Разработка голосовых ассистентов в настоящее время очень актуальная тенденция, голосовые помощники применяются в различных сферах экономики, в том числе и в быту граждан. С помощью диалоговых цифровых помощников компании получают возможность решения нескольких задач одновременно: предложить своим клиентам привлекательный «очеловеченный» интерфейс для коммуникаций с компанией и добиться повышения скорости и качества обработки обращений клиентов за счет автоматизации.
В быту голосовые ассистенты могут управлять электроникой в доме и даже в машине: помогают найти ответ из интернета совершенно на любой вопрос, включить или выключить свет, а также напомнить о событии из календаря. Благодаря умным помощникам у пользователя появляется личный помощник или «секретарь», который напомнит о делах или встречах, подберет место отдыха или развлечений, подскажет погоду или вызовет такси – стоит их только об этом попросить.
Виртуальный ассистент (англ. Virtual assistant) – программный агент, который может выполнять задачи или сервисы для пользователя на основе информации, введенной пользователем с помощью голоса или набранного текста, данных о его местонахождении, а также информации, полученной из различных интернет-ресурсов (погода, уличное движение, новости, курсы валют и ценных бумаг, розничные цены в магазинах и т. д.). Примерами такого рода агентов являются программы Siri, Google Assistant (Google Now), Amazon Alexa, Microsoft Cortana, Bixby, Voice Mate, Алиса и другие.
Данная технология находит широкое применение в сферах коммерческой деятельности – в банках, страховании, интернет-магазинах, телекоммуникациях, курьерских службах, сферах здравоохранения, правопорядка и безопасности (Минздрав, МВД, МЧС), также сферах госструктур (сайт губернатора и т.п.) и других областях, где требуется обработка массовых обращений населения.
Виртуальные ассистенты, которые заменяют часть труда человека или оператора, там, где требуется обработка массовых обращений, имеют несколько неоспоримых преимуществ:
1. Создание сложных интерфейсов без ущерба для удобства и простоты использования, степень удобства использования.
2. Повышение точности взаимодействия. Виртуальные ассистенты нуждаются в постоянном изучении пользователя (его поведении) и находят точный ответ благодаря способности прогнозировать действия пользователя.
На сегодняшний день преобладающая часть виртуальных ассистентов построена на базе статических таблиц и сравнения фраз с внесенными в эти таблицы, попытке использования морфологического поиска и прочее. Точность метода составляет не более 50 %. Такой подход приводит к низкому качеству обработки запросов и отказу от использования продукта.
Компания ООО "Оригинал Софт" при поддержке Фонда содействия инновациям (договор 638ГРНТИС5/63381) разработала виртуального ассистента операторов контактного центра с применением искусственного интеллекта и технологий гибкого поиска, который позволит решить множество задач, связанных с оптимизацией системы обслуживания клиентов (сокращение времени, повышение качества предаваемой информации и т.п.) по различным текстовым каналам коммуникаций. При разработке виртуального ассистента ООО «Оригинал Софт» применила подход, базой которого является самообучаемая речевая модель на нейронных сетях (nlu, ai) и система гибкого поиска elasticsearch, что позволило добиться качественных и количественных характеристик продукта, ранее недоступных для потребителя.
Виртуальный ассистент разработан для повышения эффективности и снижения себестоимости внутренних и внешних контакт-центров, используемых в различных сферах деятельности:
- коммерческие компании с уклоном в сторону розницы (банки, страхование, интернет-магазины, телеком, курьерские службы);
- медицинские и лечебные учреждения;
- государственные ведомства (Минздрав, МВД, МЧС);
- региональные порталы поддержки населения (сайт губернатора и т.п.)
Кроме того, учтена мировая тенденция к использованию контейнеризации масштабируемого программного обеспечения. С учётом данной тенденции все разрабатываемые модули системы выполнены в виде программного обеспечения, оптимизированного под использование внутри docker-контейнеров. Это обеспечивает возможность быстрого развёртывания программного комплекса, а также возможность упрощения развёртывания и масштабирования системы при использовании средств оркестрации контейнеров, таких как Docker Compose, Swarm, Kubernetes и т.п.
Виртуальный ассистент оператора контактного центра представляет собой программный комплекс, позволяющий осуществлять гибкий поиск информации в базе знаний контактного центра по голосовым или письменным запросам с учетом особенностей естественной речи человека для максимально релевантного подбора информации. Программный комплекс параллельно с оператором «слышит» (для телефонного разговора), либо «читает» (для чата) диалог оператора и клиента. Система поиска программного комплекса на протяжении всего диалога выводит на экран монитора, в окне своего интерфейса заголовки и начало наиболее релевантных статей из базы знаний проекта.
Схема программного комплекса виртуального ассистента и функциональных блоков, обеспечивающих его взаимодействие с техническими и программными средствами контактного центра представлена на рисунке 1.
Процесс обработки запроса осуществляется в несколько этапов и выглядит следующим образом:
- Клиент задает вопрос оператору по одному из двух каналов: текстовом – в чате или голосовом – по телефону.
- В текстовом канале запрос получаем вопрос в виде текста, а в случае с голосовым каналом требуется дополнительная обработка – запись голосового сообщения, передача его в режиме онлайн в систему распознавания речи, получение после нее текста вопроса для дальнейшей обработки. При использовании любого канала виртуальный ассистент работает с текстовым представлением запроса.
