Downloaded 14 times
More Related Content
20170221 cnet live講演資料
- 1.
- 2. 西鳥羽 二郎 • 2006年株式会社Preferred Infrastructure創業メンバーとして 参画 • プロトタイプ開発 • プロフェッショナルサービス • 研究開発 • 2016年 11月に株式会社レトリバ創業メンバーとして参画 • 取締役(研究開発面) • リサーチャー • 自然言語処理 • 音声認識 © 2017 Retrieva, Inc. 2
- 3. アジェンダ • 会社概要 • コールセンターの現状と課題 •コールセンターの効率向上AIソリューションご紹介 • コールセンターの戦略性向上AIソリューションご紹介 • 研究開発と今後の展望 © 2017 Retrieva, Inc. 3
- 4. 会社概要 © 2017 Retrieva,Inc. 4 会社名 設立 所在地 取締役 従業員 ミッション 事業内容 株式会社レトリバ 2016年8月 東京都千代田区富士見1-12-1 Q-DAN1991ビル4F 代表取締役社長 河原 一哉 取締役 西鳥羽 二郎 11名（2017年1月現在） ソフトウェア製品の開発、販売 お客様の課題を最先端の技術で解決する
- 5. 沿革 © 2017 Retrieva,Inc. 5 Preferred Networks Preferred Infrastructure レトリバ 機械の作り出す情報に注力 （IoT分野に注力） 2006年3月 2014年3月 2016年11月 人の作り出す情報に注力 創業以来、 ・機械学習 ・自然言語処理 ・検索／レコメンド に注力。
- 6. 会社概要：理念 © 2017 Retrieva,Inc. 6 お客様の課題を 解決する お客様の課題を解決するために、 最適な技術を提供します。 最先端の技術に 挑戦する 積極的に最先端の技術に対して 挑戦を行い、実用化させます。 人への投資を 惜しまない 会社にとって最も重要な資源 は人財であり、人財への投資 が最も重要だと考えます。
- 7. 会社概要：得意な技術（AI基盤技術） • 自然言語処理（Natural LanguageProcessing) • コンピュータに人間の使用している言語を処理する技術 • 機械学習（Machine Learning） • データから学習して処理を行う技術 • 深層学習（Deep Learning） • 大量のデータからより複雑なことを学習して処理を行う技術 • 音声認識（Speech Recognition） • 音声データから人間の会話を認識する技術 © 2017 Retrieva, Inc. 7
- 8. 会社概要：得意な技術（要素技術） • 日本語処理：日本語の特徴に対応した自然言語処理 • 自然言語分類：機械学習や深層学習で自然文を分類する技術 •レコメンド：機械学習や深層学習で自然文を推薦する技術 • 固有表現抽出：単語の意味を推測する技術 • 未知語対応：キーワード辞書に載ってない単語を扱う技術 • 自動要約：元の自然文を短く縮めてまとめる技術 © 2017 Retrieva, Inc. 8
- 9.
- 10. コールセンター業務概要 © 2017 Retrieva,Inc. 10 B2C B2B 電話 メール 顧客 オペレーター 管理者 コールセンター 顧客からかかってきた電 話に対してオペレーター が対応する
- 11. コールセンター業務概要 © 2017 Retrieva,Inc. 11 B2C B2B 電話 メール 顧客 オペレーター 管理者 FAQ 応対履歴 コールセンター オペレータが回答する時 に参照する情報を整備す る
- 12. コールセンター業務概要 © 2017 Retrieva,Inc. 12 B2C B2B 電話 メール チャット 顧客 オペレーター 管理者 FAQ 応対履歴 コールセンター 最近はチャネルが増えて きている
- 13. コールセンターの位置付け • コストセンター • 結構かかる（ほとんどが人件費） •オペレーションによる改善に限界がある • 付加価値が提供しにくい • 本来だったら情報集まってるのに記録しているだけで活用できてない • 集まってるデータを活用すれば戦略的な意味（サービス向上、新製品 開発、問題早期発見）があるのに。。。 • トレードオフ • 意味のあるデータを収集 → コスト高 • コスト削減 → 意味のあるデータが収集できない © 2017 Retrieva, Inc. 13
- 14. コールセンターの現状と課題：生産性 © 2017 Retrieva,Inc. 14 習熟度による処理時間の推移 0 200 400 600 800 1,000 0ヶ月 6ヶ月 12ヶ月 18ヶ月 対応時間 約65%減 (単位：秒) 出所：@コールセンター.jp （某金融系コールセンターでの事例） 採用後の残存人員数推移 採用時 1年目 2年目 3年目 100.0% 81.9% 67.1% 54.9% 出所：仁田道夫「コールセンターの雇用 と人材育成に関する国際比較調査」 （離職率データを元に作成） 3年後離職率3割 出所：コールセンタージャパン 有効求人倍率推移（非正規社員） 13年6月 16年7月 1.0 1.7企業から見た 倍率が1.7倍 応対には熟練が必要 定着率が低い職場 人員補充が困難 生産性を維持することが困難立ち上げ支援が必要 人員不足が深刻化
