Inteligența artificială poate ajuta la conectarea cu o persoană reală mai rapid

Noi cercetări arată că sistemele de inteligență artificială de tip ChatGPT pot potențial direcționa apelurile către persoana potrivită într-un centru de apeluri utilizând limbajul natural, fără a urma opțiunile de meniu frustrante care sunt diferite în fiecare săptămână, apărând deliberat obstructive.

Încercarea de a ajunge la o persoană reală într-un centru de apeluri poate fi o experiență frustrantă, din cauza necesității de a naviga prin multiple opțiuni la un ritm lent – adesea fără certitudine cu privire la care dintre opțiuni se potrivește cazului dumneavoastră. Dacă niciuna dintre ele nu se potrivește, utilizatorii experimentați tind să adopte trucuri și soluții pentru a accesa un consilier uman de un anumit fel și pentru a ieși din “iadul opțiunilor”. Mulți dintre noi vom recunoaște acest lucru ca o experiență mai mult sau mai puțin “combative” și ostilă utilizatorului.

Nu este de mirare că centrele de apeluri sunt în prima linie pentru augmentare sau înlocuire cu sisteme de inteligență artificială; și, în ciuda abordării circumspecte recomandate din anumite sfere, automatizarea centrelor de apeluri cu ajutorul inteligenței artificiale rămâne un fruct delicios pentru titlurile tehnice, și pentru perspectiva inovării bazate pe inteligență artificială care poate oferi un randament investițional neobișnuit de rapid.

Magazin închis

Dar există anumite domenii în care principiile deschise și datele disponibile gratuit sunt rareori aplicate sau disponibile, și acesta este unul dintre ele. Este logic: orice companie interesată de automatizarea sistemelor de răspuns la clienți va avea un interes limitat sau nul în a împărtăși datele care alimentează insight-urile lor câștigate cu greu, metodele sau proprietatea intelectuală corporativă.

Pentru un lucru, împărtășirea acestor resurse i-ar costa un avantaj față de concurenți; mai important, având în vedere cât de predispuse sunt sistemele cu inteligență artificială la a dezvălui informații confidențiale, este riscant din punct de vedere legal.

Acest lucru a condus la apariția unor jucători bine investiți care dezvoltă sisteme de răspuns la apeluri asistate de inteligență artificială, independenți unii de alții (probabil cu o anumită redundanță a eforturilor); și la o proliferare a startup-urilor și a jucătorilor consacrați B2B care își propun să satisfacă cererea în creștere pentru capacități de răspuns la clienți conduse de inteligență artificială.

Un asistent vocal PolyAI deschide un apel de serviciu pentru compania fictivă ‘Augusta Lawn Care’, folosind cantități mari de conversații de antrenament pentru a automatiza răspunsurile prin infrastructura existentă a centrelor de apeluri. Sursă

În plus, cursa pentru a elimina frustrarea navigării prin labirintul unui centru de apeluri a dovedit a fi un impuls pentru eforturile de cercetare – deși majoritatea publicațiilor de acest fel au loc departe de rețelele deschise de publicare a cercetărilor, cum ar fi Arxiv, și în conformitate cu natura în general secretă a dezvoltării Răspunsului Vocal Interactiv (IVR).

În schimb, cercetarea, datele și inteligența de afaceri legate de sistemele de răspuns la clienți automate cu inteligență artificială sunt păzite cu gelozie, cu foarte puține opțiuni deschise disponibile – chiar dacă utilizarea sistemelor și datelor cu sursă deschisă oferă o opțiune legală, ceea ce este îndoielnic.

Apel local

Având în vedere aceste lucruri, este plăcut să vedem o nouă lucrare din Columbia care încearcă să scoată IVR din “cutia” corporativă, măcar într-o oarecare măsură. Noua lucrare, o intrare concisă intitulată Dincolo de tonurile IVR: Rutele intenției clientului utilizând LLM, provine de la un cercetător de la Universidad Distrital Francisco José de Caldas din Bogotá și susține că este primul proiect non-închis care utilizează Modele de Limbaj Mare (LLM) pentru a genera un schema funcțională pentru un sistem de Rutele Intenției Clientului (CIR).

În loc de a încerca să obțină acces la date reale de apel sau copaci de meniu proprietari, noul proiect generează toate componentele de la zero, utilizând trei modele de inteligență artificială: unul pentru a inventa un meniu realist de apeluri; altul pentru a simula sute de plângeri ale apelanților; și al treilea pentru a acționa ca chatbot, încercând să direcționeze plângerile către destinația corectă.

