Umělá inteligence může pomoci vám dosáhnout skutečné osoby rychleji

Nový výzkum ukazuje, že otevřené zdrojové nastavení ChatGPT-style AI může potenciálně směrovat volající na správnou osobu v call centru pomocí přirozeného jazyka, bez následování frustrujících menu voleb, které se liší každý týden, zdá se, že jsou záměrně obtížné.

Pokusit se dostat se k skutečné osobě v call centru může být frustrujícím zážitkem, kvůli potřebě navigovat prostřednictvím mnohých voleb při pomalém tempu – často bez jistoty, zda některá z voleb vyhovuje vašemu případu. Pokud žádná z nich nevyhovuje, zkušení uživatelé tendují k přijetí triků a řešení pro získání přístupu k lidskému poradci a pro vyjití z ‘pekla voleb’. Mnozí z nás uznají, že je to více nebo méně ‘kompetitivní’ a uživatel-nepřátelský zážitek.

Nečekaně, call centra jsou v první linii pro augmentaci nebo nahrazení AI systémy; a, navzdory opatrnému přístupu doporučenému z některých stran, call center AI automatizace zůstává nízkým visícím ovocem pro technické titulky, a pro perspektivu AI-založené inovace, která může nabídnout neobvykle brzkou návratnost investic.

Uzavřený obchod

Ale existují některé oblasti, kde se principy otevřených zdrojů a volně dostupných dat vzácně aplikují nebo jsou dostupné, a tato je jednou z nich. To má smysl: každá společnost, která je intéressována o automatizaci svých zákaznických response systémů, bude mít omezený nebo žádný zájem o sdílení dat, která pohání jejich tvrdě získané poznatky, jejich metodologie, nebo jejich firemní IP.

Pro jednu věc, sdílení těchto zdrojů by jim stálo okraj proti konkurentům; důležitěji, vzhledem k tomu, jak jsou AI-v-smyčce systémy náchylné k odhalení privilegovaných informací, je to legálně rizikové.

To vedlo k tomu, že několik dobře investovaných hráčů vyvinulo AI-pomocná call centra response systémy nezávisle na sobě (předpokládám, že s některými nevyhnutelnými redundancemi); a k proliferaci B2B start-upů a etablovaných hráčů usilujících o uspokojení rostoucí poptávky po AI-řízených zákaznických response schopnostech.

Asistent hlasu PolyAI otevírá zákaznickou službu pro fiktivní společnost ‘Augusta Lawn Care’, využívající velké množství trénovacích konverzací pro automatizaci odpovědí prostřednictvím stávající infrastruktury call centra. Zdroj

Dále, závod na odstranění frustrace z navigace call-centra labyrintu vedl k výzkumným úsilím – ačkoli většina takových publikací tenduje k tomu, aby se vyskytovala mimo Arxiv a jiné otevřené výzkumné publikační sítě, v souladu s obecně utajenou povahou Interactive Voice Response (IVR) vývoje.

Místo toho, výzkum, data a obchodní inteligence související s AI automatizací zákaznických response systémů jsou všechny žárlivě střeženy, s velmi málo otevřenými zdrojovými možnostmi – i když použití FOSS systémů a dat nabízelo legálně platnou možnost, která je pochybná.

Místní hovor

S tímto na mysli, je osvěžující vidět novou práci z Kolumbie, která se snaží vyvést IVR z korporátní kobky, alespoň trochu. Nová práce, stručný příspěvek nazvaný Mimo IVR Touch-Tones: Customer Intent Routing using LLMs, pochází od výzkumníka z Universidad Distrital Francisco José de Caldas v Bogotě, a tvrdí, že je to první neuzavřený projekt, který používá Large Language Models (LLMs) k vygenerování funkčního schématu pro Customer Intent Routing (CIR) systém.

Místo pokusu o získání přístupu k reálným datům o volání nebo proprietárním menu stromům, nový projekt generuje všechny komponenty od začátku pomocí tří AI modelů: jeden pro vynález realistického call centra menu; druhý pro simulaci stovek volajících stížností; a třetí pro jednání jako chatbot, který se snaží směrovat tyto stížnosti na správné místo.