- 15. コールセンターの現状と課題：データ © 2017 Retrieva,Inc. 15 非構造化データ 既存ツールでの分析が困難 属人化した作業 データの品質に揺らぎがある データ量が多い 人による分析が困難 データの種類 データの分類 データの量 • 応対履歴 • テキストデータ • 記述ルールなし • メモ内容は任意 • 音声録音データ • エビデンス用 • 書き起こし無し • 音質悪い • 分類カテゴリ • カテゴリ設計が困難 • 分類ルールが複雑 • 抜け漏れがある • 分類作業 • オペレータの主観 • 教育不足 • 入力サボり • １日の発生数 • １人あたり30 - 100件 • 全体で１日で数千件 • 分析作業 • 応対履歴を読む • 業務知識が必要 • 負担が大きい
- 16. コールセンターの現状と課題：対策 © 2017 Retrieva,Inc. 16 生産性を維持することが困難 立ち上げ支援が必要 人員不足が深刻化 既存ツールでの分析が困難 データの品質に揺らぎがある 人による分析が困難 AIによるオペレーター支援 AIによるデータ分析支援
- 17. コールセンターの 効率向上AIソリューション Answer Finderご紹介 © 2017Retrieva, Inc. 17
- 18. Answer Finder：概要 © 2017Retrieva, Inc. 18 ①問い合わせ ②問い合わせ内容を入力 ④回答候補をアウトプット⑤回答 利用の概要 顧客 オペレーター 以前購入した携帯（機種 名：XXXX）の画面がチ ラつくのですが？ 以前購入した携帯（機種 名：XXXX）の画面がチ ラつくのですが？ サポートプログラムに加 入の場合は、無償交換可 能です。 サポートプログラムに加 入の場合は、無償交換可 能です。 過去の回答履歴を参考に顧客に回答 問い合わせ内容から AIが適切な過去の応対履歴を発見
- 19. Answer Finder：利用イメージ © 2017Retrieva, Inc. 19 顧客 対話ログ SV チューニング 問合せ問合せ内容 を全文入力 回答を表示 顧客 問合せ 回答を表示 顧客 応対 問い合せ ベテランの応答内容をシステムから検索 対応効率＆対応品質UP ↑ 過去の運用ログによる学習 チューニングで精度を向上 学習＆チューニング 運用 ベテランオペレーター 一般オペレーター
- 20. Answer Finder：利用画面 © 2017Retrieva, Inc. 20 検索画面 検索結果 • ベテランオペレーターの対話ログを学習することで誰もがベテランと同水準の応答を実現 • システムの学習を進めることで自動応答も視野に 顧客からの質問を入力 よく似た過去のやり取り を検索し表示
- 21. Answer Finder：導入事例 © 2017Retrieva, Inc. 21 導入前 導入後 7min 2min 構成 導入結果 情シス 企画 販売 広報 ・・・・等 担当部門へ振り分け ②質問の全文入力 ③過去の回答事例 を表示 店舗 ①改善提案 ④改善提案に対 する対処を回答
- 22. コールセンターの 戦略性向上AIソリューション VoC Analyzerご紹介 © 2017Retrieva, Inc. 22
- 23. VoC Analyzer：概要 © 2017Retrieva, Inc. 23 アンケート結果 問い合わせ履歴 ソーシャルメディア インプット ※デジタル化文章であればなんでも インプット可能 キーワード 注目データ 類似データ アウトプット 自然言語処理 深層学習 機械学習 VoC Analyzer
- 24. VoC Analyzer：利用イメージ © 2017Retrieva, Inc. 24 顧客 オペレーター 学習データ 利用の概要 自社製品改善テーマ発見 自社製品解約理由発見 市場ニーズ発見 など 問合せ履歴 自動分類 学習 マネジメント マーケティング SV
- 25. VoC Analyzer：導入事例 © 2017Retrieva, Inc. 25 利用概要 利用先 インハウスのコールセンター 分析対象 お問い合わせ履歴 導入効果 発見 経営上、重要な事象を発見 分析の狙い 注目すべき問合せを抽出／分析 ・顧客ニーズ ・製品の改善点 .... etc 効率化 分析作業を1/10〜1/100に削減 見える化 関係者へのレポーティング ・経営陣 ・関連部門
- 26. 研究開発と今後の展望 © 2017 Retrieva,Inc. 26
- 27. 音声認識エンジンとの連携による自動支援 • 音声認識エンジンのリアルタイム機能で応対内容を自動データ 化 • 応対内容から自動的に過去の応対履歴を検索 →オペレーターはキーボード入力無しにAIからの支援を得ら れる © 2017 Retrieva, Inc. 27
- 28. 音声認識の研究開発 • Chainerへのcontributeを通じてオープンに開発をしています • 最適化関数NesterovAG • 活性化関数 ClippedReLU • 損失関数 Connectionist Temporal Classification © 2017 Retrieva, Inc. 28 Torch7: Baiduが 2016年1月に公開 TensorFlow: 2016年2月に搭載 Chainer: 2015年 10月に搭載
- 29. 要約エンジンとの連携による応対履歴の自動生成 • 音声認識でデータ化された応対内容から重要な応対部分を集約 • 応対内容から自動的に要約された応対履歴を生成 →オペレーターの応対履歴を作成する負担を減らす © 2017 Retrieva, Inc. 29
- 30. Summary • コールセンターはコスト削減のため、効率化が求められている が、努力による改善が難しい状況。 • コールセンターには価値のある情報があるはずだが、有効活用 ができていない。 •効率化や情報の有効活用をするためにはAIの活用が必須。 • レトリバは最新のAI技術でコールセンターを支援します。 © 2017 Retrieva, Inc. 30
- 31. © 2017 Retrieva,Inc. 31