Rezultatul este un mediu de test complet sintetic, dar convingător, care prezintă o companie de telecomunicații fictivă, împreună cu 920 întrebări distincte ale utilizatorilor, permițând experimentului să ocolească riscurile legale, în timp ce sondează cât de bine inteligența artificială actuală poate interpreta vorbirea vagă și murdară și totuși conecta apelantul cu persoana potrivită.

Testele indică faptul că schema sistemului poate potrivi plângerile apelanților cu destinația corectă a centrelor de apeluri cu o acuratețe de până la 89,13%, în special atunci când i se oferă opțiuni de meniu “plat” în loc de descrieri verbale (mai multe despre acest lucru mai târziu).

Studiul a constatat, de asemenea, că atunci când apelanții au folosit un limbaj mai casual sau mai variat, inteligența artificială a greșit mai mult; dar că unele dintre aceste greșeli s-au datorat faptului că meniul telefonic în sine era confuz.

Exemple de interacțiuni ale clienților, împărtășite ca parte a noului proiect. Sursă

Datele pentru proiect au fost puse la dispoziție public.

Metodă

Primul model din abordarea tripartită creează un meniu de apeluri detaliat pentru o companie de telecomunicații fictivă; al doilea generează mesaje unice ale apelanților – unele simple, altele reexprimate sau făcute mai informale – pentru a simula modul în care oamenii vorbesc de fapt atunci când apelează pentru ajutor. În acest sens, au fost generate 920 de exemple pentru proiect.

Al treilea model a primit sarcina de a conecta fiecare apelant cu departamentul corect, pe baza mesajului și a unei versiuni a meniului. Acest schema a permis experimentului să fie complet reproductibil, în timp ce ocolea nevoia de date reale de apel sau expunerea informațiilor clienților:

Cele trei sisteme alese pentru abordarea tripartită. Sursă

Cele trei modele utilizate, respectiv, au fost gpt-3.5-turbo; gpt-4o-mini; și gpt-4.1-mini.

Pentru a simula un mediu de serviciu clienți convingător, a fost necesar să se sintetizeze un meniu telefonic complex de la zero. Din cauza lipsei de seturi de date relevante, modelul gpt-3.5-turbo a fost solicitat să genereze o structură completă, cu multiple ramuri, pentru un furnizor de telecomunicații fictiv.

Fiecare ramură a fost configurată pentru a reprezenta domenii de servicii, cum ar fi facturare, asistență tehnică suport, management cont și servicii noi, cu opțiuni realiste și adâncime variabilă pe tot arborele. Din acest meniu artificial, au fost create două versiuni pentru testarea ulterioară: una ca ierarhie de text simplu, pentru a imita modul în care un om ar citi întregul meniu; și alta ca listă de puncte finale, fiecare cu propria secvență de apăsări de butoane.

Acest lucru a permis sistemului să fie testat atât pe o versiune detaliată, cât și pe o versiune “simplificată” a provocării de rutare:

Două versiuni ale meniului de apeluri au fost furnizate inteligenței artificiale: o ierarhie de text detaliat și o listă simplificată de opțiuni de meniu direct, pentru a compara cât de bine fiecare format a susținut rutarea apelanților către locul potrivit.

Pentru a crea mesajele apelanților necesare pentru testare, al doilea model de limbaj a fost utilizat pentru a produce un set de plângeri sau solicitări originale, cu zece exemple unice create pentru fiecare punct final al meniului.

Fiecare dintre acestea a fost apoi extins în mai multe versiuni reexprimate, pentru a imita varietatea de moduri în care apelanții reali ar putea formula problemele lor, și a introdus schimbări în lungime, ton și chiar erori minore sau ‘cuvinte de umplutură’.

Cele 920 de mesaje ale apelanților generate la început au fost proiectate atât pentru a testa precizia sistemului, cât și pentru a simula imprevizibilitatea vorbirii din lumea reală.

Etapa a treia a testat cât de precis modelul final putea mapa fiecare mesaj al apelantului la destinația corectă a meniului, pe baza celor două moduri diferite de prezentare a sistemului IVR (vezi imaginea de mai sus).