Výsledkem je plně syntetický, ale přesvědčivý testovací základ, který zahrnuje fiktivní telekomunikační společnost, spolu se 920 rozdílnými uživatelskými dotazy, což umožňuje experimentu obejít legální rizika, zatímco zkoumá, jak dobře současné AI mohou interpretovat vágní, špinavý jazyk, a přesto spojit volajícího se správnou osobou.

Testy ukazují, že schéma systému může odpovídat volajícím stížnostem na správné call centrum destinaci s přesností až 89,13%, zejména když je dán ‘plochý’ menu voleb místo verbose popisů (více o tom později).

Studie také zjistila, že když volající používali více neformální nebo variabilní jazyk, AI chyboval více; ale že některé z těchto chyb se staly ne proto, že AI nepochopil, ale protože telefonní menu samo bylo matoucí.

Příklady zákaznických interakcí, sdílené jako součást nového projektu. Zdroj

Data pro projekt byly veřejně dostupné.

Metoda

První model ve trojitém přístupu vytváří podrobné telefonní menu pro fiktivní telekomunikační společnost; druhý generuje unikátní volající zprávy – některé jednoduché, jiné přeformulované nebo více neformální – pro simulaci toho, jak lidé skutečně mluví, když volají o pomoc. Ohledně toho, 920 příkladů bylo vygenerováno pro projekt.

Třetí model dostal úkol spojit každého volajícího se správnou destinací, na základě pouze zprávy a verze menu. Tento schéma umožnil experimentu být plně opakovaným, zatímco obešel potřebu reálných dat o volání nebo vystavení zákaznických informací:

Tři systémy vybrané pro trojité přístup. Zdroj

Tři modely použité, respektive, byly gpt-3.5-turbo; gpt-4o-mini; a gpt-4.1-mini.

Pro simulaci přesvědčivého zákaznického prostředí, bylo nutné syntetizovat komplexní telefonní menu od začátku. Kvůli nedostatku relevantních dat, model gpt-3.5-turbo byl vyvolán k vygenerování plné, multi-branch struktury pro fiktivní telekomunikační poskytovatele.

Každá větev byla nakonfigurována pro reprezentaci služeb, jako jsou billing, technická podpora, správa účtu, a nové služby, s realistickými sub-opcemi a různou hloubkou napříč stromem. Z tohoto umělého menu, dvě verze byly vytvořeny pro pozdější testování: jedna jako plain text hierarchie, pro napodobení toho, jak by člověk mohl přečíst celé menu; a druhá jako seznam konečných destinací, každý se svou vlastní sekvencí tlačítek.

To umožnilo systému být testován jak na detailní, tak na ‘ploché’ verzi routing výzvy:

Dvě verze telefonního menu byly poskytnuty AI: detailní textová hierarchie a zjednodušený seznam přímých menu voleb, pro srovnání toho, jak dobře každá forma podporovala směrování volajících na správné místo.

Pro vytvoření volajících zpráv potřebných pro testování, druhý jazykový model byl použit pro produkci sady originálních stížností nebo požadavků, se deseti unikátními příklady vyrobenými pro každé menu konci.

Každý z nich byl pak rozšířen do několika přeformulovaných verzí, pro napodobení rozsahu způsobů, jakými reálný volající mohl formulovat své problémy, a zavedl změny v délce, tónu a dokonce i malé chyby nebo ‘filler’ jazyk.

920 volajících zpráv vygenerovaných na začátku bylo navrženo pro testování systému a pro simulaci nepředvídatelnosti reálného jazyka.

Třetí fáze testovala, jak přesně mohl konečný model mapovat každou volající zprávu na správnou menu destinaci, na základě dvou různých způsobů prezentace IVR systému (viz obrázek výše).

