Все материалы серии об использовании ML/AI в создании продуктов

1. Зачем продакт-менеджеру изучать ML и AI 2. Большие языковые модели: основы для тех, кто хочет строить продукты на их базе 3. Как ML-технологии помогают улучшать Retention продуктов 4. Как найти возможности для применения AI в вашем продукте 5. Базовое руководство для улучшения качества продуктов с LLM 6. Продвинутые методы улучшения качества продуктов с LLM: RAG 7. Почему идеальной ML-модели недостаточно, чтобы построить бизнес вокруг ML 8. Внедрение ML/AI для оптимизации процессов службы поддержки в крупном продукте: разбор кейса 9. AI-cтартапы: продавайте результат работы, а не софт 10. Новый этап развития генеративного AI: что это значит для стартапов и инвесторов?

Внедрение ML/AI для оптимизации процессов службы поддержки в крупном продукте: разбор кейса

Описанный ниже кейс вдохновлен опытом компании VK, которым они делились в докладе «Поддержка VK: как оставаться поддержкой с человеческим лицом, внедряя ML».

Команда выбрала подход с использованием генеративного AI для того, чтобы делать подсказки ответов агентам. Этот подход позволил сократить время до первого ответа пользователю и время решения проблемы пользователя в пять раз. Это очень существенный результат.

Как было реализовано выбранное решение

Давайте подробнее разберем, как именно работал выбранный способ внедрения ML/AI и в чем его выгоды относительно альтернативных вариантов.

Суть подхода:

▪️ Генеративная модель обучалась in-house на огромной выборке решенных обращений пользователей (команде были доступны большие объемы исторических данных).

▪️ При появлении нового обращения модель генерировала несколько потенциальных вариантов ответов.

▪️ Агент быстро просматривал эти варианты ответа и выбирал наиболее подходящий.

▪️ Далее агент мог скорректировать ответ и отправить его пользователю.

Почему выбранный выше подход — грамотное решение для внедрения AI в таком крупном проекте?

Многие команды допускают ошибку, когда сразу пытаются передать ML-модели либо всю важную работу, либо очень значимые ее куски. Однако намного эффективнее как минимум начинать с модели copilot, когда ML/AI помогает закрывать рутинные и повторяющиеся задачи, а финальное решение и ответственность остается за человеком.

Курс «AI/ML-симулятор для продакт-менеджеров» в группе с ментором:

🔹 Научитесь видеть возможности для применения AI/ML в вашей текущей роли
🔹 Запустите собственный продукт с AI/ML

→ Оставьте заявку на участие в группе ←

Плюсы такого подхода:

▪️ Благодаря ручной проверке нет репутационных рисков для компании, ведь модель может сгенерировать все что угодно, включая токсичную или некорректную информацию.

▪️ Генеративные модели позволяют формировать ответы на вопросы пользователей, которые похожи на ответ сотрудника поддержки (как это происходит, мы разбирали в статье).

▪️ Наличие потенциальных вариантов ответов позволяет существенно повысить эффективность работы агента, сокращая время на поиск необходимых деталей, формирование и набор ответа.