Generatywna AI w procesach obsługi i analityki klienta

Generatywna sztuczna inteligencja w obsłudze klienta

Generatywna sztuczna inteligencja odnosi się do modeli uczenia głębokiego (ang. deep learning), które potrafią generować wysokiej jakości teksty, obrazy oraz inne treści w oparciu o dane, na których były trenowane. Do tej kategorii zaliczają się m.in. popularne ChatGPT, Google Bard czy Midjourney.  

Z punktu widzenia zastosowania technologii generatywnej AI w zakresie obsługi klienta, w poniższym artykule skupimy się wyłącznie na modelach przetwarzających tekst — wejście na tekst — wyjście (ang. text-to-text). Weźmiemy pod lupę trenowanie modeli językowych, w tym tzw. dużych modeli językowych (ang. Large Language Model, LLM).

Jak wytrenować model tekstowy?

W pierwszym etapie trenujemy model na rozległym zbiorze tekstów. Dostępne są strategie trenowania:

• MLM (ang. Masked Language Model — strategia oparta na uczeniu się na podstawie kontekstu zamiast polegania na reprezentacji konkretnych słów);
• Strategia autoregresywna — oparta na prognozowaniu kolejnych słów sekwencji na podstawie poprzedników. 

Proces fine tuningu

Następnie nasza sztuczna inteligencja, czyli w tym przypadku model tekstowy, dostaje różne zadania (np. streszczenie tekstów, rozwiązywanie zagadek logicznych czy odpowiadanie na pytania). To pozwala na lepsze dostosowanie modelu do konkretnej sytuacji. Proces ten nazywamy fine tuningiem. Fine tuning możemy utożsamiać z ograniczonym uczeniem, np. tylko niewielka część parametrów czy warstw modelu może być modyfikowana.

Formułowanie promptów

To wszystko stanowi punkt wyjścia dla modelu, który tworzy odpowiedź opartą na analizie wcześniejszych tekstów. Formułowanie skutecznych promptów (podpowiedzi) przez specjalistę obsługującego interfejs narzędzia, jest kluczowe dla uzyskania trafnych i wartościowych wyników. Z uwagi na to, iż jest to proces wielostopniowy, użytkownik iteracyjnie podpowiada modelowi, uszczegóławiając swoje zapytanie, aż do uzyskania satysfakcjonującej formy odpowiedzi.

Aby skutecznie formułować podpowiedzi, należy:

• rozumieć model,
• działać iteracyjnie,
• walidować (sprawdzać),
• eksperymentować,
• unikać ogólników.

Parametry odpowiedzi

Istotnym elementem interakcji z generatywnymi modelami AI, jest ustawianie parametrów podpowiedzi, które pozwalają użytkownikowi dostosować działanie modelu, aby lepiej spełniał określone wymagania. Te parametry są kluczem do manipulowania jakością i charakterem generowanych odpowiedzi.

Uwaga! Parametryzacja następuje wyłącznie poprzez API lub w dedykowanych tzw. sandboxach.

Istnieje kilka ważnych ustawień, o których warto wspomnieć:

• Penalizacja powtórzeń: mówi sztucznej inteligencji, czy ma unikać powtarzania tych samych słów lub zdań w odpowiedz.
• Temperatura: wpływa na losowość generowanych odpowiedzi. Wyższa temperatura sprawia, że odpowiedzi są bardziej różnorodne, ale mogą być mniej spójne. Niższa temperatura prowadzi do bardziej przewidywalnych odpowiedzi.
• Top-k próbkowanie: To technika, która pozwala modelowi wybierać tylko z najbardziej prawdopodobnych słów lub tokenów w odpowiedzi. Parametr k określa, ile z tych najbardziej prawdopodobnych wyborów ma być branych pod uwagę. Wyższa wartość k oznacza większą różnorodność w odpowiedziach.
• Maksymalna długość: mówi generatywnej AI, jak długa ma być odpowiedź. To ważne, jeśli nie chcemy, żeby sztuczna inteligencja operowała zbyt długimi i mało konkretnymi odpowiedziami.
• Maksymalna liczba tokenów: Określa maksymalną długość odpowiedzi w tokenach. Jest to przydatne, aby uniknąć generowania zbyt obszernych odpowiedzi.
• Stop sequence: mówi generatywnej AI, kiedy ma skończyć generować odpowiedź. Możemy ustawić, żeby zakończyła odpowiedź po przeczytaniu słowa „koniec”.

