Внедрение искусственного интеллекта в процессы аудита звонков контакт-центра открывает новые возможности для повышения эффективности и качества обслуживания. В данной статье мы сосредоточимся не на базовой настройке ИИ-сервисов, а на практических аспектах работы с уже настроенным решением — ботом-аудитором, предназначенным для анализа текстовых транскрипций диалогов.
Наш бот функционирует как специализированный аналитик контакт-центра, работающий по заданным правилам. Его ключевая задача — выполнять конкретные запросы к тексту диалога, возвращая результаты в понятной текстовой форме, без сложных структур данных (например, JSON).
Важнейшее ограничение, определяющее всю стратегию работы, — модель работает исключительно с текстом. Она не имеет доступа к аудиозаписям, а значит, не может анализировать интонацию, тембр голоса, паузы или фоновые шумы. Все запросы должны быть сформулированы для анализа исключительно словесного контента — реплик оператора и клиента.
Стратегия сегментации данных: Точность и экономия
В работе с моделями искусственного интеллекта мы лишены доступа к определённым видам информации, поэтому вынуждены ограничиваться анализом исключительно словесного контента — реплик, произнесённых клиентом или оператором. Крайне значимым аспектом является корректность транскрипции диалогов. Мы обладаем возможностью сегментировать информацию перед её отправкой в ИИ: можем передать как полный диалог с обозначением сторон А и Б, так и разделить его на отдельные блоки — реплики оператора и клиента.
Такой подход имеет ряд преимуществ. Например, при оценке наличия или отсутствия приветствия нет необходимости загружать в модель весь массив данных — достаточно проанализировать только часть диалога, принадлежащую оператору. Это позволяет оптимизировать затраты на запросы к ИИ и сократить объём обрабатываемой информации.
Уменьшение избыточного контекста не только способствует экономии ресурсов, но и повышает точность анализа. При отправке полного диалога некоторые модели могут неверно интерпретировать информацию: например, приветствие, исходящее от клиента, может быть ошибочно воспринято как инициатива оператора. Подобные ситуации встречались нам неоднократно, поэтому важно тщательно контролировать содержание транскрипций, отправляемых для анализа.
Процесс валидации и эволюция системы
В настоящее время мы активно внедряем процедуру валидации для всех запросов, обрабатываемых искусственным интеллектом. Работа аудитора в этом процессе заключается в проверке корректности анализа звонков, выполненного ИИ. На практике это выглядит следующим образом: слева мы видим результат работы модели, а справа аудитор выносит своё заключение — подтверждает или опровергает вывод ИИ. Хотя такой подход не позволяет полностью исключить участие человека в процессе, он обеспечивает высокую точность результатов.
По истечении определённого периода мы имеем возможность проанализировать статистику и оценить качество запросов, направляемых в ИИ. Если выясняется, что 90–95 % оценок, выданных моделью, являются верными, мы можем принять решение о том, что для определённых форм или анкет дальнейшая проверка аудитором не требуется — достаточно будет анализа, проведённого искусственным интеллектом. Более сложные случаи по-прежнему будут передаваться на рассмотрение специалистам.
В нашей системе для каждого параметра предусмотрены два значения: текстовое, предоставляемое моделью ИИ, и второе — в виде чекбокса или записи в справочнике, куда аудитор вносит свои выводы. При необходимости эти данные можно сопоставить и проанализировать.
Ключевые принципы формулировки промптов
В процессе работы с ИИ мы придерживаемся нескольких ключевых принципов:
- исходим из того, что модель анализирует исключительно текст и не учитывает такие факторы, как интонация, тембр голоса или посторонние звуки;
- стремимся избегать абстрактных запросов, поскольку они могут привести к неточным результатам;
- предпочитаем формулировать конкретные запросы, разбивая общие задачи на более мелкие и измеримые;
- используем примеры из реальных диалогов для повышения точности анализа;
- предоставляем модели набор ключевых слов или фраз, связанных с определённой темой, что помогает улучшить качество обработки данных.
Кроме того, крайне важно подбирать транскрипцию, которая наилучшим образом соответствует поставленной задаче. Например, если цель анализа — оценить приветствие или изучить речь оператора, нет необходимости загружать в ИИ полную стенограмму диалога. Следовательно, необходимо уделять внимание и этому аспекту.
Такой подход позволит достичь более высоких показателей точности, сократить финансовые затраты и предотвратить возможные сложности в рабочем процессе.
Больше информации о платформе - https://era-platform.ru/
Инженерные конференции - https://era-platform.ru/chronicle_development