În prima versiune, inteligența artificială a primit o descriere completă și detaliată a arborelui de apeluri, cu fiecare ramură și subopțiune prezentate în formă de text. În a doua, a văzut doar o listă de puncte finale, fiecare legat de o secvență de apăsări de butoane.

Scopul a fost de a vedea dacă o versiune simplificată a meniului ar face mai ușor pentru model să decidă unde ar trebui să meargă fiecare apel. În ambele cazuri, sistemul a primit un mesaj odată, și a fost solicitat să returneze doar calea, fără cuvinte sau explicații suplimentare, pentru a facilita evaluarea automată.

Izolare

Pentru a evita contaminarea rezultatelor testului, experimentul a menținut fiecare model izolat de celelalte: meniul de apeluri a fost redactat de primul model, dar apoi finalizat manual, astfel încât să rămână necunoscut celorlalte sisteme.

Mesajele apelanților au fost generate separat de gpt-4o-mini, utilizând doar numele punctelor finale, și fără acces la structura meniului. În final, gpt-4.1-mini, care a gestionat rutarea, a văzut doar textul meniului și mesajele care soseau, și nu a fost implicat în crearea niciunui dintre ele.

Metrici

Pentru a măsura cât de bine a performant sistemul de rutare, au fost utilizate două metrici standard: acuratețea a fost definită ca procentul de cazuri în care modelul a returnat calea exactă corectă (cum ar fi 1‑2‑3). Pentru a izola locația erorilor, au fost generate matrice de confuzie, arătând cât de des fiecare cale a fost confundată cu altele. Evaluările au fost executate în Python, utilizând bibliotecile pandas și scikit-learn.

Rezultate

În testele efectuate, acuratețea modelului a depins puternic de modul în care a fost prezentat meniul de apeluri: atunci când i s-a oferit lista plată de căi de meniu, sistemul a atins o acuratețe de 89,13% pe setul de date mai simplu, comparativ cu 81,30% atunci când a utilizat versiunea completă și descriptivă a meniului:

Acuratețea de rutare pentru modelul al treilea (LLM3), pe diferite formate de prompt și tipuri de seturi de date, indicând faptul că căile de meniu plate au performant mai bine decât descrierile ierarhice, și că acuratețea a scăzut ușor atunci când intrările au fost augmentate cu limbaj reexprimat sau informal.

Acest model s-a menținut și pentru setul de date mai mare și variat din punct de vedere lingvistic, unde versiunea plată a performant din nou mai bine, obținând 86,52% față de 77,07% pentru formatul descriptiv.

Rezultatele, nota articolul, sugerează că prompții mai simpli, bazati pe liste, au ajutat modelul să potrivească întrebările mai fiabil decât descrierile ierarhice lungi.

Acuratețea a scăzut ușor și atunci când au fost introduse versiuni reexprimate și informale ale mesajelor apelanților, indicând faptul că o varietate mai mare a îmbunătățit realismul, dar a făcut și clasificarea mai dificilă.

Articolul concluzionează:

‘Rezultatele noastre arată că LLM-urile direcționează intențiile mai precis atunci când li se oferă căi IVR plate (până la 89,13) decât descrieri de meniu verbale (atât de jos ca 77,07%), sugerând că prompții conciși și structurați reduc zgomotul și se aliniază mai bine cu sarcina de rutare.

‘Acest lucru sprijină principiul că claritatea și concizia îmbunătățesc performanța LLM în setări de clasificare.

‘Mai important, transformarea meniurilor în căi plate este un proces simplu și automatizabil pentru utilizarea în lumea reală.’

Concluzie

Este plăcut să vedem cel puțin o parte din lucrarea deschisă care are loc în una dintre cele mai închise și exclusive ramuri ale cercetării din literatura de specialitate. Ce rămâne de văzut este dacă “arhitecturile de cadru” care contextualizează LLM-urile vor fi necesare în viitor, sau dacă modelul va avea nevoie doar de acces la informații de afaceri (local disponibile), eliminând nevoia ca compania să împărtășească date cu furnizorii terți.

În cele din urmă, principiile de proiectare mai largi care funcționează aici par să fie adoptate în mod natural de viitoarele sisteme de inteligență artificială, chiar și în domenii dincolo de serviciile clienți, fără a necesita o aliniere deliberată la acest caz de utilizare.

* Vă rugăm să consultați articolul sursă pentru acestea.

Publicat pentru prima dată miercurea, 29 octombrie 2025