Wykorzystanie generatywnej AI w biznesie

Radzenie sobie z prawie każdym zadaniem spowodowało, że generatywne AI ma coraz większy wpływ na produktywność pracownika zwłaszcza w procesach bogatych w wiedzę i wymagających od pracowników umiejętności kognitywnych.   

Procesy bogate w wiedzę to takie, które zależą od głębokiej, często specjalistycznej wiedzy na temat danego tematu lub dziedziny. Przykłady mogą obejmować np. analizę prawną, diagnozowanie medyczne, badania naukowe lub analizę finansową.  

W takich procesach generatywne AI może pomóc na przykład poprzez generowanie syntetycznych danych do treningu innych modeli, generowanie raportów lub analiz opartych na dostępnych danych, czy nawet sugerowanie możliwych rozwiązań na podstawie wcześniej nauczonego kontekstu i wzorców.

Kolaboratywna (współpracująca) inteligencja

Umiejętności kognitywne odnoszą się do zdolności umysłu do przetwarzania informacji, rozwiązywania problemów, podejmowania decyzji, twórczego myślenia i nauki. Generatywna AI, mimo swojej potężnej mocy, nie zastępuje ludzi, ale staje się narzędziem wspomagającym i współpracującym, tworząc to, co nazywamy kolaboratywną albo współpracującą inteligencją. 

Współpracująca inteligencja odnosi się do synergii, która powstaje, gdy ludzie i maszyny pracują razem, wykorzystując swoje unikalne zdolności, aby osiągnąć wspólne cele. Takie podejście jest szczególnie ważne w dziedzinach, które wymagają głębokiego zrozumienia, empatii, etyki i innych aspektów, trudnych lub niemożliwych do nauczenia przez maszyny.   

W tych dziedzinach mieszane zespoły ludzi i modeli generatywnej AI mogą pracować razem, tworząc środowisko, w którym maszyny pomagają zautomatyzować i usprawnić zadania nadające się do automatyzacji, a ludzie skupiają się na aspektach, które wymagają ludzkiego dotyku i osądu.

Sztuczna inteligencja a kwestie bezpieczeństwa

Sztuczna inteligencja przynosi wiele korzyści, ale też niesie ze sobą pewne wyzwania związane z bezpieczeństwem. Oto kilka kwestii, o których warto pamiętać, korzystając z rozwiązań opartych o AI:

Dane osobowe zwykłe i dane wrażliwe

Do danych osobowych zwykłych należą np. imię i nazwisko, a dane szczególnie chronione to np. rasa i poglądy religijne. Ponieważ nawet w komercyjnych rozwiązaniach takich dostawców jak OpenAI czy Google dane są przetwarzane i zapisywane na serwerach, należy unikać przekazywania tam danych o szczególnym znaczeniu.

Można temu zapobiec na kilka sposobów: korzystać z API, korzystać z płatnych planów np. Enterprise lub maskować dane.

Iluzja halucynacji

AI usypia nasza czujność. Po wielu poprawnych odpowiedziach możemy uzyskać odpowiedź wyglądająca na wiarygodną, ale w rzeczywistości będącą błędną. Poprawność językowa nie czyni odpowiedzi poprawną merytorycznie. Pamiętajmy, że AI to model oparty o prawdopodobieństwo, a nie 100% pewny. Dlatego wskazane jest weryfikowanie otrzymanych danych.

Stronniczość

Nazywana też skrzywieniem lub bias. Ta kwestia występuje głównie w przypadku sytuacji, w której ciąg uczący był niewystarczająco zróżnicowany. Dla przykładu przyjmijmy, że przy nauce modelu generującego grafikę dane uczące zawierały wyłącznie zdjęcia koni arabskich.

W przyszłości model ten, zapytany o zdjęcie konia, wygeneruje odpowiedź w oparciu o znajomy szablon. Prawdopodobnie nie będzie umieć wskazać różnicy między koniem arabskim a np. koniem andaluzyjskim.

