W jaki sposób usprawnić proces obsługi klienta z wykorzystaniem sztucznej inteligencji? Jak sztuczna inteligencja może poprawić procesy sprzedażowe? Jak wykorzystać nową technologię w Twojej firmie? >> https://edward.ai/pl <<

1. JAK USPRAWNIĆ PROCESY
OBSŁUGI KLIENTA
Z wykorzystaniem sztucznej inteligencji
Bartłomiej Rozkrut
https://edward.ai

4. 6 000 000 170 00050 000 000
downloads reviewsproperties
Liczby, liczby…

5. SETKI TYSIĘCY
Zgłoszeń serwisowych
„Chcemy użyć sztucznej inteligencji, aby usprawnić obsługę ticketów”
KILKADZIESIĄT
Języków
Nasz punkt wyjściowy

6. Machine learning

7. Automatyzacja obsługi części zgłoszeń
1. Informacje do filtrowania zgłoszeń (np. prediction,
prediction_internal_note, coins_given) – nie dla wszystkich zgłoszeń
predykcja jest dopasowana z wysoką skutecznością,
2. Klasyfikacja języka (pl, en, itd.),
3. Klasyfikacja typu zgłoszenia (np. review, servererror,
positivefeedback, invitationlink, gps_problem, newproperty,
lotteryloss, propertydisappeared, namechange),
4. Etap początkowy – predykcja labela (label + prawdopodobieństwo),
5. Etap przejściowy – dodatkowo propozycja odpowiedzi jako
wewnętrzna notka do zgłoszenia,
6. Docelowo – automatyczna odpowiedź na zgłoszenie.

8. Pomysły
Pierwsze propozycje rozwiązań

9. Klastrowanie
Automatycznie wydzieliliśmy podobne do siebie zgłoszenia, a
następnie zostały one opisane w kilkunastu klasach
Duże zróżnicowanie datasetu pod kątem języków, niektóre klasy posiadały zbyt małą ilość
reprezentantów w danym języku (kilkanaście-kilkadziesiąt), żeby nadawały się do trenowania
x y z v

10. Wstępne wyniki
Oraz rewizja wymagań

11. 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
T1 T2 T3 T4

12. Supervised learning
ML + człowiek

13. Pomoc człowieka
1. 100% uczenie nadzorowane – do każdego* ticketu support miał
przyporządkowywać tagi z klasą zgłoszenia (jeden lub więcej),
2. Za duży narzut dla supportu,
3. Ze względu na problemy z jakością danych i narzutem na pracę
operatorów porzuciliśmy to podejście.

14. Machine translation
End-to-end

15. Wyniki po zmianach
Czy to jest to czego chcieliśmy?

16. Translacja?
1. Wykorzystanie mechanizmu translacji wykorzystującego sieć
neuronową seq2seq (encoder LSTM, a także CNN),
2. Mapowanie pytań na odpowiedzi (pytanie to język A, a
odpowiedź to język B).,
3. Rozwiązanie o niższej skuteczności, ale zerowy narzut na
operatorów,
4. Możemy dawać propozycje odpowiedzi, z których któraś może
być dobra.

17. Wynik
KILKADZIESIĄT TYSIĘCY
Sklasyfikowanych zgłoszeń

18. Na czym się skończyło
Rozwiązanie realnego problemu

19. Człowiek > Maszyna
Ale…

20. Obsługa powtarzalnych akcji
• Akcje marketingowe polegające na wysłaniu screenshota, którego
trzeba było sprawdzić (czy ktoś wcześniej nie dostał i co jest na
screenie), a następnie przyznać nagrodę,
• Po otrzymaniu kilku tysięcy screenshotow trzeba było zatrudnić
dodatkowe osoby.

21. Jak to jest robione?
1. Wróciliśmy do listy zgłoszeń, z których większość była
screenshotem (na początku je wykluczyliśmy),
2. Okazało się, że obróbka tych screenshotów zajmuje kilka
dodatkowych etatów w miesiącu,
3. Wytrenowaliśmy model do rozpoznawania wzorców na
obrazach, dzięki czemu nie trzeba tego robić ręcznie,
4. Algorytm funkcjonuje już od około 3 miesięcy,
5. Całość zrobiona bez zaangażowania RG, w pełni automatycznie
obsługuje proces nadawania monet w zamian za reviews,
6. Problem najmniej „wow”, ale daje najwięcej korzyści!

23. Prosta architektura systemowa
1. Architektura mikroserwisowa,
2. Mikroserwisy
1. rabbitmq – message broker,
2. zendesk-connector – pobiera tickety i przekazuje na kolejkę,
3. classification-service – klasyfikator,
4. training-service – trenowanie modelu w oparciu o dane wsadowe,
5. retraining-service – retrenowanie w oparciu o nowe dane oraz etykiety
pochodzące od operatorów (w tym korekty predykcji),
6. zendesk-updater – czyta kolejkę i aktualizuje zgłoszenia w ZenDesk

24. W czym pomogliśmy?
Liczby, liczby, liczby

25. Liczby (3 miesiące)
1. Zgłoszenia obsłużone w 100% automatycznie
2. Natychmiastowa odpowiedź dla użytkownika!
3. Dwójka pracowników, która może poświęcić swój czas na
wsparcie realnych problemów użytkowników
4. Odporność na nagły wzrost ilości zgłoszeń

26. Dalsze eksperymenty
Chatbot jako element rozrywki

28. yo man
All of the women on The Apprentice flirted with me –
consciously or unconsciously. That’s to be expected.
how are you?
I'm president of GREAT AMERICA so I'm doing very well!
what do yu think about UK
It all about money.
and what about mexicans?
Time to build a great wall on our southern border!

29. hi
Hello my man
I don't like you
It must be a pretty picture, you dropping to your knees
Fuck off
Fuck you too.
What do you think about obama
It all about money.

30. Eksperyment
Słowo klucz

32. Chcesz pomóc?
Porozmawiajmy 

33. Dziękuję!
https://www.linkedin.com/in/brozkrut/
https://edward.ai