Tekoäly voi auttaa sinua pääsemään oikeaan henkilöön nopeammin

Uusi tutkimus osoittaa, että avoimen lähdekoodin ChatGPT-tyyppiset tekoälyjärjestelmät voivat mahdollisesti ohjata soittajia oikeaan henkilöön asiakaspalvelukeskuksessa luonnollisen kielen avulla, ilman ärsyttäviä valikkovaihtoehtoja, jotka ovat erilaisia joka viikko ja tuntuvat tarkoituksella esteellisiltä.

Yritys päästä oikeaan henkilöön asiakaspalvelukeskuksessa voi olla turhauttava kokemus, johtuen monivalintavaihtoehtojen tarpeesta hitaalla tahdilla – usein epävarmuuden kera siitä, kumpi vaihtoehto sopii parhaiten tapaukseen. Jos mikään niistä ei sovi, kokeneet käyttäjät usein omaksuvat temppuja ja kieroutuskeinoja päästäkseen ihmiskontaktiin ja päästäkseen “vaihtoehtohelvetistä”. Moni meistä tunnistaa tämän kokemuksena, joka on enemmän tai vähemmän “taistelullinen” ja käyttäjävastainen.

Ei ole yllättävää, että asiakaspalvelukeskukset ovat eturintamassa tekoälyjärjestelmien kehittämisessä tai korvaamisessa; ja vaikka joidenkin tahojen suositellaan varovaisuutta, asiakaspalvelukeskuksen tekoälyautomatisointi on helppo saali teknologiauutisille ja tekoälyinnovaatiolle, joka voi tarjota epätavallisen nopean ROI:n.

Suljettu kauppa

Mutta on joitakin alueita, joilla avoimen lähdekoodin periaatteita ja vapaasti saatavilla olevaa dataa harvoin sovelletaan tai on saatavilla, ja tämä on yksi niistä. On järkevää: mikä tahansa yritys, joka on kiinnostunut automatisoimasta asiakaspalvelujärjestelmiään, on vähintään kiinnostunut jakamaan datan, joka mahdollistaa heidän tärkeät näkemyksensä, menetelmänsä tai yrityksen IP:n.

Yksi asia on, että jaettu resursseja maksaisi heille kilpailuetua; tärkeämpää on, että tekoälyjärjestelmien riskeistä johtuen luovuttaa etuoikeutettua tietoa, on laillisesti riskialtista.

Tämä on johtanut useiden hyvin investoitujen toimijoiden kehittämään tekoälyavusteisia asiakaspalvelujärjestelmiä toisistaan riippumatta (luultavasti jonkin verran toistuvaa työtä); ja B2B- startupeiden ja vakiintuneiden toimijoiden määrän kasvuun, jotka tavoittelevat tarjoamaan kasvavaa kysyntää tekoälyohjatuille asiakaspalvelukapasiteeteille.

PolyAI-ääniavustaja avaa asiakaspalvelupuhelun kuvitteelliselle yritykselle ‘Augusta Lawn Care’, käyttäen suuria määriä koulutuskeskusteluja automatisoidaksesi vastauksia olemassa olevan asiakaspalvelukeskuksen infrastruktuurin kautta. Lähde

Lisäksi kilpailu ärsyttävien asiakaspalvelumattojen poistamiseksi on ollut tutkimuksen kannustimena – vaikka useimmat julkaisut tapahtuvat Arxivin ja muiden avoimen tutkimuksen julkaisuverkostojen ulkopuolella, interaktiivisen äänivastauksen (IVR) kehityksen yleisesti salamyhkäisen luonteen mukaisesti.

Sen sijaan tekoälyautomatisoinnin tutkimus, data ja liiketoimintatiedot ovat kaikki tiukasti suojattuja, ja vain harvoja avoimen lähdekoodin vaihtoehtoja on saatavilla – vaikka vapaan ja avoimen lähdekoodin järjestelmien ja datan käyttäminen tarjoaisi laillisen vaihtoehdon, joka on epävarma.

Paikallinen puhelu

Tässä mielessä on virkistävää nähdä Kolumbiasta uusi tutkimus, joka yrittää rikkoa IVR:n yritysvaltaisen muurin, vähintään hieman. Uusi tutkimus, lyhyt ja ytimekäs työ, joka on nimeltään IVR:n kosketusnäppäimien tuolla puolen: Asiakkaan aikomusten reititys LLM: n avulla, tulee tutkijalta Universidad Distrital Francisco José de Caldasista Bogotasta, ja väittää olevansa ensimmäinen ei-suljettu projekti, joka käyttää suuria kielen malleja (LLM) luomaan toimivan skeeman Asiakkaan aikomuksen reititysjärjestelmälle (CIR).

Sen sijaan, että yritettäisiin päästä todelliseen asiakaspalveludataan tai omistajiin kuuluviin valikkopuihin, uusi projekti luo kaikki komponentit alusta alkaen kolmen tekoälymallin avulla: yksi keksii realistisen asiakaspalvelumenun; toinen simuloi satoja asiakkaan valituksia; ja kolmas toimii chatbotina, joka yrittää ohjata valitukset oikeaan kohteeseen.