Generatywna AI w obsłudze klienta

W wielu sektorach potencjał wykorzystania AI, ograniczając się nawet tylko do tytułowego wsparcia obsługi kontrahenta i analityki danych, jest bardzo szeroki, przez co możliwy do podziału na poniższe kategorie:

• Punkty styku z klientem (front-office) – w zakresie przyjmowania np. zleceń klienta, ale również ofertowania klienta, tłumaczenia ad-hoc. Oprócz obsługi merytorycznej AI może zadbać również o przekaz wizualny i poprawność językową.
• Operacje back-office, związane np. z przetwarzaniem dokumentacji.
• Działania marketingowo-sprzedażowe. Sprzedaż to proces wiążący się z licznymi interakcjami i transakcjami, który generuje mnóstwo informacji, na przykład teksty z e-maili, nagrania z rozmów telefonicznych, a także filmy z osobistych spotkań. Te nieuporządkowane dane mogą stanowić nawet ponad 80% wszystkich danych w przedsiębiorstwach, a aż 43% z nich nie jest w ogóle wykorzystywane (źródło: Raport „Generatywne AI w biznesie” – Portal sztucznej inteligencji — Portal Gov.pl (www.gov.pl)).
• Operacje związane z zaawansowaną analityką, np. weryfikacją kontrahenta, przygotowywaniem umów czy analizą aktów prawnych.
• Zarządzanie ryzykiem i bezpieczeństwem, np. cyberbezpieczeństwo, oszustwa.
• Raportowanie operacyjne i zarządcze.

Praktyczne wykorzystanie AI w procesach obsługi klientów

Wykorzystując możliwości generatywnej AI, stworzyliśmy aplikację transportową, która przejmuje powtarzalne procesy związane z obsługą e-maili, doprecyzowywaniem ofert przewozowych i tworzeniem zleceń. Całość oparliśmy o wytrenowany model LLM, z kategorii GPT, wykorzystujący uczenie autoregresywne. Kluczową cechą takiego modelu jest zdolność do rozumienia kontekstu i generowania spójnych, sensownych odpowiedzi.

Dowiesz się więcej na ten temat, przechodząc do artykułu: Altkom AI Assist – aplikacja transportowa zasilana generatywną AI do wspierania obsługi i analityki klienta lub bezpośrednio zapoznając się z rozwiązaniem Altkom AI Assist i jego możliwościami w zakresie obsługi korespondencji dla różnych branży.

Zalety i wady wykorzystania AI w obsłudze klienta

Kolejny raz wróćmy do tytułowego wsparcia obsługi i analityki kontrahenta. AI skutecznie wspiera w zbieraniu danych, etykietowaniu ich, klasyfikowaniu oraz grupowaniu. Dodatkowo umożliwia wykrywanie anomalii, co pozwala szybko reagować na nieprawidłowości oraz uniknąć oszustw. Poniżej przedstawiamy wybrane zalety i wady rozwiązań zasilanych AI (w tym również Alktom AI Assist), uwzględniając aspekty jakościowe, wydajnościowe i kosztowe:

Zalety:

• Automatyzacja: Oprogramowanie klasyfikujące maile automatyzuje proces sortowania i przypisywania ich do odpowiednich kategorii, co oszczędza czas pracowników i minimalizuje ryzyko popełnienia błędów.
• Zwiększenie wydajności: Poprawa wydajności pracy poprzez szybką identyfikację i odpowiedź na ważne wiadomości, a także możliwość ustalenia priorytetów w obsłudze korespondencji.
• Poprawa jakości obsługi klienta: Dzięki szybkiemu dostępowi do odpowiednich informacji oraz możliwości szybkiego przekierowania maili do odpowiednich działów, oprogramowanie może poprawić obsługę klienta i zwiększyć ich satysfakcję.
• Łatwa integracja z innymi systemami: Wiele nowoczesnych oprogramowań tego typu oferuje łatwą integrację z innymi narzędziami, takimi jak CRM czy systemy ticketowe, co pozwala na pełne wykorzystanie możliwości systemu w ramach istniejącej infrastruktury IT firmy.

