ИИ для улучшения пользовательского опыта

Добавление искусственного интеллекта к сценарным чат-ботам – один из удачных примеров того, как эта технология может улучшить пользовательский опыт. Появление сценарных ботов в своё время позволило компаниям экономить сотни тысяч часов работы операторов, но радикально вопрос сокращения затрат это не решило. Пользователи по-прежнему предпочитают общаться с человеком, их раздражает, что боты раз за разом уводят диалог по одному сценарию, потому что не знают (и не могут предугадать) другого. Искусственный интеллект (ИИ) же считывает контекст, и диалог становится более персонализированным. Такие решения имеют весомый экономический эффект. Например, внедрение технологии на портале крупного автодилера позволило сократить перевод диалога на операторов на 30–40%.

Такого эффекта удаётся добиться не всегда. ИИ может оказаться не столь продуктивным, а иногда для его подключения нет экономической целесообразности. Рассмотрим возможности и ограничения применения ИИ для улучшения клиентского опыта.

Что из ИИ применимо в пользовательских сервисах?

Есть четыре типа ИИ-технологий, которые сейчас наиболее часто применяются в чат-ботах, ассистентах и прочих полезных сервисах, улучшающих клиентский опыт.

1. Text-to-text generation-модели. Они используются в диалогах с пользователями: принимают на вход сообщения запросов и описания инструкций, чтобы сгенерировать ответ в формате естественного человеческого языка. Это позволяет лучше понимать потребности клиента.
2. Семантический поиск. Позволяет находить нужную информацию результативнее и релевантнее, чем традиционный морфологический поиск. Набор слов в вопросе необязательно должен совпадать с ответом, можно избавиться от трудностей работы с формами слов и структурой предложений. Найдётся даже та информация, которая подходит по значению и смыслу.
3. Распознавание текста с картинки. Позволяет определять информацию даже на фото и сканах плохого качества, что было недоступно OCR-технологиям предыдущих архитектур (англ. optical character recognition, OCR – «оптическое распознавание символов»). ИИ позволил расширить возможности применения. В одном из проектов мы завершаем внедрение модели, добавление ИИ там позволяет распознавать текстовые строки на фото, сделанных пользователями фактически в «походных» условиях. Технология может быть использована для инвентаризации складов, для распознавания номерных знаков автомобилей или табличек на технике, для анализа рукописных текстов (например, при оцифровке старых архивов). Другой вариант: заполнение полей карточки проекта по скану договора, сравнения документов и многое другое.
4. Распознавание речи. Как и в ситуации с распознаванием изображений, голос теперь может быть распознан даже на плохих аудиозаписях. А последовательное применение нескольких нейросетей позволяет создавать утилитарные сервисы. Так, одна сеть генерирует расшифровку сказанного, другая составляет саммари разговора и выделяет ключевые тезисы, а третья, например, строит на основе беседы план работ, прописывает сроки, назначает ответственных и создаёт для них персональные инструкции. Всё это реальные, более или менее сложные кейсы применения ИИ-моделей.

Вот, например, как мы применяли технологию в своих проектах.

Кейс 1: семантический поиск и генеративные нейросети для службы поддержки на портале

На этапе внедрения портала у автопроизводителя мы проработали интеграцию GPT-модели в наш бот, чтобы выстроить дополнительную линию взаимодействия с клиентом. Использовалась LLM (Large Language Models – «большие языковые модели») для генерации красивого ответа. Ей в помощь подключалась небольшая нейросеть класса NLU (с англ. Natural Language Understanding – «понимание естественного языка»). Её задачей было найти уже завершённые успешные диалоги, аналогичные текущему контексту или запросу, и поделиться с LLM этим опытом. LLM в итоге сможет сформировать ответ и в новой уникальной ситуации.

Такое решение позволило в автоматическом режиме решать сложные кейсы, которые ранее требовали вмешательства человека. Например, пользователь говорит, что ему что-то «одобрили». ИИ даже без бэкграунда общения с этим клиентом, на основании генеративной логики понимает, что, скорее всего, речь идёт о банковском кредите. Иными словами, он хорошо понимает, чего хочет пользователь, без долгих уточнений.

Также ИИ-бот смог корректно обработать запрос о прохождении ТО для автомобиля, купленного в одной стране и перемещённого в другую, подключив нужного менеджера только на финальном этапе согласования необходимой услуги.

Результат добавления ИИ к сценарному боту позволил сократить число переводов на оператора на 30–40%.

Кейс 2: генеративный функционал на платформе управления знаниями Teamly

Другим успешным кейсом является внедрение генеративного функционала внутри Teamly. Это платформа для совместной работы команд и управления знаниями. На ней мы внедрили AI-ассистент, который помогает пользователям писать и редактировать статьи. Мы предоставили пользователям интерфейс, принимающий запросы или наброски идей для написания текстов с нуля, их улучшения, переработки и исправления ошибок. Инструмент позволяет создавать краткое содержание, расширять текст, формулировать ответы на простые запросы, такие как «напиши деловое письмо».

На этом проекте мы проследили, как повышается пользовательское доверие к подобным сервисам. На первом этапе люди скептически присматриваются к нейронке, но, попробовав раз, начинают активно использовать инструмент. С момента, как мы впервые презентовали AI-ассистент на выставке, число его пользователей постоянно растёт. А наибольший пик мы заметили перед Новым годом, все знают этот период: конца задачам не видно, а силы на исходе.

Ограничения ИИ

Когда видишь, какие чудеса творит ChatGPT и другие публичные сервисы, легко очароваться. Кажется, можно повторить то же и в каком-то коммерческом продукте. Это не так, у применения нейронок есть ограничения, которые нужно учесть, разворачивая ИИ-проект.

Первое: необходимость вложить время и ресурсы в обучение или донастройку моделей. Это может быть долгим и трудоёмким процессом, срок зависит от того, насколько хорошо вы представляете результат, аудиторию своих пользователей. В кейсе с авто у нас с заказчиком уже был реализованный проект за плечами, поэтому мы хорошо понимали суть бизнес-домена, аудиторию, её запрос. Иными словами, как клиенты спрашивают и что имеют в виду.

Ещё один вопрос: не только качество результата, но и его предсказуемость. Из-за самой сути технологии невозможно гарантировать 100% повторяемость у заказчика того эффекта, которого удавалось добиваться в тестовой среде. Идеальной воспроизводимости добиться невозможно, но промпт-инжиниринг позволяет вендорам добиваться предсказуемого и высокого результата.

Ещё одна проблема результата: сложность его оценки. Есть формализованные метрики, но они спорны, сообщество пока не пришло к единому мнению, какая лучше. По сути, пока неоспоримым ориентиром служит только субъективное мнение фокус-группы о том, насколько качественный ответ дал AI-ассистент, насколько хорошо распознал аудио или текст. Из-за этого и задачу на старте поставить бывает сложно. Наверное, излишне напоминать, что она должна предполагать и как результат можно будет оценить в реальной экономии. У опытных вендоров есть методы тестирования гипотез, которые позволяют оценить целесообразность развёртывания ИИ-проекта недорого и быстро.

Ситуация с ИИ не отличается от кейсов внедрения любых других технологий – от «лампочек Ильича» до блокчейна: после ажиотажных ожиданий наступает время скепсиса, а затем период спокойного утилитарного применения. Не стоит ожидать, что искусственный интеллект решит любые возложенные на него задачи. Тем не менее, отслеживать кейсы применения нейронок, проверять гипотезы, чтобы оценивать потенциальную экономическую отдачу, точно стоит.