Бот для маршрутизации запросов от клиентов: научили нейросеть отвечать на 70% вопросов без оператора
Мы заботимся о данных клиента и всегда соблюдаем NDA. Название компании выдумано, а все совпадения случайны
Наш клиент — одна из крупнейших в России и Европе компаний по производству и поставке электротехники. У нее тысячи наименований продукции в ассортименте и десятки тысяч квадратных метров складов и магазинов в разных регионах
Операторы техподдержки клиента сильно перегружены, и компания вынуждена нанимать тем больше сотрудников, чем больше у нее становится клиентов. Это заметно снижает маржинальность
Клиент пришел за решением, которое помогло бы разгрузить операторов и быстрее отвечать за все типовые вопросы клиентов. Сейчас расскажем, как мы решили эту задачу
Шаг 1 — проанализировали потребности и сформулировали задачи
Из-за колоссальной номенклатуры товаров у клиентов заказчика постоянно возникали вопросы по характеристикам, сертификатам и наличию тех или иных товаров в конкретных магазинах. Целью была оптимизация информирования клиентов с помощью чат-бота
Задача — создать на базе искусственного интеллекта систему, которая могла бы самостоятельно отвечать на большинство вопросов, не привлекая операторов, и тем самым повысить скорость обработки обращений
Шаг 2 — выбрали технологию и разработали решение
Мы хотели обеспечить гибкость: чтобы бот не был грубо заскриптованным и мог работать с динамически обновляемыми данными — ценами, наличием товара в разных точках, тарифами на доставку и так далее
Объединили традиционный интент-подход и современный RAG: для улучшения качества ответов мы внедрили механизм смешивания данных из API и базы знаний через дополнительного агента, что позволило избежать ошибок, возникающих при чистом RAG-подходе. В случаях, когда интент не подходит ни под одну из механик, запрос отправляется и обрабатывается в RAG
Как мы это сделали:
Чтобы сделать его более user-friendly, мы сделали RAG входным окном при любом запросе
В первой итерации от общения с ботом оставалось чувство заскриптованности: на вопрос о размерах конкретного товара бот отвечал полным списком характеристик
Следующим шагом мы разработали мультиагентную систему: главный агент распределял запросы между несколькими ИИ-ассистентами, каждый из которых специализировался на своей сфере. Отдельные боты подключались к API магазина или обращались к базе знаний через RAG. Это позволило эффективно распределять запросы и давать максимально точные ответы
Результаты
Продукт находится на стадии финального тестирования
Свяжитесь с нами
Соцсети
Если у вас остались вопросы, напишите нам или оставьте заявку, и мы поможем с вашим вопросом