एआई आपको वास्तविक व्यक्ति से जल्दी जुड़ने में मदद कर सकता है

नई रिसर्च से पता चलता है कि ओपन सोर्स चैटजीपीटी-शैली के एआई सेटअप संभावित रूप से प्राकृतिक भाषा का उपयोग करके कॉल सेंटर में कॉलर्स को सही व्यक्ति के पास भेज सकते हैं, बिना उन्हें हर हफ्ते अलग-अलग मेनू विकल्पों का सामना करना पड़े, जो जानबूझकर रोकने वाले लगते हैं।

कॉल सेंटर में वास्तविक व्यक्ति से संपर्क करना एक निराशाजनक अनुभव हो सकता है, क्योंकि आपको धीमी गति से बहु-विकल्प विकल्पों को नेविगेट करने की आवश्यकता होती है – अक्सर यह सुनिश्चित नहीं होता कि कौन से विकल्प आपके मामले में उपयुक्त हैं। यदि उनमें से कोई भी नहीं है, तो अनुभवी उपयोगकर्ता आमतौर पर चालें और काम के चारों ओर अपनाने के लिए उपयोग करते हैं एक मानव सलाहकार तक पहुंचने के लिए और ‘विकल्प नरक’ से बाहर निकलने के लिए। हम में से कई लोग इसे एक अधिक या कम ‘संघर्ष’ और उपयोगकर्ता-विरोधी अनुभव के रूप में पहचानेंगे।

अप्रत्याशित रूप से, कॉल सेंटर एआई प्रणालियों द्वारा पूरक या प्रतिस्थापित करने के लिए सबसे आगे हैं; और, कुछ क्षेत्रों से सावधानी से दृष्टिकोण की सलाह दी जा रही है, कॉल सेंटर एआई स्वचालन अभी भी लो-हैंगिंग फल है तकनीकी हेडलाइंस के लिए, और एआई-आधारित नवाचार के लिए जो असामान्य रूप से जल्दी आरओआई प्रदान कर सकता है।

बंद दुकान

लेकिन कुछ क्षेत्र हैं जहां ओपन सोर्स सिद्धांतों और स्वतंत्र रूप से उपलब्ध डेटा का शायद ही कभी उपयोग किया जाता है या उपलब्ध है, और यह एक है। यह समझ में आता है: कोई भी कंपनी जो अपने ग्राहक प्रतिक्रिया प्रणालियों को स्वचालित करने में रुचि रखती है, उनके द्वारा प्राप्त अंतर्दृष्टि, उनके तरीकों, या उनके कॉर्पोरेट आईपी के डेटा को साझा करने में शून्य या सीमित रुचि रखेगी।

एक बात के लिए, इन संसाधनों को साझा करने से उन्हें प्रतिस्पर्धियों के साथ एक बढ़त खोने की लागत आएगी; अधिक महत्वपूर्ण बात यह है, दिया गया है कि एआई-इन-द-लूप सिस्टम कितने आसानी से विशेषाधिकार प्राप्त जानकारी का खुलासा कर सकते हैं, यह कानूनी रूप से जोखिम भरा है।

इसके परिणामस्वरूप, कई अच्छी तरह से निवेशित खिलाड़ियों ने स्वतंत्र रूप से एआई-सहायता प्राप्त कॉल सेंटर प्रतिक्रिया प्रणालियों को विकसित किया है; और बी 2 बी स्टार्टअप्स और स्थापित खिलाड़ियों की बढ़ती मांग को पूरा करने के लिए एआई-संचालित ग्राहक प्रतिक्रिया क्षमताओं की मांग की है।

एक पॉलीएआई वॉइस असिस्टेंट एक काल्पनिक कंपनी ‘ऑगस्टा लॉन केयर’ के लिए एक ग्राहक सेवा कॉल खोलता है, जो मौजूदा कॉल सेंटर बुनियादी ढांचे के माध्यम से स्वचालित प्रतिक्रियाओं को आकर्षित करने के लिए बड़ी मात्रा में प्रशिक्षण बातचीत पर आकर्षित करता है। स्रोत

