يمكن أن يساعدك الذكاء الاصطناعي في الوصول إلى شخص حقيقي بشكل أسرع

تظهر الأبحاث الجديدة أن أنظمة الذكاء الاصطناعي مفتوحة المصدر يمكن أن توجّه المتصلين إلى الشخص الصحيح في مركز الاتصال باستخدام اللغة الطبيعية ، دون اتباع خيارات القائمة المثيرة للغضب التي تختلف كل أسبوع ، وبدلاً من ذلك تظهر كعقبات متعمدة.

محاولة الوصول إلى شخص حقيقي في مركز الاتصال يمكن أن تكون تجربة محبطة ، بسبب الحاجة إلى التنقل عبر خيارات متعددة في tốcية بطيئة – غالبًا بدون اليقين بشأن أي من الخيارات تناسب حالتك. إذا لم تكن أي منهم تناسبك ، فإن المستخدمين المخضرمين يميلون إلى تبني الحيل والطرق للوصول إلى مستشار بشري من نوع ما ، والخروج من “جحيم الخيارات”. سوف يعرف العديد منا هذا باعتباره تجربة أكثر أو أقل “قتالية” وعدائية للمستخدم.

ليس من المستغرب أن تكون مراكز الاتصال في الخط الأمامي للتكامل أو الاستبدال بأنظمة الذكاء الاصطناعي؛ وعلى الرغم من نهج حذر يُحذر منه من بعض الجهات ، فإن تطبيق آليات مراكز الاتصال لا يزال ثمارا سهلة لعناوين الأخبار والتكنولوجيا ، ولفرصة الابتكار القائم على الذكاء الاصطناعي الذي يمكن أن يقدم عائدات أولية غير عادية.

مكتب مغلق

ولكن هناك بعض المجالات التي لا تُطبّق فيها مبدأ مفتوح المصدر والبيانات المتاحة بحرية ، وهذه واحدة منها. هذا يبدو منطقيًا: أي شركة مهتمة بتطبيق أنظمة استجابة العملاء الآلية سوف يكون لها اهتمام محدود أو معدوم بالتشارك في البيانات التي تزوّد رؤيتها الصعبة ، وطرقها ، أو الملكية الفكرية للشركة.

من بين الأشياء الأخرى ، فإن مشاركة هذه الموارد سوف تكلفها حافزاً مع المنافسين؛ وأهم من ذلك ، بالنظر إلى كيفية تعرض أنظمة الذكاء الاصطناعي في الحلقة لتحديد المعلومات المتميّزة ، فمن الخطير قانونيًا.

أدى هذا إلى ظهور عدد من اللاعبين ذوي الاستثمارات الكبيرة لتطوير أنظمة استجابة مراكز الاتصال بمساعدة الذكاء الاصطناعي بشكل مستقل عن بعضهم البعض (مع بعض التكرار الحتما في الجهد); ولانتشار الشركات الناشئة واللاعبين المقيمين الذين يبحثون عن تلبية الطلب المتزايد على قدرات الاستجابة للعملاء التي تعتمد على الذكاء الاصطناعي.

مساعد صوتي من PolyAI يفتح مكالمة خدمة العملاء لشركة Augusta Lawn Care الخيالية ، مستنداً إلى كميات كبيرة من محادثات التدريب لتوفير استجابات آلية من خلال بنية تحتية لمركز الاتصال الحالي. مصدر

علاوة على ذلك ، فإن السباق لإزالة الإحباط الناجم عن التنقل في متاهة مركز الاتصال أثبت أنه يحفز الجهود البحثية – على الرغم من أن معظم هذه المنشورات تميل إلى الحدوث بعيداً عن Arxiv وشبكات النشر البحثية المفتوحة ، بما يتوافق مع الطبيعة السرية بشكل عام لتطوير الاستجابة الصوتية التفاعلية.

بدلاً من ذلك ، يتم حماية البحث والبيانات والاستخبارات التجارية المتعلقة بتطبيق الذكاء الاصطناعي لأنظمة استجابة العملاء ، وجميعها محمية بحزم – حتى لو كان استخدام أنظمة البرمجيات الحرة والبيانات قد عرض خيار قانوني صحيح ، الذي يشكك فيه.

