Внедрение лингвистического модуля Банк ОТКРЫТИЕ

Заказчик: ПАО Банк «ФК Открытие»
Руководитель проекта со стороны заказчика: Кирилл Меньшов

Старший вице-президент по информационным технологиям
ИТ-поставщик: Банк ОТКРЫТИЕ
Год завершения проекта: 2017
Сроки выполнения проекта: Февраль, 2017 — Июль, 2017
Масштаб проекта: 3312 человеко-часов
20000 автоматизированных рабочих мест
Цели: Цель проекта –
1. Ускорить выполнение почтовых обращений в ИТ
2. Улучшить качество маршрутизации и категоризации заявок
3. Высвобожденные ресурсы направить на повышение качества ИТ-услуг

Уникальность проекта

В рамках проекта впервые в банковском секторе был внедрен уникальный функционал, аналогов которому нет в ITSM решениях на территории России.
Лингвистический модуль предоставляет колоссальное преимущество ИТ департаменту, благодаря автоматической обработке 666400 заявок в год, а также снижению количества ошибочно направленных заявок.
Процент ошибок маршрутизации снизился с 6 до 2,5 процентов по сравнению с работой сотрудников первой линии. Высвобожденное время составляет 6941 ч\дн в год,.

Проект решает задачи импортозамещения: Нет
Использованное ПО: В качестве ИТ системы была использована текущая ITSM система – OTRS. Почтовый модуль системы OTRS был интегрирован с собственной разработкой ООО «Преферентум» - Лингвистический модуль.
Описание проекта: Банк активно использует автоматизацию различных бизнес-процессов, снижение затрат на типовые операции. Банк поддерживает инновационные подходы как в ведении бизнеса, так и во внутренних процессах. ИТ служба банка обрабатывает в год более 1,6 миллионов заявок. ITSM система должна оценивать контекст заявки и самостоятельно принимать решение, имея за плечами определенный набор знаний. Для достижения цели мы внедрили в OTRS самообучаемый модуль, который распознает текст обращений пользователей, самостоятельно категоризирует и распределяет почтовые заявки по сервисам и группам исполнителей. Классификатор работает в двух режимах. В режиме обучения индексируются заявки, которые ранее были классифицированы оператором (обучающая выборка). При их обработке система автоматически настраивает классификационный индекс – миллионы весовых коэффициентов, описывающих значимые признаки в тексте заявки, взаимосвязи между ними, связи с рубриками классификатора. Используемые для машинного обучения подходы близки к технологии свёрточных нейронных сетей. В режиме классификации обрабатывается текст поступившей заявки и выдается отсортированный по убыванию перечень наиболее подходящих рубрик с указанием вероятности отнесения заявки к данной рубрике. Быстрое время обучения классификатора (400 000 обращений система обрабатывает за несколько минут), возможность передачи неуверенно классифицируемых заявок на ручной разбор оператору позволили добиться высоких показателей качества – система обрабатывает 85% всего потока заявок и делает это в два раза точнее человека. Обучение классификатора проводилось силами сотрудников банка. Для взаимодействия внешней ИС с классификатором используются веб-сервисы, позволяющие через REST-запросы программно управлять режимами работы, настраивать параметры индексирования, проводить дообучение классификатора в режиме получения «обратной связи» от оператора. Интересной особенность классификатора является возможность обрабатывать скриншоты и распознавать на них текстовые фрагменты интерфейса информационных систем и выделять характерные графические фрагменты – иконки приложений, логотипы поставщиков и т.п. Это особенно важно именно для обработки обращений на горячую линию, поскольку часто важная для маршрутизации заявки информация содержится только в таком графическом виде.
География проекта: Проект работает на территории банка по всей стране, обслуживая около 20000 сотрудников организации, которые в год подают около 1,6 млн. заявок по 1700 ИТ услугам. Работа модуля затрагивает весь персонал ИТ, около 1300 сотрудников.
Дополнительные презентации:: LM_9.pdf