इसके अलावा, कॉल सेंटर में जाल की निराशा को दूर करने की दौड़ ने शोध प्रयासों को बढ़ावा दिया है – हालांकि अधिकांश ऐसे प्रकाशन अक्सर अर्क्सिव और अन्य ओपन रिसर्च प्रकाशन नेटवर्क से दूर होते हैं, इंटरएक्टिव वॉयस रिस्पांस (आईवीआर) विकास के आमतौर पर गुप्त स्वभाव के अनुरूप।

इसके बजाय, एआई स्वचालन के लिए ग्राहक प्रतिक्रिया प्रणालियों से संबंधित शोध, डेटा और व्यवसाय बुद्धिमत्ता सभी सावधानी से संरक्षित हैं, केवल कुछ ओपन सोर्स विकल्प उपलब्ध हैं – भले ही एफओएसएस सिस्टम और डेटा का उपयोग एक कानूनी रूप से ध्वनि विकल्प प्रदान करता है, जो संदेहास्पद है।

स्थानीय कॉल

इस बात को ध्यान में रखते हुए, यह देखना ताज़ा है कि कोलम्बिया से एक नई पेपर आईवीआर को कम से कम थोड़ा अपने कॉर्पोरेट वॉल्ट से बाहर निकालने की कोशिश कर रही है। नया काम, एक संक्षिप्त प्रवेश जिसका शीर्षक आईवीआर टच-टोन्स के परे: एलएलएम का उपयोग करके ग्राहक इरादा मार्ग है, बोगोटा में यूनिवर्सिडाड डिस्ट्रिटल फ्रांसिस्को जोस डी कैल्डास में एक शोधकर्ता से आता है, और दावा करता है कि यह पहला गैर-बंद परियोजना है जो एक ग्राहक इरादा मार्ग (सीआईआर) प्रणाली के लिए एक कार्यशील योजना बनाने के लिए बड़े भाषा मॉडल (एलएलएम) का उपयोग करती है।

वास्तविक दुनिया के कॉल डेटा या प्रोप्राइटरी मेनू पेड़ तक पहुंच प्राप्त करने की कोशिश करने के बजाय, नई परियोजना तीन एआई मॉडल का उपयोग करके सभी घटकों को स्क्रैच से बनाती है: एक कॉल सेंटर मेनू का आविष्कार करने के लिए; एक और hundreds के लिए कॉलर शिकायतों को सिम्युलेट करने के लिए; और तीसरे को चैटबॉट के रूप में कार्य करने के लिए, उन शिकायतों को सही गंतव्य तक मार्गदर्शन करने की कोशिश करने के लिए।

परिणाम एक पूरी तरह से सिंथेटिक लेकिन आश्वस्त परीक्षण बिस्तर है, जिसमें एक काल्पनिक दूरसंचार कंपनी शामिल है, साथ ही 920 विशिष्ट उपयोगकर्ता प्रश्न, जो प्रयोग को कानूनी जोखिमों से बचने की अनुमति देता है जबकि यह जांचता है कि वर्तमान एआई वास्तविक भाषण की व्याख्या करने में कितनी अच्छी तरह से स्पष्ट, गंदे भाषण को समझता है, और अभी भी कॉलर को सही व्यक्ति से जोड़ता है।

परीक्षण से पता चलता है कि योजना की प्रणाली मुक्त-रूप में कॉलर शिकायतों को सही कॉल सेंटर गंतव्य तक मेल खाने में 89.13% सटीकता के साथ मेल खाती है, विशेष रूप से जब ‘फ्लैट’ मेनू विकल्पों के साथ दिया जाता है, न कि विस्तृत विवरण (बाद में अधिक)।

अध्ययन में यह भी पाया गया कि जब कॉलर ने अधिक अनौपचारिक या विविध भाषा का उपयोग किया, तो एआई ने अधिक त्रुटियां कीं; लेकिन कि उनमें से कुछ त्रुटियां इसलिए हुईं क्योंकि फोन मेनू स्वयं भ्रमित करने वाला था।

नई परियोजना के हिस्से के रूप में साझा की गई ग्राहक इंटरैक्शन के उदाहरण। स्रोत

परियोजना के लिए डेटा सार्वजनिक रूप से उपलब्ध कराया गया है।

विधि

त्रिपक्षीय दृष्टिकोण में पहला मॉडल एक काल्पनिक दूरसंचार कंपनी के लिए एक विस्तृत फोन मेनू बनाता है; दूसरा विशिष्ट कॉलर संदेशों को उत्पन्न करता है – कुछ सरल, अन्य पुनः लिखे या अधिक अनौपचारिक – वास्तविक लोगों के रूप में कॉल करने पर वास्तव में कैसे बात करते हैं, इसे सिम्युलेट करने के लिए। इस संबंध में, परियोजना के लिए 920 उदाहरण उत्पन्न किए गए थे।

तीसरा मॉडल को प्रत्येक कॉलर को सही विभाग से जोड़ने का काम दिया गया था, केवल संदेश और मेनू के एक संस्करण के आधार पर। यह योजना प्रयोग को पूरी तरह से दोहराने योग्य बनाने की अनुमति देती है, जबकि वास्तविक कॉल डेटा या ग्राहक जानकारी के संपर्क में आने की आवश्यकता को दरकिनार करती है:

त्रिपक्षीय दृष्टिकोण के लिए चुने गए तीन सिस्टम। स्रोत

तीन मॉडल जो क्रमशः उपयोग किए गए थे जीपीटी-3.5-टर्बो; जीपीटी-4ओ-मिनी; और जीपीटी-4.1-मिनी।

एक आश्वस्त ग्राहक सेवा वातावरण को सिम्युलेट करने के लिए, यह आवश्यक था कि एक जटिल फोन मेनू को स्क्रैच से सिंथेटिक किया जाए। प्रासंगिक डेटासेट की कमी के कारण, जीपीटी-3.5-टर्बो मॉडल को एक पूर्ण, मल्टी-ब्रांच संरचना उत्पन्न करने के लिए प्रेरित किया गया था। एक काल्पनिक दूरसंचार प्रदाता के लिए।

प्रत्येक शाखा को वास्तविक सेवा क्षेत्रों का प्रतिनिधित्व करने के लिए कॉन्फ़िगर किया गया था, जैसे कि बिलिंग, तकनीकी समर्थन, खाता प्रबंधन, और नए सेवाएं, वास्तविक उप-विकल्पों और पेड़ भर में विभिन्न गहराई के साथ। इस कृत्रिम मेनू से, दो संस्करण बनाए गए थे बाद के परीक्षण के लिए: एक सादे पाठ पदानुक्रम के रूप में, एक मानव को पूरे मेनू को पढ़ने की तरह; और दूसरा एक सूची के रूप में अंत बिंदुओं के साथ, प्रत्येक के साथ अपने स्वयं के बटन अनुक्रम के साथ।

यह प्रणाली को विस्तृत और ‘स्ट्रिप्ड-डाउन’ दोनों संस्करणों में परीक्षण करने की अनुमति देता है:

एआई को दो फोन मेनू संस्करण प्रदान किए गए: एक विस्तृत पाठ पदानुक्रम, और एक सरलीकृत सूची सीधे मेनू विकल्प, यह देखने के लिए कि प्रत्येक प्रारूप कॉलर्स को सही स्थान पर मार्गदर्शन करने में कितनी अच्छी तरह से समर्थन करता है।

कॉलर संदेशों को परीक्षण के लिए उत्पन्न करने के लिए, एक दूसरे भाषा मॉडल का उपयोग एक सेट मूल शिकायतों या अनुरोधों को उत्पन्न करने के लिए किया गया था, जिनमें से प्रत्येक मेनू अंत बिंदु के लिए दस विशिष्ट उदाहरण बनाए गए थे।

प्रत्येक को फिर से लिखने वाले संस्करणों में विस्तारित किया गया था, वास्तविक कॉलर अपनी समस्याओं को कैसे व्यक्त कर सकते हैं, इसे सिम्युलेट करने के लिए, और लंबाई, स्वर, और यहां तक कि छोटे त्रुटियों या ‘फिलर’ भाषा में परिवर्तन पेश किए गए थे।

शुरू में उत्पन्न 920 कॉलर संदेश प्रणाली की सटीकता का परीक्षण करने और वास्तविक दुनिया की भाषण की अप्रत्याशितता को सिम्युलेट करने के लिए डिज़ाइन किए गए थे।

तीसरे चरण में यह परीक्षण किया गया कि अंतिम मॉडल प्रत्येक कॉलर संदेश को सही मेनू गंतव्य से कितनी सटीकता से मैप कर सकता है, आईवीआर प्रणाली (ऊपर देखें) को प्रस्तुत करने के दो अलग-अलग तरीकों के आधार पर।

पहले संस्करण में, एआई को पूरे फोन पेड़ का एक विस्तृत विवरण दिया गया था, जिसमें हर शाखा और उप-विकल्प शामिल था। दूसरे में, यह केवल एक सूची देखी जिसमें अंतिम गंतव्य बिंदु थे, प्रत्येक के साथ अपने स्वयं के बटन अनुक्रम से जुड़ा हुआ था।

लक्ष्य यह देखना था कि क्या मेनू का एक सरलीकृत संस्करण मॉडल को प्रत्येक कॉल को सही स्थान पर भेजने में मदद करेगा। दोनों मामलों में, प्रणाली को एक-एक करके संदेश मिले, और केवल मार्ग लौटाने के लिए कहा गया था, कोई अतिरिक्त शब्द या विवरण के साथ नहीं, स्वचालित स्कोरिंग को सुविधाजनक बनाने के लिए।

अलैगनमेंट

परिणामों को दूषित करने से बचने के लिए, प्रयोग ने प्रत्येक मॉडल को दूसरों से अलग रखा: फोन मेनू को पहले मॉडल द्वारा तैयार किया गया था, लेकिन फिर मैन्युअल रूप से अंतिम रूप दिया गया, ताकि यह अन्य प्रणालियों के लिए अनजान रहे।

कॉलर संदेश जीपीटी-4ओ-मिनी द्वारा स्वतंत्र रूप से उत्पन्न किए गए थे, केवल अंत बिंदुओं के नामों का उपयोग करके, और मेनू संरचना तक कोई पहुंच नहीं थी। अंत में, जीपीटी-4.1-मिनी, जिसने मार्गदर्शन को संभाला, को केवल मेनू के पाठ और आने वाले संदेशों को देखा, और न तो मेनू और न ही संदेशों के निर्माण में शामिल था।

मीट्रिक

प्रणाली के प्रदर्शन को मापने के लिए, दो मानक मीट्रिक का उपयोग किया गया था: सटीकता को तब परिभाषित किया गया जब मॉडल ने सटीक सही मार्ग (जैसे 1‑2‑3) लौटाया। त्रुटियों के स्थान को अलग करने के लिए, भ्रम मैट्रिक्स भी उत्पन्न किए गए थे, जो दिखाते थे कि प्रत्येक मार्ग को कितनी बार दूसरों के साथ भ्रमित किया गया था। मूल्यांकन पाइथन में पांडास और स्किटी-लर्न लाइब्रेरी का उपयोग करके निष्पादित किए गए थे।

परिणाम

परीक्षण में, मॉडल की सटीकता इस बात पर बहुत अधिक निर्भर करती थी कि फोन मेनू को कैसे प्रस्तुत किया गया था: जब इसे फ्लैट मेनू पथों की सूची दी गई थी, तो प्रणाली ने 89.13% सटीकता हासिल की थी, जो कि सरल डेटासेट पर थी, जो कि पूर्ण विवरण मेनू के साथ 81.30% की तुलना में थी:

तीसरे (एलएलएम 3) मॉडल के लिए मार्गदर्शन सटीकता, विभिन्न प्रेरक प्रारूप और डेटासेट प्रकार के عبر, यह संकेत देते हुए कि फ्लैट मेनू पथों ने सुसंगत रूप से पदानुक्रमित विवरणों को बेहतर प्रदर्शन किया, और सटीकता में गिरावट आई जब इनपुट में परिभाषित या अनौपचारिक भाषा के साथ बढ़ाया गया था।

यह पैटर्न बड़े डेटासेट पर भी आयोजित किया गया था, जहां फ्लैट संस्करण ने फिर से बेहतर प्रदर्शन किया, 86.52% के खिलाफ 77.07% के लिए विस्तृत प्रारूप के लिए स्कोरिंग की।

इन परिणामों से, पत्र में उल्लेख किया गया है, यह सुझाव देता है कि सरल, सूची-आधारित प्रेरक मॉडल को अधिक विश्वसनीय रूप से मेल खाते हैं कि लंबे पदानुक्रमित विवरणों की तुलना में अधिक सटीकता से क्वेरी को मेल खाते हैं।

सटीकता भी गिर गई जब परिभाषित और अनौपचारिक संस्करणों को कॉलर संदेशों में पेश किया गया, जो यह दर्शाता है कि बड़ी विविधता ने वास्तविकता में सुधार किया, लेकिन वर्गीकरण को और अधिक कठिन बना दिया।

पेपर निष्कर्ष निकालता है:

‘हमारे परिणाम दिखाते हैं कि एलएलएम फ्लैट आईवीआर पथ (89.13% तक) के साथ इरादों को अधिक सटीक रूप से मार्गदर्शन करते हैं जो कि विस्तृत मेनू विवरण (77.07% तक कम) की तुलना में अधिक सटीक रूप से मार्गदर्शन करते हैं।

‘यह सिद्धांत का समर्थन करता है कि स्पष्टता और संक्षिप्तता एलएलएम प्रदर्शन को वर्गीकरण सेटिंग्स में बढ़ाती है।

‘महत्वपूर्ण बात यह है कि मेनू को फ्लैट पथ में बदलना एक सरल, स्वचालित प्रक्रिया है जो वास्तविक दुनिया के उपयोग के लिए है। ‘

निष्कर्ष

यह देखना ताज़ा है कि साहित्य में शोध की सबसे अधिक बंद और बहिष्कृत शाखाओं में से एक में कम से कम कुछ खुला काम हो रहा है। जो अभी भी देखा जाना बाकी है वह यह है कि क्या ‘फ्रेमिंग’ आर्किटेक्चर जो एलएलएम को संदर्भ देते हैं भविष्य में आवश्यक होंगे, या क्या मॉडल को केवल (स्थानीय रूप से उपलब्ध) व्यवसाय बुद्धिमत्ता तक पहुंच की आवश्यकता होगी, जो कंपनी को तीसरे पक्ष के प्रदाताओं के साथ डेटा साझा करने की आवश्यकता को समाप्त कर देगी।

अंततः, यहां काम करने वाले व्यापक डिजाइन सिद्धांत संभावित रूप से ग्राहक सेवा से परे के डोमेन में भी भविष्य के एआई सिस्टम द्वारा स्वाभाविक रूप से अपनाए जाने की संभावना है, बिना उस उपयोग के मामले के साथ जानबूझकर संरेखण किए।

* कृपया इन के लिए स्रोत पत्र देखें।

पहली बार बुधवार, 29 अक्टूबर, 2025 को प्रकाशित।