مكالمة محلية

مع هذا في الاعتبار ، من الممتع رؤية ورقة جديدة من كولومبيا تحاول إخراج نظام الاستجابة الصوتية التفاعلية من الخزانة الشركية ، على الأقل قليلاً. العمل الجديد ، وهو مدخل موجز بعنوان ما وراء أزرار الاستجابة الصوتية التفاعلية: توجيه نوايا العملاء باستخدام نماذج اللغة الكبيرة ، يأتي من باحث في Universidad Distrital Francisco José de Caldas في بوغوتا ، ويزعم أنه أول مشروع غير مغلق يستخدم نماذج اللغة الكبيرة لتوليد مخطط عمل قابل للتشغيل لنظام توجيه نوايا العملاء.

بدلاً من محاولة الحصول على بيانات مكالمات حقيقية أو أشجار قوائم ملكية ، يولد المشروع الجديد جميع المكونات من الصفر باستخدام ثلاثة نماذج للذكاء الاصطناعي: واحدة لاختراع قائمة-menu واقعية لمركز الاتصال؛ وآخر لتحاكي مئات من شكاوى المتصلين؛ وثالثة لتتصرف كrobot ، محاولة توجيه تلك الشكاوى إلى الوجهة الصحيحة.

النتيجة هي بيئة اختبار اصطناعية كاملة ولكن مقنعة ، تتميز بشركة اتصالات خيالية ، إلى جانب 920 استفسار مستخدم متميز ، مما يسمح للمерим بالتخطي من المخاطر القانونية أثناء اختبار كيفية تفسير الذكاء الاصطناعي الحديث للكلام الغامض والخشن ، ولا يزال يصل المتصل بالشخص الصحيح.

تشير الاختبارات إلى أن نظام الخطة يمكن أن يطابق شكاوى المتصلين الحرة مع الوجهة الصحيحة في مركز الاتصال بدقة تصل إلى 89.13% ، خاصة عند تقديم خيارات القائمة “مُسطّحة” بدلاً من الوصفVerbose (مزيد من ذلك لاحقا).

كما وجدت الدراسة أن عندما استخدم المتصلون لغة أكثر غير رسمية أو متنوعة ، ارتكب الذكاء الاصطناعي أكثر أخطاء؛ ولكن أن بعض تلك الأخطاء حدثت ليس لأن الذكاء الاصطناعي لم يفهم ، بل لأن قائمة الهاتف نفسها كانت محبطة.

أمثلة على تفاعلات العملاء ، التي تمت مشاركتها كجزء من المشروع الجديد. مصدر

تمت مشاركة بيانات المشروع عامة.

الطريقة

النموذج الأول في النهج الثلاثي يخلق قائمة هاتف مفصلة لشركة اتصالات خيالية؛ والثاني يولد رسائل فريدة للمتصلين – بعضها بسيط ، والبعض الآخر معاد صياغته أو جعلها أكثر غير رسمية – لتحاكي كيفية حديث الناس عندما يتصلون لطلب المساعدة. فيما يتعلق بذلك ، تم توليد 920 مثالًا للمشروع.

تم تكليف النموذج الثالث بمهمة توصيل كل متصل بالقسم الصحيح ، بناءً فقط على الرسالة ، ونسخة من القائمة. سمح هذا المخطط للمерим أن يكون قابلاً للتكرار ، مع تجاوز الحاجة إلى بيانات مكالمات حقيقية أو كشف معلومات العملاء:

النظم الثلاثة المختارة للنهج الثلاثي. مصدر

النماذج الثلاثة المستخدمة ، على التوالي ، كانت gpt-3.5-turbo؛ gpt-4o-mini؛ و gpt-4.1-mini.

为了 محاكاة بيئة خدمة العملاء المقنعة ، كان من الضروري توليد قائمة هاتف معقدة من الصفر. بسبب ندرة مجموعات البيانات ذات الصلة ، تم تحفيز نموذج gpt-3.5-turbo لإنشاء هيكل متفرع كامل لشركة اتصالات خيالية.

تم تكوين كل فرع لتمثيل مجالات خدمة مثل فواتير، دعم تقني إدارة الحساب، و خدمات جديدة، مع خيارات فرعية واقعية وتعمق متغير عبر الشجرة. من هذه القائمة الاصطناعية ، تم إنشاء نسختان للاختبار لاحقا: واحدة كهرمية نصية ، لتقليد كيفية قراءة الإنسان للقائمة بأكملها؛ وآخر كقائمة من نقاط النهاية ، لكل منها تسلسل خاص من ضغطات الأزرار.

سمح هذا للنظام أن يتم اختباره على نسختين من تحدي التوجيه: واحدة مفصلة ، وواحدة “مُسطّحة”:

تم تقديم نسختان من قائمة الهاتف إلى الذكاء الاصطناعي: هرمية نصية مفصلة ، وقائمة مبسطة من خيارات القائمة المباشرة ، لمقارنة كيفية دعم كل تنسيق لتوجيه المتصلين إلى المكان الصحيح.