Tuloksena on täysin syntetinen, mutta vakuuttava testiympäristö, joka esittää kuvitteellisen teleoperaattorin, yhdessä 920 erillisenä käyttäjän kyselyn, joka mahdollistaa kokeen kiertää lain vaarat samalla kun tutkitaan, miten hyvin nykyinen tekoäly voi tulkita epämääräisiä, sekavia puheita ja yhdistää soittajan oikeaan henkilöön.

Kokeet osoittavat, että järjestelmän systeemi voi vastata vapaamuotoisia asiakkaan valituksia oikeaan asiakaspalvelukohteeseen jopa 89,13 prosentin tarkkuudella, erityisesti kun annetaan “litistetyt” valikkovaihtoehdot verrattuna verbose-kuvausten kanssa (lisää myöhemmin).

Tutkimus osoitti myös, että kun soittajat käyttivät enemmän epävirallista tai vaihtelevaa kieltä, tekoäly virhettiin enemmän; mutta että jotkut näistä virheistä tapahtuivat ei siksi, että tekoäly ei ymmärtänyt, vaan siksi, että puhelinvalikko itsessään oli sekava.

Esimerkkejä asiakasvuorovaikutuksista, jaettuina osana uutta projektia. Lähde

Projektin data on tehty julkiseksi.

Menetelmä

Ensimmäinen malli kolmen osaisessa lähestymistavassa luo yksityiskohtaisen puhelinvalikon kuvitteelliselle teleoperaattorille; toinen luo yksilöllisiä soittajan viestejä – joitakin yksinkertaisia, toisia uudelleen sanottuja tai epävirallisia – simuloimaan, miten ihmiset todella puhuvat, kun he pyytävät apua. Tästä syystä 920 esimerkkiä luotiin projektiin.

Kolmas malli annettiin tehtäväksi yhdistää kunkin soittajan viesti oikeaan kohteeseen, vain viestin ja valikon perusteella. Tämä skeema mahdollisti kokeen, joka oli täysin toistettavissa, kiertäen tarpeen todellista asiakaspalveludataa tai altistamatta asiakastietoja:

Kolme järjestelmää, jotka valittiin kolmen osaisen lähestymistavan mukaan. Lähde

Kolme käytettyä mallia olivat gpt-3.5-turbo; gpt-4o-mini; ja gpt-4.1-mini.

Jotta voidaan simuloida uskottava asiakaspalveluympäristö, oli välttämätöntä luoda monimutkainen puhelinvalikko alusta alkaen. Koska asiaankuuluvia tietoja on niukasti saatavilla, gpt-3.5-turbo-malli pyydettiin luomaan täydellinen, monihaarainen rakenne kuvitteelliselle teleoperaattorille.

Kunkin haaran konfiguroitiin edustamaan palvelualueita, kuten laskutus, tekninen tuki, tilin hallinta ja uudet palvelut, realistisilla alivalinnoilla ja vaihtelevalla syvyydellä puun ylitse. Tästä keinotekoisesta valikosta luotiin kaksi versiota myöhempää testausta varten: yksi plain text -hierarkiana, joka jäljittelee, miten ihminen voisi lukea koko valikon; ja toinen luettelo päätepisteistä, joilla kussakin on oma napin painallusjono.

Tämä mahdollisti järjestelmän testaamisen sekä yksityiskohtaisella että “riisutulla” versiona reitityshaasteesta:

Kaksi puhelinvalikon versiota annettiin tekoälylle: yksityiskohtainen tekstihierarkia ja yksinkertaistettu luettelo suorista valikkovaihtoehdoista, verrataksesi, miten hyvin kumpikaan muoto tuki soittajien ohjaamista oikeaan paikkaan.

Soittajan viestien luomiseksi testaamista varten toinen kielen malli käytettiin luomaan joukko alkuperäisiä valituksia tai pyynnöitä, joista kymmenen yksilöllistä esimerkkiä tehtiin kullekin valikkokohteelle.

Näistä kussakin tehtiin useita uudelleen sanottuja versioita, jäljitelläkseen monia tapoja, joilla todelliset soittajat voivat ilmaista ongelmansa, ja esitelläkseen muutoksia pituudessa, sävyssä ja jopa pienissä virheissä tai ‘täyttävissä’ sanoissa.

920 soittajan viestiä, jotka luotiin alusta alkaen, suunniteltiin testaamaan järjestelmän tarkkuutta ja simuloimaan todellisen puheen ennustamattomuutta.

Kolmannen vaiheen testaus arvioi, miten tarkasti viimeinen malli voisi kartoittaa kunkin soittajan viestin oikeaan valikkokohteeseen, perustuen kahden eri tavoin esitettyyn IVR-järjestelmään (katso yllä oleva kuva).

Ensimmäisessä versiossa tekoälylle annettiin täydellinen, kuvaileva selitys puhelinpuusta, jossa kaikki haarat ja alivalinnat oli esitetty tekstimuodossa. Toisessa versiossa se näki vain luettelon lopullisista kohteista, joissa kussakin oli napin painallusjono.

