ в работу контакт-центра может сказаться на численности операторов, что положительно повлияет на сокращение затрат.

- Каковы планы по развитию проекта?

Мы масштабируем генеративную модель ответов и генеративный поиск по базе знаний. Подключаем другие каналы взаимодействия с клиентами – например, с юридическими лицами. Еще одна важная задача на будущее – использование в подсказках данных о клиенте: продуктов, которыми пользуется клиент, среза последних операций и др.