Обнаружение намерения на уровне разговора

Автоматизация обслуживания клиентов

Суть любого успешного процесса обслуживания клиентов - знать, чего хотят ваши пользователи. Корпорации используют целые отделы и тратят на это большие суммы денег. Тем не менее вскоре они понимают, что нельзя увеличить команду, например, чтобы читать комментарии в социальных сетях. Недавно ИИ проложил путь к своей автоматизации, продвигая стратегии обслуживания клиентов на основе данных. Отсюда недавний ажиотаж вокруг автоматических диалоговых систем (чат-ботов) для создания помощников, похожих на людей, которые взаимодействуют с пользователями. Однако возможности, открываемые ИИ, выходят за рамки чат-ботов: сокращать отток за счет раннего обнаружения недовольства пользователей, возобновлять обращения в службу поддержки клиентов на основе предупреждений о возникающих темах или определять приоритеты сообщений, в которых обнаруживаются возможности продаж. Вне зависимости от ситуации возникает общая потребность: автоматически определять намерения пользователя среди больших объемов неструктурированной информации.

Как Lang.ai может вам в этом помочь?

В предыдущем посте мы обсуждали, как использовать нашу технологию неконтролируемого ИИ для автоматизации обнаружения намерений пользователей на постоянной основе. Мы увидели, как с помощью этой технологии мы можем обнаруживать, анализировать и исследовать различные намерения ваших клиентов, идентифицировать их в новых высказываниях пользователей и давать им адекватное решение . Однако в данных обслуживания клиентов у нас обычно есть список разговоров, который включает в себя двусторонний диалог между двумя объектами (пользователем и агентом):

Мы могли бы использовать это согласование вопросов и ответов, чтобы улучшить процесс обнаружения намерений. В частности, мы стремимся обнаружить те намерения на каждой стороне диалога (вопросы и ответы), которые лучше всего определяют сценарий разговора. Например, в предыдущем примере несколько ассоциаций могли быть вызваны первым вопросом (например, пожалуйста + исправьте, батарея + разрядка или iOS + обновление). Однако, когда мы посмотрим на ответ, мы можем определить, что предпочтительное намерение для вопроса должно быть сосредоточено на производительности батареи. В частности, мы пытаемся идентифицировать слова на одной стороне диалога (например, вопросы), которые сильно связаны между собой, в соответствии со словами на другой стороне диалога (например, ответы).

Например, ниже приведены термины ответа, которые связывают аккумулятор и разряд в вопросах: сами слова (аккумулятор и разрядка), термины, связанные с производительностью батареи (срок службы, длительный, последний, полный) и другие термины, связанные с аккумулятором (заряд, оптимизация, здоровье).

Другими словами, батарея и разряд связаны (в вопросе), потому что они обычно совпадают с одним и тем же типом терминов в ответах (вы ожидаете, что термины, относящиеся к производительность батареи должна появиться в ответе). Напротив, пожалуйста и исправить не будут так тесно связаны. Интуитивно они на самом деле не просят ничего конкретного. Вы можете попросить помочь решить любую проблему. Фактически, оба термина встречаются много раз в запросах пользователей, связанных с множеством различных проблем. Следовательно, в ответах не будет конкретных терминов, которые связывают их обоих, потому что они не имеют тенденции совпадать с одним и тем же набором ответных слов.

С помощью этой новой формулировки мы намерены сосредоточиться на этих четко определенных разговорных отношениях, тем самым выявляя те намерения, которые лучше всего подходят для разговорного сценария, а не более актуальные намерения. Мы можем итеративно запускать этот процесс, чтобы вычислить отношения между терминами вопросов, учитывая слова в ответах, чтобы затем вычислить отношения между терминами ответов на основе обнаруженных взаимосвязей вопросов, и повторять процесс до тех пор, пока оба представления не сойдутся.

Полученные результаты

Давайте посмотрим на окончательное представление диалога и сравним его с исходным представлением (то есть, когда отношения были рассчитаны для каждой стороны диалога отдельно).

Для этого эксперимента мы использовали твиты, связанные с @AppleSupport, в Службе поддержки клиентов в наборе данных Twitter. Используя исходное представление, которое использует только информацию, содержащуюся в пользовательских твитах (запросы пользователей в службу поддержки Apple), это будут наиболее связанные термины и вес их отношений:

Как видно, он включает в себя некоторые общие ассоциации, которые едва ли интересны для определения разговорного сценария. Например, ассоциации, относящиеся к исправлению (пожалуйста + исправление, исправление + дерьмо, сбой + исправление), сильно связаны, потому что они много раз встречаются в вопросах (т. Е. Пользователи в основном жалуются на ошибки в продуктах Apple ). Среди этих ассоциаций мы также можем найти словосочетания (набор слов, которые всегда появляются вместе, потому что они определяют более широкое понятие): каждый + раз, любой + еще.

И наоборот, следующие термины являются наиболее связанными в вопросах пользователей (т. Е. В твитах) при рассмотрении их отношения к терминам ответов (т. Е. Терминам в ответах на твиты службы поддержки Apple):

При более внимательном рассмотрении можно заметить некоторые аспекты:

  • Более конкретный: они больше не определяют общие (тематические) намерения. Такие ассоциации, как пожалуйста + исправить или проблема + исправление, больше не входят в число наиболее важных.
  • Более разговорный: они сосредоточены на различных аспектах, которые определяют ход разговора в этом конкретном сценарии, например, проблемах с телефоном (разрядка батареи, Bluetooth, WiFi), проблемах с сервисами и продуктами Apple (Музыка , Watch, Pay) или общие проблемы (получение поддельных писем или мошенничества).

Это всего лишь небольшой отрывок из всего набора отношений (их сотни / тысячи). Принимая во внимание все эти отношения, эта новая индукция на уровне разговора позволяет более тонко обнаруживать намерения, что лучше подходит для управления разговорами. На следующем рисунке показаны некоторые из этих намерений (с наибольшим охватом):

Как показано на рисунке, обнаруживаются два типа важных намерений для стимулирования разговоров: сущности разговора (разные версии iPhone или разные сервисы Apple, такие как Music или Pay) и проблемы, связанные с этими объектами (производительность батареи или сбои приложения).

На следующем рисунке показаны некоторые сообщения, связанные с намерениями, которые определяют один из этих разговоров: проблемы с аккумулятором iPhone. Как видно из сообщений, похоже, что есть проблема с производительностью батареи iPhone 8 Plus.

Важно отметить, что эти намерения были вызваны совершенно неконтролируемым образом в твитах, адресованных учетной записи службы поддержки Apple в Twitter. Следовательно, для обнаружения этой или любой другой конкретной проблемы не требовалось никакой предварительной информации или наблюдения со стороны человека. Экстраполируя его на другие наборы данных или домены, наша технология искусственного интеллекта позволяет автоматизировать любую службу поддержки клиентов за счет неконтролируемого обнаружения намерений, связанных с проблемами, проблемами или комментариями, которые вызывают разговоры или жалобы пользователей.

Если вас интересует наша технология, вы можете запросить демонстрацию и узнать, как Lang.ai может помочь вам в достижении целей вашей компании: https://lang.ai/demo .

Ознакомьтесь с другими статьями в нашей публикации Building Lang.ai. Мы пишем о Машинном обучении, Разработка программного обеспечения и о нашей Корпоративной культуре.