python

Автоматизация обслуживания клиентов: An End-To-End решение от DeepPavlov

  • среда, 8 апреля 2020 г. в 00:27:41
https://habr.com/ru/company/mipt/blog/496154/
  • Блог компании Московский физико-технический институт (МФТИ)
  • Python
  • Машинное обучение
  • Искусственный интеллект
  • Natural Language Processing


Сегодня мы все чаще используем приложения для обмена мгновенными сообщениями (Facebook Messenger, WhatsApp, Telegram и т. д.) и устройства в виде голосовых помощников (Amazon Echo и Google Home и т. д.), помогающих получать моментальный ответ на запрос. Поэтому современные компании закладывают значительный бюджет в разработку искусственных помощников, чтобы предоставлять своим пользователям наилучший клиентский сервис, когда это необходимо. В этой статье мы расскажем, как использовали технологию искусственного интеллекта DeepPavlov для расширения возможностей обслуживания клиентов компании Интерсвязь.



В современном мире одним из решающих факторов для работы и процветания компании становятся прочные доверительные отношения с клиентами. Эффективное и качественное обслуживание клиентов является ключевой задачей, позволяющей анализировать клиентский опыт и улучшать его. Желание сделать работу с клиентами более отзывчивой, интеллектуальной и универсальной является областью равного внимания как для руководителей, ИТ-директоров, так и для директоров по маркетингу и пользовательскому опыту по всему миру.

В то время как существует широкий выбор готовых продуктов, которые позволяют создавать сервисы, подобные искусственным помощникам, некоторые компании должны идти глубже и создавать свои собственные решения для улучшения их действующих систем поддержки клиентов. Например, справочные службы, информационные панели, веб и мобильные приложения для клиентов с интегрированным интерфейсом чата.

Одной из таких компаний является «Интерсвязь», российский интернет-провайдер с 1,5 млн активных пользователей. Для «Интерсвязи» сделать службы поддержки более интеллектуальными и сократить расходы на них, не жертвуя качеством обслуживания – задача нетривиальная. Чтобы решить эту проблему, компания стала использовать технологии разговорного интеллекта от DeepPavlov. В результате улучшилась система поддержки за счет внедрения интеллектуального помощника, который стал общаться с пользователями, решать вопросы технической поддержки и обрабатывать новые заявки.

Как итог:

  • разработанная система сократила среднее время консультации и ослабила нагрузку на сотрудников колл-центра, в результате они могли заняться более сложными запросами;
  • 20% всех запросов теперь решаются без участия сотрудников колл-центра;
  • разработанное решение достигло 85% точности понимания естественного языка в рамках заложенных в систему сценариев.

О компании «Интерсвязь»


«Интерсвязь» — российская телекоммуникационная компания, которая имеет 1,5 млн пользователей в 20 городах по всей России. Компания предлагает своим клиентам подключение к Интернету, а также сетевое оборудование и устройства. Служба поддержки клиентов обрабатывает более 100 тыс. обращений в чаты и голосовые каналы ежемесячно. Клиенты также обращаются в службу поддержки через предоставленное компанией приложение.

Учитывая характер бизнеса интернет-провайдера, «Интерсвязь» имеет относительно большую службу поддержки, которая обеспечивает быстрое реагирование и обработку на запросы клиентов. В свою очередь компания решила использовать инструменты NLP (обработки естественного языка), чтобы сократить расходы на техническую поддержку и, в то же время, повысить качество самообслуживания, предоставив своим клиентам интеллектуального помощника — чат-бота, ориентированного на взаимодействие с клиентами.

Много слышал про Чат-ботов, но что это?


Для чего нужен чатбот?


Чат-бот — это решение на основе искусственного интеллекта (ИИ), которое общается с людьми через интерфейс живого чата. Чат-бот анализирует каждый запрос клиента, сопоставляет его с известными сценариями и, находя правильный, дает быстрый ответ. В то время как некоторые чат-боты используют сравнительно примитивное сопоставление фраз, используя технологии, такие как регулярные выражения, более продвинутые полагаются на технологии машинного обучения (ML) для лучшего понимания вопросов клиентов.

Как работают чат-боты?


С точки зрения конечного пользователя, после того как проблема или вопрос отправлен в компанию, по телефону или в чате, компания дает ответ; тогда этот диалог между пользователем и компанией ориентирован на решение потребностей конечного пользователя.

С технической точки зрения чат-бот является целенаправленной диалоговой системой, которая анализирует запрос пользователя, чтобы определить конечную цель пользователя (например, решить технические проблемы, купить продукт или получить рекомендации по обслуживанию) и обработать его.

Роль чат-ботов в сфере обслуживании клиентов


Чат-боты очень эффективны с точки зрения удовлетворения и вовлеченности клиентов. Автоматизированное обслуживание клиентов обеспечивает постоянную 24/7 поддержку для быстрого разрешения запросов по всем каналам связи. Мгновенное обслуживание имеет решающее значение для успеха организации, а его автоматизация дает преимущество в персонализации связи между компанией и ее клиентами.

Дополнительной пользой для компаний является снижение эксплуатационных расходов колл-центров. Предоставляя своим клиентам услуги поддержки пользователей на основе чата, компания получает максимальную выгоду: увеличивая свои доходы за счет удержания клиентов и уменьшая затраты на колл-центр.

Построение чат-бота в Интерсвязи




Основные каналы связи


У «Интерсвязь» есть два типа пользователей, внутренние и внешние, которые используют следующие механизмы для связи с компанией:

Клиенты используют:

  • Мобильное приложение
  • Веб и мобильный чат

Сотрудники службы поддержки используют:

  • Систему техподдержки
  • Системы мониторинга

Когда пользователь отправляет запрос по любому из указанных выше каналов, он преобразуется в текстовую форму, а затем отправляется в диалоговую систему чат-бота, которая затем пытается сопоставить его с одним из известных намерений, таким образом идентифицируя цель конечного пользователя.