Tavoitteena oli nähdä, tekisikö yksinkertaisempi, luettelopohjainen versio valikosta helpommaksi mallille päättää, mihin kunkin puhelun pitäisi mennä. Molemmissa tapauksissa järjestelmä vastaanotti yhden viestin kerrallaan ja pyydettiin palauttamaan vain polku, ilman lisäksi sanoja tai selitystä, jotta automaattinen arviointi olisi helpompaa.

Eristyminen

Välttääkseen testituloksien saastuttamisen, koe pidettiin kunkin mallin erillään toisistaan: puhelinvalikko luotiin ensimmäisellä mallilla, mutta lopullinen versio tehtiin manuaalisesti, jotta se pysyisi muille järjestelmille tutkimattomana.

Soittajan viestit luotiin erikseen gpt-4o-minillä, käyttäen vain päätepisteiden nimiä ja ilman pääsyä valikkorakenteeseen. Lopulta gpt-4.1-mini, joka käsittelee reitityksen, näki vain valikon tekstin ja saapuvat viestit, ja ei ollut mukana luomassa kumpaakaan.

Mittarit

Mittaakseen, miten hyvin reititysjärjestelmä suoriutui, käytettiin kahta standardimitaria: tarkkuus määriteltiin prosenttina tapauksista, joissa malli palautti täsmälleen oikean polun (kuten 1‑2‑3). Virheiden sijainnin erottamiseksi luotiin myös sekaannusmatriiseja*, jotka osoittivat, kuinka usein kunkin polku sekoitettiin muihin. Arviointi suoritettiin Pythonilla käyttäen pandas ja scikit-learn -kirjastoja.

Tulokset

Kokeissa mallin tarkkuus riippui vahvasti siitä, miten puhelinvalikko esitettiin: kun annettiin litistetty luettelo valikkopoluista, järjestelmä saavutti 89,13 prosentin tarkkuuden yksinkertaisemmassa datasetissä, verrattuna 81,30 prosenttiin, kun käytettiin täydellistä kuvailevaa valikkoa:

Reititystarkkuus kolmannen (LLM3) mallin mukaan, eri käyttöliittymämuotojen ja tietojoukkotyyppien mukaan, osoittaen, että litistetyt valikkopolut toimivat aina paremmin kuin hierarkkiset kuvaukset, ja että tarkkuus laski hieman, kun syötteitä täydennettiin uudelleen sanotuilla tai epävirallisilla kielimuodoilla.

Tämä kaava pidettiin myös laajemmassa, kielellisesti vaihtelevassa datasetissä, jossa litistetty versio suoritti jälleen paremmin, saavuttaen 86,52 prosentin verrattuna 77,07 prosenttiin kuvailevaan muotoon.

Nämä tulokset, tutkimus toteaa, osoittavat, että yksinkertaisemmat, luettelopohjaiset käyttöliittymät auttoivat mallia vastaamaan kysymyksiin luotettavammin kuin pitkät, hierarkkiset kuvaukset.

Tarkkuus laski myös hieman, kun uudelleen sanotut ja epäviralliset versiot soittajan viesteistä esiteltiin, osoittaen, että suurempi vaihtelu paransi realismin, mutta teki luokittelun vaikeammaksi.

Tutkimus johtaa siihen, että:

‘Tulokset osoittavat, että LLM:t reitittävät aikomuksia tarkemmin, kun niille annetaan litistettyjä IVR-poluja (jopa 89,13 prosentilla) kuin verbose-valikkokuvauksia (jopa 77,07 prosentilla), osoittaen, että selkeät, rakenteelliset käyttöliittymät vähentävät melua ja ovat paremmin sopivia reititystehtävään.

‘Tämä tukee periaatetta, jonka mukaan selkeys ja lyhyydeli parantavat LLM:n suorituskykyä luokittelutilanteissa.

‘Tärkeää on, että valikoiden muuttaminen litistetyiksi poluiksi on yksinkertainen, automaattinen prosessi, jota voidaan käyttää todellisissa sovelluksissa.’

Johtopäätös

On virkistävää nähdä ainakin jonkin verran avoimia töitä tapahtuvan yhdessä tutkimuksen suljetuimmista ja sulkeutuneimmista alueista. Mitä jää nähtäväksi, on se, tarvitaanko “kehyksellisiä” arkkitehtuureja, jotka kontekstualisoivat LLM:t, tulevaisuudessa, vai tarvitseeko malli vain pääsyn (paikallisesti saatavilla olevaan) liiketoimintatietoon, jolloin yritykseltä ei vaadita tietojen jakamista kolmansille osapuolille.

Lopulta laajemmat suunnitteluperiaatteet, jotka ovat täällä toiminnassa, vaikuttavat todennäköisesti omaksumisen aikaa myöhemmässä tekoälyjärjestelmissä, jopa asiakaspalvelun ulkopuolella, ilman tietoista suuntautumista tähän käyttötapaan.

* Katso lähdeartikkeli näistä.

Julkaistu ensimmäisen kerran keskiviikkona, 29. lokakuuta 2025