- Виртуальный ассистент на вход получает фразу клиента и с помощью сервиса поиска релевантных статей выдает список из пяти наиболее релевантных запросу статей базы знаний.
- Программный комплекс виртуального ассистента также включает в себя сервис индексирования статей базы знаний, который после каждого внесения изменений в базу знаний производит расчет индексов для всех статей базы знаний.
Рисунок 1 – Схема виртуального ассистента оператора контактного центра
Архитектура виртуального ассистента состоит из блоков (рисунок 2), позволяющих выполнять следующие задачи:
- индексирование базы знаний проекта;
- поиск статей в базе знаний, релевантных заданной фразе клиента;
- сервис индексирования взаимодействует с API-интерфейсом базы знаний, запрашивает оттуда список статей по заданному проекту, а затем запрашивает содержимое статей по полученному списку.
Рисунок 2 – Архитектура виртуального ассистента оператора
Работу виртуального ассистента можно разделить на следующие два алгоритма:
А) алгоритм индексирования базы знаний проекта;
Б) алгоритм обработки запроса клиента для получения релевантной статьи.
Алгоритм индексирования базы знаний проекта.
Каждый раз, когда вносятся изменения в базу знаний проекта, выполняется индексирование базы знаний проекта. Запуск процедуры индексирования происходит по запросу от внешней системы либо по запросу администратора системы. Сервис индексирования обращается на API-интерфейс базы знаний, запрашивает оттуда список статей по заданному проекту, а затем запрашивает содержимое статей по полученному списку.
Полученное содержимое статей предварительно обрабатывается для выполнения требований векторизатора – делится по тематикам и абзацам, не превышающим требуемую длину. Таким образом сервис индексирования получает набор из коротких текстов, которые обрабатываются сервисом векторизации для выявления и устранения стоп-слов и лишних символов из подобранного текста.
Алгоритм обработки запроса клиента для получения релевантной статьи
Инициатором поиска релевантных статей является информационная система (ИС) колл-центра. Сервис поиска релевантных статей или поисковый модуль работает совместно с Elastic Search, векторизатором и классификатором:
- Поисковый модуль получает вектор фразы с помощью сервиса векторизации и отправляет запрос на поисковый сервис Elastic Search. В результате поисковый сервис выводит N наиболее релевантных фразе статей, ранжированных по степени соответствия. Поиск косинусного расстояния, осуществляемого с помощью Elastic Search, является основным инструментом для поиска релевантных статей, а результаты работы классификатора – вспомогательным инструментом.
- Поисковый модуль делает запрос на классификатор и получает N классов, так же ранжированных по степени соответствия. Каждый класс соответствует одной статье базы знаний и с привязкой к ID статьи и анонсу информации в ней.
- Поисковый модуль агрегирует результаты, полученные от поискового сервиса и сервиса классификации, и выдает в ответ N статей, наиболее релевантных фразе в запросе.
- На последнем шаге выполнения запроса данные по найденным релевантным статьям сохраняются во внутренней базе данных системы, откуда они забираются с помощью REST API программными средствами рабочего места оператора контактного центра.
Программный комплекс виртуального ассистента оператора интегрируется в систему контактного центра и взаимодействует с системой управления чатами и голосовыми каналами. Для входа в программу виртуального ассистента оператору не требуется предпринимать никаких дополнительных действий. Если в проекте контактного центра установлена программа виртуального ассистента, то значок программы появится автоматически в рабочем окне оператора.
Разработанный виртуальный ассистент оператора включает в себя ряд новейших решений и преимуществ:
- применение искусственных нейронных сетей в обработке запросов клиентов позволяет работать со свободной речью и в процессе обслуживания, при этом автоматически обучаться, повышая релевантность выдачи поиска в безе знаний проекта;
- возможность быстрого запуска (от 1 месяца) виртуального ассистента с использованием первичного обучения на существующих (записанных) диалогах между операторами и клиентами;
- применение технологии гибкого поиска позволяет производить поиск запросов в базе знаний с релевантностью более 80 %;
- сокращение времени обслуживания одного клиента примерно на 10 % за счет оперативного поиска информации оператором и более релевантного результата;
- планируемая экономия расходов на 1 – 2 % в первый год применения технологии, 7 – 8 % в следующие три года и до 20 – 30 % в перспективе 5 – 7 лет;
- уменьшение показателя FCR (количество повторных звонков) на 7 – 8 %;
- увеличение уровня удовлетворения сервисом со стороны клиента за счет повышения качества решения клиентских запросов и скорости их выполнения;
- предоставление возможности операторам с низкой квалификацией работать со сложными продуктами, например, в области страхования и финансов. Это прямая экономия на заработной плате, возможность найма менее квалифицированного и низкооплачиваемого персонала.
Кроме того, система сохраняет результаты поиска во внутренней базе данных, что позволяет по запросу получать статистику за любой период времени в течение последних 360 дней.
Список литературы
- Федеральный закон РФ от 27.07.2006 № 149-ФЗ «Об информации, информационных технологиях и о защите информации».
- Гимадиев Р.Х. «Track&Trace. Будущее цепей поставок» – М.: Эксмо, 2019, – 256 С.
- Умные помощники: обзор рынка, тренды и перспективы. https://ict.moscow/news/voice-assistants-2021/