От запроса к намерению


Для правильного анализа и определения намерения конечного пользователя чат-бот «Интерсвязи» использует следующие алгоритмы машинного обучения:

  • нормализация текста;
  • морфологический анализ;
  • семантическое сходство;
  • классификация намерений;
  • ранжирование;
  • распознавание именованных сущностей;
  • заполнение слотов.

Затем чат-бот преобразует идентифицированное намерение в вызов внутренних служб — базы данных или другие информационные системы. Получив результат, диалоговая система готовит ответ на естественном языке. В случае же, если исходный запрос пользователя не имеет достаточной информации, чат-бот запускает уточняющий диалог, чтобы собрать все недостающие параметры для обработки запроса.

Готовые ML-модели


В библиотеке с открытым исходным кодом DeepPavlov есть бесплатное и простое в использовании решение для построения диалоговых систем. DeepPavlov поставляется с несколькими предобученными компонентами на базе TensorFlow и Keras для решения конкретных задач, а также предлагает инструменты для тонкой донастройки моделей.

Команда разработчиков «Интерсвязи» использовала следующие модели для создания собственного решения, работающие с русским языком:


*Попробовать эти и другие модели можно в демо версии.

Мощная комбинация этих моделей позволяет чат-боту определить тему запроса клиента, а затем быстро ответить на часто задаваемый вопрос или решить проблему (например, про ежемесячные расходы, почему не работает интернет-соединение и т.д.). Анализ настроений позволяет чат-боту распознавать, требуется ли дополнительное внимание со стороны операторов службы поддержки компании для данного пользователя.
Даже с предобученными моделями из DeepPavlov «Интерсвязи» удалось увеличить количество закрытых без участия человека заявок с 20% до 40%.

Диалоговый менеджер


Разработчики «Интерсвязи» создали решение, полностью покрывающее их запросы, используя инструменты тонкой настройки и способность библиотеки предоставлять свои модели в виде контейнеров (Docker):



Библиотека DeepPavlov позволила не только просто развернуть решение, но и стала очень удобным инструментом для запуска стандартных A/B-тестов для определения наилучших моделей нужных компании сценариев взаимодействия бота с пользователем.

Основное преимущество использования библиотеки DeepPavlov в качестве диалогового менеджера — декларативный подход к определению, какие модели следует использовать и в каком порядке, в конфигурационных файлах. Этот подход позволил компании не только определить, какие компоненты требуются для запуска чат-бота, но и отследить зависимости, а также предоставить пути для загрузки отсутствующих обученных моделей.

Операционная ML Инфраструктура


Помимо библиотеки DeepPavlov, компания использовала следующие вспомогательные механизмы для формирования и управления своей ML-инфраструктурой:

  • DVC — набор инструментов, созданный для совместного использования и воспроизведения моделей; используются для хранения и создания версий больших обучающих и промежуточных наборов данных,
  • MLFlow — платформа с открытым исходным кодом, используемая для управления жизненным циклом ML-моделей; используется для отслеживания экспериментов и хранения артефактов.

Эти технологии в сочетании с полным набором инструментов для обучения и развертывания моделей DeepPavlov позволили легко воспроизводить и повторно использовать успешные ML-модели.

An end-to-end решение для построения чатбота


Для создания чат-бота с использованием ML-моделей требуется несколько ключевых компонентов:

  • формирование датасета;
  • обучение моделей;
  • управление версиями моделей;
  • развертывание модели;
  • платформа для проведения A/B экспериментов, адаптированная для ML-моделей;
  • Dialog Manager с возможностью гибкого запуска различных моделей в соответствии с требованиями A/B-тестирования;
  • понимание намерения.

Создание датасета и управление версиями ML-моделей покрываются с помощью готовых решений в виде библиотек с открытым исходным кодом, таких как DVC и ML Flow. Библиотека DeepPavlov предоставляет компаниям такие возможности, начиная с обучения модели и заканчивая пониманием намерений и настраиваемым диалогом для A/B-тестирования через Dialog Manager.

Таким образом полный процесс обновления существующих моделей был сокращен с нескольких месяцев до пары дней. В результаты инженеры стали больше времени уделять действительно сложным задачам: анализу, проверке гипотез и исследованиям.

Следующим шагом развития разработанной системы станет дальнейшая автоматизация взаимодействия с клиентами за счет расширения числа охватываемых сценариев, улучшение ответов интеллектуального помощника, а также намерений, которые чат-бот сможет обрабатывать без участия оператора.

Заключение


В то время как первые чат-боты использовали комбинацию простых условных выражений и сопоставления текста, то уже сегодня применяются современные алгоритмы машинного обучения, которые способны понимать и общаться с человеком на естественном языке. Чат-боты уже не просто будущий тренд в обслуживании клиентов; они уже здесь, и применяются в реальных компаниях для решения конкретных задач.

В следующий раз мы поделимся техническим описанием данного кейса. А пока начните изучать DeepPavlov и не забывайте, что у нас есть форум – задавайте свои вопросы относительно библиотеки и моделей. Спасибо за внимание!



Дополнительно


На недавней встрече пользователей и разработчиков библиотеки DeepPavlov, которая прошла 28 февраля, представители компании «Интерсвязь» Дмитрий Ботов и Станислав Питуганов поделились, как применяются технологий NLP в контакт-центре провайдера. Посмотреть видео можно здесь.