V první verzi, AI dostal plný, popisný přehled telefonního stromu, se všemi větvemi a sub-opcemi rozloženými v textové formě. Ve druhé verzi, viděl pouze seznam konečných destinací, každý spojený s tlačítkovou sekvencí.

Cílem bylo zjistit, zda by zjednodušená verze menu usnadnila modelu rozhodnout, kam má každá volání jít. V obou případech, systém obdržel jednu zprávu najednou a byl požádán o návrat pouze cesty, bez dalších slov nebo vysvětlení, pro usnadnění automatického hodnocení.

Izolace

Pro zabránění kontaminaci testovacích výsledků, experiment udržel každý model izolovaný od ostatních: telefonní menu bylo vypracováno prvním modelem, ale pak finalizováno ručně, aby zůstalo neznámé pro ostatní systémy.

Volající zprávy byly pak vygenerovány samostatně gpt-4o-mini, používající pouze názvy konečných destinací, a bez přístupu k menu struktuře. Nakonec, gpt-4.1-mini, který zpracovával směrování, viděl pouze text menu a příchozí zprávy, a neměl žádný podíl na vytváření žádné z nich.

Metriky

Pro měření toho, jak dobře routing systém fungoval, byly použity dvě standardní metriky: přesnost byla definována jako procento případů, kdy model vrátil přesně správnou cestu (jako 1‑2‑3). Pro izolaci umístění chyb, byly vygenerovány také matice záměny*, ukazující, jak často každá cesta byla zaměněna s jinými. Hodnocení byla provedena v Pythonu pomocí pandas a scikit-learn knihoven.

Výsledky

V testech, přesnost modelu závisela silně na tom, jak bylo telefonní menu prezentováno: když byl dán ‘plochý’ seznam menu cest, systém dosáhl 89,13% přesnosti na jednodušší datové sadě, ve srovnání s 81,30%, když používal plnou popisnou verzi menu:

Směrovací přesnost pro třetí (LLM3) model, napříč různými prompt formáty a typy dat, ukazující, že ploché menu cesty konzistentně překonaly hierarchické popisy, a že přesnost poklesla mírně, když vstupy byly doplněny parafrázovaným nebo neformálním jazykem.

Tento vzorec platil i pro větší, lingvisticky rozmanitější datové sadu, kde plochá verze opět vykonala lépe, skóre 86,52% proti 77,07% pro popisnou formu.

Tyto výsledky, podle článku, naznačují, že jednodušší, seznam-based prompty pomohly modelu lépe odpovídat na dotazy než dlouhé hierarchické popisy.

Přesnost také poklesla mírně, když byly parafrázované a neformální verze volajících zpráv zavedeny, ukazující, že větší variabilita zlepšila realističnost, ale také klasifikaci ztížila.

Článek uzavírá:

‘Naše výsledky ukazují, že LLMs směrují záměry přesněji, když jsou jim dány ploché IVR cesty (až 89,13%), než verbose menu popisy (až 77,07%), naznačující, že stručné, strukturované prompty snižují šum a lépe se shodují s routing úkolem.

‘To podporuje princip, že jasnost a stručnost zvyšují výkon LLM v klasifikačních nastaveních.

‘Důležitě, transformace menu na ploché cesty je jednoduchý, automatizovatelný proces pro reálné použití.’

Závěr

Je osvěžující vidět alespoň nějakou otevřenou práci, která se vyskytuje v jedné z nejuzavřenějších a exkluzivních větví výzkumu v literatuře. Co zbývá, je zjistit, zda ‘framing’ architektury, které kontextualizují LLMs, budou potřebné v budoucnu, nebo zda model bude potřebovat pouze přístup k (místně dostupné) obchodní inteligenci, eliminující potřebu sdílení dat s třetími stranami.

Nakonec, širší designové principy, které jsou zde v provozu, se zdají být pravděpodobně přijaty přirozeně budoucími AI systémy, i v oblastech za hranicemi zákaznické služby, bez vyžadování úmyslného zarovnání s tímto případem použití.

* Prosím, odkážete se na zdroj článku pro tyto.

První publikováno ve středu, 29. října 2025