تكشف شركة Observe.ai النقاب عن مركز اتصال LLM
قدمت منصة ذكاء المحادثة Observe.ai اليوم نموذج اللغة الكبير لمركز الاتصال (LLM)، بسعة 30 مليار متغير، جنبًا إلى جنب مع مجموعة الذكاء الاصطناعي التوليدية المصممة لتحسين أداء الوكيل.
تدعي الشركة أنه على عكس نماذج مثل GPT، يتم تدريب LLM الخاص بها على مجموعة بيانات واسعة من تفاعلات مركز الاتصال في العالم الحقيقي.
على الرغم من الإعلان عن بعض العروض المماثلة مؤخرًا، أكدت Observe.ai أن القيمة المميزة لنموذجها تكمن في المعايرة والتحكم الذي يوفره للمستخدمين.
تتيح المنصة للمستخدمين ضبط النموذج وتخصيصه ليناسب متطلبات مركز الاتصال الخاصة بهم.
قالت الشركة إن ماجستير القانون الخاص بها قد خضع لتدريب متخصص على مجموعات بيانات متعددة لمراكز الاتصال، وتجهيزها للتعامل مع مختلف المهام القائمة على الذكاء الاصطناعي (تلخيص المكالمات، ضمان الجودة الآلي، التدريب، إلخ) المخصصة لفرق مركز الاتصال.
بفضل إمكانات LLM، تسعى مجموعة Observe.ai التوليدية للذكاء الاصطناعي إلى تعزيز أداء الوكيل عبر جميع تفاعلات العملاء: المكالمات الهاتفية والمحادثات والاستعلامات والشكاوى والمحادثات اليومية التي تتعامل معها فرق مركز الاتصال.
تعتقد شركة Observe.AI أن هذه الميزات ستمكّن الوكلاء من تقديم تجارب أفضل للعملاء.
“لقد خضع برنامج LLM الخاص بنا لتدريب مكثف على مجموعة بيانات خاصة بالمجال لتفاعلات مركز الاتصال.
تضمنت عملية التدريب استخدام مجموعة كبيرة من نقاط البيانات المستخرجة من مئات الملايين من المحادثات التي عالجتها Observe.ai على مدى السنوات الخمس الماضية، “قال Swapnil Jain، الرئيس التنفيذي لشركة Observe.AI، لـ VentureBeat.
أكد جاين على أهمية الجودة والملاءمة في مجموعة بيانات التعليمات، والتي تضم مئات التعليمات المنسقة عبر مهام مختلفة قابلة للتطبيق مباشرة على حالات استخدام مركز الاتصال.
وقال إن هذا النهج الدقيق في تنظيم مجموعة البيانات أدى إلى تحسين قدرة LLM على تقديم الاستجابات الدقيقة والمناسبة للسياق التي تتطلبها الصناعة.
وفقًا للشركة، فقد تفوق مركز الاتصال LLM على GPT-3.5 في المعايير الأولية، مما يدل على زيادة بنسبة 35٪ في الدقة في تلخيص المحادثة وتحسنًا بنسبة 33٪ في تحليل المعنويات.
قال جاين إنه من المتوقع أن تتحسن هذه الأرقام بشكل أكبر من خلال التدريب المستمر.
علاوة على ذلك، خضع LLM للتدريب حصريًا على البيانات المنقحة، مما يضمن عدم وجود معلومات التعريف الشخصية (PII).
تشير شركة Observe.AI إلى استخدامها لتقنيات التنقيح لإعطاء الأولوية لخصوصية بيانات العميل مع تسخير قدرات الذكاء الاصطناعي التوليدي.
القضاء على الهلوسة لتقديم رؤى وسياقات دقيقة
وفقًا لجين، فإن التبني الواسع النطاق للذكاء الاصطناعي التوليدي قد حفز ما يقرب من 70٪ من الشركات من مختلف الصناعات لاستكشاف فوائدها المحتملة، لا سيما في مجالات مثل تجربة العملاء والاحتفاظ بهم ونمو الإيرادات.
قادة مراكز الاتصال هم من بين المتحمسين للاستفادة من هذه التقنيات التحويلية.
ومع ذلك، على الرغم من وعودهم، يعتقد Jain أن LLMs العامة تواجه تحديات تعيق فعاليتها في مراكز الاتصال.
وتشمل هذه التحديات الافتقار إلى التحديد والتحكم، وعدم القدرة على التمييز بين الردود الصحيحة وغير الصحيحة والكفاءة المحدودة في فهم المحادثة البشرية وسياقات العالم الحقيقي.
وبناءً على ذلك، قال إن هذه النماذج العامة، بما في ذلك GPT، غالبًا ما تؤدي إلى عدم الدقة والتشويش، المعروف أيضًا باسم ” الهلوسة”، مما يجعلها غير مناسبة لإعدادات العمل.