为了 إنشاء رسائل المتصلين المطلوبة للاختبار ، تم استخدام نموذج لغة ثاني لإنشاء مجموعة من الشكاوى أو الطلبات الأصلية ، مع عشرة أمثلة فريدة تم إنشاؤها لكل نقطة نهاية في القائمة.

تم بعد ذلك توسيع كل واحدة من هذه الرسائل إلى عدة نسخ معاد صياغتها ، لمحاكاة نطاق الطرق التي قد يصيغ بها المتصلون الحقيقيون مشاكلهم ، وتم إدخال تغييرات في الطول والطابع وحتى الأخطاء الصغيرة أو “كلمات ملء”.

تم تصميم الرسائل 920 التي تم إنشاؤها في البداية لاختبار دقة النظام وتحاكي عدم تنبؤية الكلام في العالم الحقيقي.

تم اختبار المرحلة الثالثة لتحديد مدى دقة نموذج gpt-4.1-mini في خريطة كل رسالة متصل إلى الوجهة الصحيحة في القائمة ، بناءً على الطريقتين المختلفتين لتقديم نظام الاستجابة الصوتية التفاعلية (انظر الصورة أعلاه).

The goal was to see whether a stripped-down version of the menu would make it easier for the model to decide where each call should go. In both cases, the system received one message at a time, and was asked to return only the path, with no additional words or explanation, to facilitate automatic scoring.

عزل

为了避免 تلوث نتائج الاختبار ، تم الحفاظ على كل نموذج معزولاً عن الآخر: تم صياغة قائمة الهاتف بواسطة النموذج الأول ، ولكن ثم تم إنهاؤها يدوياً ، بحيث ظلت غير مألوفة للنماذج الأخرى.

تم إنشاء رسائل المتصلين بشكل منفصل بواسطة gpt-4o-mini ، باستخدام فقط أسماء نقاط النهاية ، ودون الوصول إلى هيكل القائمة.

أخيرا ، لم يكن gpt-4.1-mini ، الذي كان يتعامل مع التوجيه ، يرى سوى نص القائمة والرسائل الواردة ، ولم يكن له أي دور في إنشاء أي منهما.

مetrics

为了衡量性能-routing 系统 ، 使用了两个标准指标：准确性被定义为模型返回正确路径的百分比（例如 1‑2‑3）。为了隔离错误的位置，confusion matrices 也被生成，显示每个路径被混淆的频率。评估使用 Python 的 pandas 和 scikit-learn 库执行。

نتائج

在测试中，模型的准确性严重依赖于电话菜单的呈现方式：当给出“扁平化”的菜单路径列表时，系统在简单数据集上达到了 89.13% 的准确率，相比之下，当使用菜单的完整描述版本时，准确率为 81.30%：

第三个（LLM3）模型的路由准确率，跨不同的提示格式和数据集类型，表明“扁平化”的菜单路径一致地优于等级描述，并且准确率在输入中添加了重新表述或非正式语言时略微下降。

这种模式也适用于更大、语言更丰富的数据集，其中“扁平化”版本再次表现更好，得分为 86.52%，而描述性格式的得分为 77.07%。

这些结果，论文指出，表明更简单、列表式的提示帮助模型更可靠地匹配查询，而不是长的等级描述。

准确率也会略微下降，当调用消息中添加了重新表述和非正式版本时，表明更大的多样性提高了现实性，但也使分类更困难。

该论文得出结论：

我们的结果表明，LLM在给定“扁平化”IVR路径时（最高89.13%）比在给定冗长菜单描述时（低至77.07%）更准确地路由意图，表明简洁、结构化的提示减少了噪音，并且更好地与路由任务对齐。

这支持了清晰度和简洁性提高LLM在分类设置中的性能的原则。

重要的是，将菜单转换为“扁平化”路径是一个简单、可自动化的过程，适用于实际使用。

结论

令人耳目一新的看到，在研究文献中最封闭和排他的研究领域中，至少有一些开放的工作正在进行。仍待观察的是，是否需要“框架”架构来上下文化LLM，还是将来只需要访问（本地可用的）商业智能，从而消除了与第三方提供商共享数据的需要。

最终，这些工作中的更广泛的设计原则可能会被未来的AI系统自然采用，甚至在超出客户服务的领域，无需故意与该用例对齐。

* 请参阅原始论文以获取这些信息。

首次发表于2025年10月29日星期三