Wady:

• Potrzeba monitorowania i przyuczania: Oprogramowanie wymaga monitorowania i konserwacji w celu utrzymania odpowiedniej wydajności i funkcjonalności, co może wymagać dodatkowego nakładu pracy oraz kosztów związanych z utrzymaniem systemu.
• Ryzyko błędnej klasyfikacji: Istnieje ryzyko, że oprogramowanie niepoprawnie sklasyfikuje niektóre maile, co może prowadzić do opóźnień w odpowiedziach lub nawet utraty ważnych informacji.

Przyuczenie modelu do konkretnego przypadku biznesowego

Należy pamiętać, że każdy model LLM wymaga przyuczenia. Dzięki temu AI komunikuje się w sposób naturalny, zadając właściwe pytania i tworząc sensowne odpowiedzi. W związku z tym, przy każdej zmianie we wzorcach obsługiwanej korespondencji, konieczne jest dostarczenie zbioru uczącego.

Można traktować to jako wadę, ale czy przy tworzeniu innych systemów nie ma konieczności angażowania pracowników? Użytkownicy powinni dostarczyć zbiór uczący — korespondencję — który jednocześnie będzie odzwierciedleniem rzeczywistych sytuacji i który pomoże rozwiązać ich problemy (dzięki niemu AI będzie w stanie przejąć powtarzalne czynności i odciążyć pracowników w codziennych zadaniach).

Obawy związane z wdrożeniem AI do firmy

Barierą, szczególnie na początkowym etapie wdrożenia, może być obawa, iż błędna klasyfikacja korespondencji spowoduje straty (choćby w postaci straty szansy sprzedażowej). Niewątpliwie takie sytuacje mogą mieć miejsce. Natomiast powinniśmy je monitorować, co np. w przypadku Altkom AI Assist ułatwia wbudowany w rozwiązanie moduł raportowy.

Ponadto zadajmy sobie pytanie: czy obecnie monitorujemy tego typu straty związane np. ze zbyt długim czasem odpowiadania na korespondencję? Czy mamy aktualne statystyki? Nawet jeżeli odpowiedź brzmi tak, to po wdrożeniu systemu nie utracimy nic z tych danych.

Analityka w obsłudze klienta z wykorzystaniem AI

Dzięki wykorzystaniu sztucznej inteligencji w analityce obsługi klienta firmy są w stanie lepiej rozumieć potrzeby swoich klientów, efektywniej nimi zarządzać oraz oferować bardziej personalizowane i zadowalające doświadczenia.

Zalety:

• Szybkość analizy: analiza może być wykonywana nawet on-line.
• Dowolny poziom szczegółowości: analiza w różnych przekrojach, również na poziomie pojedynczego klienta.
• Automatyczny scoring: klient może być oceniany na podstawie całej korespondencji i parametrów dostarczonych z innych źródeł.

Wady:

• Dane niskiej jakości: ryzyko oceny na podstawie niewystarczających danych np. zbyt krótkiej historii kontaktów.
• Zbytnie zaufanie do wyników analizy: zaniedbanie weryfikacji i monitoringu aplikacji.

AI w obsłudze klienta. Podsumowanie

Podczas gdy generatywna sztuczna inteligencja może pomóc w automatyzacji wielu zadań odtwórczych, pozwalając pracownikom skupić się na twórczym aspekcie pracy, wciąż to człowiek decyduje, co i jak wdrożyć.

W artykule omówiliśmy szerokie możliwości wykorzystania generatywnej AI w obsłudze klienta, analityce danych oraz zarządzaniu ryzykiem i bezpieczeństwem. Od punktów styku z klientem (front-office) po operacje back-office, generatywna AI może znacząco poprawić efektywność, jakość obsługi klienta oraz automatyzację powtarzalnych zadań.

Jednak zrozumienie i odpowiednie dostosowanie modeli AI do konkretnych potrzeb biznesowych wymaga staranności i ciągłego uczenia się. Dlatego zachęcamy do eksploracji możliwości generatywnej AI w swojej organizacji i dostrzeżenia jej potencjału jako narzędzia, które może wesprzeć i ułatwić pracę, a nie zastąpić człowieka.