“يتم تدريب النماذج العامة على بيانات الإنترنت المفتوحة. لذلك، لا تتعلم هذه النماذج الفروق الدقيقة للمحادثات البشرية المنطوقة (فكر في أوجه القصور والتكرار والجمل المكسورة وما إلى ذلك) وتتعامل أيضًا مع أخطاء النسخ بسبب نماذج الكلام إلى نص.
“لذلك قد يكونون جيدًا للمهام العامة مثل تلخيص محادثة لكنهم يفوتون السياق ذي الصلة للمحادثات داخل مركز الاتصال.”
أوضح جاين أن شركته تصدت لهذه التحديات من خلال دمج خمس سنوات من البيانات ذات الصلة والمعالجة جيدًا في نموذجها.
لقد جمعت هذه البيانات من مئات الملايين من تفاعلات العملاء لتدريب النموذج على مهام خاصة بمركز الاتصال.
“لدينا فهم دقيق ودقيق لما تبدو عليه تجارب العملاء” الناجحة “في سياقات العالم الحقيقي.
يمكن لعملائنا بعد ذلك تحسين هذا الأمر وتكييفه وفقًا للاحتياجات الفريدة لأعمالهم “. “يوفر نهجنا إطارًا كاملاً لمراكز الاتصال لمعايرة الجهاز والتحقق من أن المخرجات الفعلية تتوافق مع توقعاتهم.
هذه هي طبيعة نموذج الذكاء الاصطناعي “الصندوق الزجاجي” الذي يوفر شفافية كاملة ويولد الثقة في النظام. “
وأضاف أن مجموعة الذكاء الاصطناعي التوليدية الجديدة للشركة تعمل على تمكين الوكلاء طوال دورة حياة تفاعل العملاء بأكملها.
تسهل ميزة Knowledge AI الردود السريعة والدقيقة على استفسارات العملاء من خلال التخلص من عمليات البحث اليدوية عبر العديد من قواعد المعرفة الداخلية والأسئلة الشائعة؛ بينما تتيح ميزة الملخص التلقائي للوكلاء التركيز على العميل، مما يقلل من مهام ما بعد المكالمة مع ضمان جودة واتساق ملاحظات المكالمة.
تقدم أداة Auto Coaching ملاحظات شخصية وقائمة على الأدلة إلى الوكلاء فور الانتهاء من تفاعل العميل. هذا يسهل تحسين المهارات ويهدف إلى تعزيز تجربة التعلم للوكلاء، واستكمال جلسات التدريب المنتظمة القائمة على المشرف.
معيار جديد للماجستير في مركز الاتصال
تدعي شركة Observe.ai أن تجاوز نموذج الملكية الخاص بها لـ GPT في الاتساق والأهمية يمثل تقدمًا كبيرًا.
“LLM لدينا يتدرب فقط على البيانات التي تم تنقيحها بالكامل من أي معلومات حساسة للعملاء وPII.
تُعد معايير التنقيح الخاصة بنا لهذا الغرض مثالية للصناعة – نتجنب الإفراط في تنقيح المعلومات الحساسة في 150 مليون حالة عبر 100 مليون مكالمة مع أقل من 500 خطأ تم الإبلاغ عنها “، أوضح جين.
“يضمن هذا حماية المعلومات الحساسة ودعم الخصوصية والامتثال مع الاحتفاظ بأقصى قدر من المعلومات لتدريب LLM.”
وقال أيضًا إن الشركة نفذت بروتوكول بيانات قويًا لتخزين جميع بيانات العملاء، بما في ذلك البيانات التي تم إنشاؤها بواسطة LLM، في الامتثال الكامل للمتطلبات التنظيمية.
يتم تخصيص قسم تخزين مخصص لكل عميل / حساب، مما يضمن تشفير البيانات وتحديد الهوية الفريدة لكل عميل / حساب.
قال جاين إننا نشهد منعطفًا حاسمًا وسط ازدهار الذكاء الاصطناعي التوليدي.
وأكد أن صناعة مراكز الاتصال مليئة بالمهام المتكررة، ويعتقد أن الذكاء الاصطناعي التوليدي سيمكن المواهب البشرية من أداء وظائفهم بكفاءة وسرعة ملحوظة، متجاوزة قدراتهم الحالية بعشرة أضعاف.
“أعتقد أن العوامل المعطلة الناجحة في هذه الصناعة ستركز على إنشاء ذكاء اصطناعي توليدي يمكن التحكم فيه بشكل كامل؛ جدير بالثقة مع رؤية كاملة للنتائج؛ وقال جاين.
“نحن نركز على بناء ذكاء اصطناعي جدير بالثقة وموثوق به ومتسق يساعد المواهب البشرية في النهاية على أداء وظائفهم بشكل أفضل.
نهدف إلى إنشاء ذكاء اصطناعي يسمح للبشر بالتركيز أكثر على الإبداع والتفكير الاستراتيجي وخلق تجارب إيجابية للعملاء “.
المصدر: venturebeat
إقراء ايضا:
