Andersonの視点
AIは実際の人物に迅速に接続することができる
Unite.AI を Google の優先ソースに追加
新しい研究によると、オープンソースのChatGPTスタイルのAIセットアップは、自然言語を使用して、煩わしいメニュー選択を介さずに、コールセンターの適切な人物に呼び出しをルーティングできる可能性がある。
コールセンターで実際の人物に接続することは、複数の選択肢を遅いペースでナビゲートする必要があるため、苛立たしい経験になることが多い。そうでない場合は、経験豊富なユーザーは、トリックやワークアラウンドこれを利用すると、人間のアドバイザーにアクセスして、選択肢の多さに圧倒されるという悪循環から抜け出そうとする傾向があります。多くのユーザーにとって、これは多かれ少なかれ「戦闘的」で敵対的な体験となります。
予想通り、コールセンターは、最前線でAIシステムによって増強または置き換えられる。しかしながら、一部から慎重なアプローチが推奨されているにもかかわらず、コールセンターのAI自動化は、低いハングリングフルーツであり、テクノロジーに関するヘッドラインや、早期のROIを提供するAIベースのイノベーションの可能性がある。
閉じた店
しかし、オープンソースの原則や無料で利用できるデータがほとんど適用されていない、または利用できない領域もある。これは妥当である。顧客レスポンスシステムの自動化に興味を持つ会社は、得られた洞察、方法論、または企業の知的財産に関するデータを共有することにほとんど、またはまったく興味を持たないだろう。
一つの理由は、こうしたリソースを共有することは、競合他社に対して優位性を失うことになるからである。さらに重要なのは、AIシステムがプライベート情報を漏らす可能性があるため、法的リスクもある。
これにより、多くの投資を受けたプレーヤーが、互いの独立したAI支援コールセンター応答システムを開発することになった。さらに、B2Bのスタートアップや既存のプレーヤーが、AI駆動の顧客レスポンス機能に対する需要を満たすために参入している。
<img class=” wp-image-225078″ src=”https://www.unite.ai/wp-content/uploads/2025/10/PolyAI.jpg” alt=”PolyAIの音声アシスタントが、架空の会社「Augusta Lawn Care」の顧客サービスコールを開設し、大量のトレーニング会話を使用して、既存のコールセンターインフラストラクチャを介して自動応答を提供する。ソース：コレクション” width=”830″ height=”305″ /> PolyAIの音声アシスタントが、架空の会社「Augusta Lawn Care」の顧客サービスコールを開設し、大量のトレーニング会話を使用して、既存のコールセンターインフラストラクチャを介して自動応答を提供する。 ソース
さらに、コールセンター迷宮をナビゲートする煩わしさを除去するために、研究努力が行われている。ただし、ほとんどの出版物は、Arxivやその他のオープンリサーチ出版ネットワークではなく、Interactive Voice Response（IVR）開発の一般的に秘密主義的な性質に従って、別の場所で発行される。
IVRの開発に関連する研究、データ、ビジネスインテリジェンスはすべて厳密に守られており、オープンソースのオプションはほとんどない。FOSSシステムやデータを使用することは法律的に健全な選択肢かもしれないが、疑問がある。
ローカルコール
この点を考慮して、コロンビアからの新しい論文がIVRを企業の金庫から少しだけ解放しようとしていることは、爽快である。新しい研究、
新しい作業は、Beyond IVR Touch-Tones：Customer Intent Routing using LLMsというタイトルの簡潔なエントリであり、ボゴタのUniversidad Distrital Francisco José de Caldasの研究者によって行われ、最初の非クローズドプロジェクトであると主張しており、Large Language Models（LLMs）を使用して、Customer Intent Routing（CIR）システムの動作するスキーマを生成する。
実際のコールデータや独自のメニューツリーにアクセスしようとせずに、新しいプロジェクトは、3つのAIモデルを使用してすべてのコンポーネントをスクラッチから生成する：1つは現実的なコールセンターのメニューを発明するために、もう1つは数百のコーラーのお悩みをシミュレートするために、3つ目はチャットボットとして機能し、コーラーのお悩みを正しい宛先にルーティングしようとする。
結果は、完全に合成されたものの、説得力のあるテストベッドであり、架空のテレコム会社と920の異なるユーザー照会を特徴としている。これにより、実験は法的リスクを回避しながら、現在のAIが曖昧で汚れたスピーチをどのように解釈し、まだコーラーを正しい人物に接続できるかを調べることができる。
テスト結果は、スキーマのシステムが、フラット化されたメニューのオプションではなく、自由形式のコーラーのお悩みを正しいコールセンターの宛先にマッチングできることが示されている。特に、89.13％の精度で、尤も当てはまるものである。
研究では、コーラーがよりカジュアルまたは多様な言語を使用したとき、AIはより多くの間違いを犯したが、間違いの一部は、電話メニュー自体が混乱していたためであった。
<img class=” wp-image-225079″ src=”https://www.unite.ai/wp-content/uploads/2025/10/figshare-examples-data.jpg” alt=”新しいプロジェクトの一部として共有された顧客とのやり取りの例。(ソース) https://figshare.com/articles/dataset/Beyond_IVR_Touch-Tones_Customer_Intent_Routing_using_LLMs/30118690” width=”935″ height=”417″ /> 新しいプロジェクトの一部として共有された顧客とのやり取りの例。 ソースプロジェクトのデータは、一般に公開されている。
方法
三重アプローチの最初のモデルは、架空のテレコム会社の詳細な電話メニューを作成する。2番目のモデルは、シンプルなものから複雑なものまで、ユニークなコーラーメッセージを生成する。プロジェクトでは920の例が生成された。
3番目のモデルは、メッセージとメニューのバージョンのみを使用して、各コーラーを正しい部門に接続するというタスクが与えられた。これにより、実験は完全に繰り返し可能になり、実際のコールデータや顧客情報を公開する必要がなくなった。
<img class=” wp-image-225080″ src=”https://www.unite.ai/wp-content/uploads/2025/10/table-1-5.jpg” alt=”三重アプローチで使用される3つのシステム。(ソース) https://arxiv.org/pdf/2510.21715” width=”749″ height=”185″ /> 三重アプローチで使用される3つのシステム。 ソース使用された3つのモデルは、それぞれ、gpt-3.5-turbo、gpt-4o-mini、gpt-4.1-miniであった。
現実的な顧客サービス環境をシミュレートするために、スクラッチから複雑な電話メニューを合成する必要があった。関連データセットの希少性により、gpt-3.5-turboモデルは、架空のテレコムプロバイダー全体の多分岐構造を生成するよう促された。
各ブランチは、請求、技術 サポート、アカウント管理、新しいサービスなどのサービスエリアを表すように構成され、現実的なサブオプションとツリー全体にわたるさまざまな深さを持っていた。人工的なメニューから、テストのために2つのバージョンが作成された：1つは人間がメニュー全体を読むようにテキストの階層として、もう1つは各エンドポイントに独自のボタンシーケンスが付いたエンドポイントのリストとして。
これにより、システムは、詳細なテキスト階層と簡略化されたメニューのオプションの両方でテストされることができた。
テストに必要なコーラーメッセージを生成するために、2番目の言語モデルが使用され、各メニューのエンドポイントに対して10個のユニークな例が生成された。
これらの各メッセージは、実際のコーラーが問題を表現するさまざまな方法を模倣するために、複数の改作バージョンに拡張され、長さ、トーン、さらには小さなエラーまたは‘フィラー’言語の変更が導入された。
最初に生成された920のコーラーメッセージは、システムの精度をテストし、現実世界のスピーチの不可予測性をシミュレートするように設計された。
3番目のステージでは、最終的なモデルが各コーラーメッセージを正しいメニューの宛先にどれだけ正確にマッピングできるかをテストした。IVRシステムを提示する2つの異なる方法（上の画像を参照）で行われた。
最初のバージョンでは、AIは電話ツリーの完全な記述的なアウトラインを与えられた。2番目のバージョンでは、ボタンシーケンスに結び付けられたエンドポイントのリストのみが表示された。
目標は、簡略化されたメニュー バージョンが、モデルが各コールをどの宛先にルーティングするかを決定するのをより簡単にできるかどうかを確認することだった。両方のケースで、システムは一度に 1 つのメッセージを受け取り、追加の単語や説明なしで パスのみ を返すように求められ、自動スコアリングを容易にした。
分離
テスト結果を汚染しないように、実験では各モデルを相互に分離した。電話メニューは最初のモデルによって作成されたが、他のシステムに知られていないように手動で最終化された。
コーラーメッセージは、メニュー構造にアクセスせずに、エンドポイントの名前のみを使用して、gpt-4o-miniによって個別に生成された。最後に、gpt-4.1-mini（ルーティングを処理）は、メニューのテキストと受信メッセージのみを表示し、メニューまたはメッセージの作成に関与しなかった。
メトリック
ルーティングシステムのパフォーマンスを測定するために、2つの標準メトリックが使用された。精度は、モデルが正確なパス（たとえば、1－2－3）を返した場合の割合として定義された。エラーの位置を分離するために、各パスが他のパスとどれだけ混同されたかを示す混同行列も生成された。評価は、pandasとscikit-learnライブラリを使用してPythonで実行された。
結果
テストでは、モデルの精度は、電話メニューが提示される方法によって大きく依存した。フラット化されたメニュー パスのリストが与えられた場合、システムはシンプルなデータセットで 89.13% の精度に達し、フルな記述的なメニュー バージョンを使用した場合の 81.30% と比較された。
このパターンは、大規模で言語的に多様なデータセットでも維持され、フラット化されたバージョンが 86.52% 対 77.07% の記述的な形式で再び優位性を示した。
これらの結果は、論文によると、シンプルでリスト形式のプロンプトが、長い階層的な説明よりも、クエリをより確実にマッチングするのを助けたことを示唆している。
精度はまた、言い換えられたり非公式のバージョンのコーラーメッセージが導入されたときにわずかに低下し、よりリアルなシミュレーションが行われたが、分類がより困難になったことを示した。
論文は次のように結論付ける。
「私たちの結果は、LLMがフラット化されたIVRパス（最大89.13％）で意図をより正確にルーティングし、冗長なメニュー説明（低い場合は77.07％）よりも、コンカートで構造化されたプロンプトがノイズを減らし、ルーティングタスクとよりよく一致することを示している。」
「これは、明確性と簡潔性がLLMのパフォーマンスを分類設定で向上させるという原則を支持する。」
「重要なのは、メニューをフラット化されたパスに変換するのは、現実世界での使用のために簡単に自動化できるプロセスである。」
結論
研究の最も閉じた分野の1つで、少なくとも一部のオープンな作業が行われていることは、爽快である。まだ見るべきものは、将来のAIシステムが、顧客サービス以外のドメインでも、デリバレートされたアラインメントを必要とせずに、ここで働くより広範な設計原則を自然に採用するかどうかである。
最終的に、ここで働くより広い設計原則は、将来のAIシステムによって、顧客サービス以外のドメインでも、自然に採用される可能性が高い。第三者プロバイダーと共有する必要性を回避するために、会社がローカルで利用可能なビジネスインテリジェンスのみにアクセスする必要があるかどうかが残っている。
* これらのものについては、ソース論文を参照してください。
2025年10月29日（水）に初めて公開されました。
