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
▪️ 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.