AI ช่วยให้คุณติดต่อคนจริงได้เร็วขึ้น

การวิจัยใหม่แสดงให้เห็นว่าระบบ AI แบบ ChatGPT ที่เปิด源สามารถส่งต่อผู้โทรไปยังบุคคลที่เหมาะสมในศูนย์บริการลูกค้าโดยใช้ภาษาธรรมชาติ โดยไม่ต้องปฏิบัติตามตัวเลือกเมนูที่น่าหงุดหงิดซึ่งแตกต่างกันทุกสัปดาห์ และดูเหมือนจะขัดขวางโดยเจตนา

การพยายามติดต่อคนจริงที่ศูนย์บริการลูกค้าอาจเป็นประสบการณ์ที่น่าหงุดหงิด เนื่องจากต้องนำทางตัวเลือกหลายทางที่มีความเร็วช้า – บ่อยครั้งโดยไม่มีความแน่นอนว่าตัวเลือกเหล่านั้นเหมาะสมกับคดีของคุณหรือไม่ ผู้ใช้ที่มีประสบการณ์มักจะใช้ เทคนิคและวิธีการ เพื่อเข้าถึงที่ปรึกษาทางมนุษย์และหลีกเลี่ยง ‘นรกของตัวเลือก’ สิ่งนี้เป็นประสบการณ์ที่ ‘รบ’ และไม่เป็นมิตรต่อผู้ใช้

ไม่น่าแปลกใจที่ศูนย์บริการลูกค้าอยู่ใน แนวหน้า สำหรับการเพิ่มหรือแทนที่ด้วยระบบ AI และ尽管บางคน แนะนำ วิธีการที่ระมัดระวัง แต่การ tự động hóa AI ของศูนย์บริการลูกค้ายังคงเป็น ผลลัพธ์ที่คาดหวัง สำหรับหัวข้อข่าวทางเทคนิคและความเป็นไปได้ของนวัตกรรม AI ที่สามารถให้ผลตอบแทนการลงทุน (ROI) ในระยะสั้นได้อย่างไม่寻常

ร้านปิด

แต่มีบางพื้นที่ที่หลักการเปิด源และข้อมูลที่มีอยู่ได้ไม่ค่อยถูกนำมาใช้ และนี่คือหนึ่งในนั้น มันสมเหตุสมผล: บริษัทใดๆ ที่สนใจในการเพิ่มประสิทธิภาพระบบการตอบสนองลูกค้าจะไม่มีความสนใจในการแบ่งปันข้อมูลที่ขับเคลื่อนการมองเห็นของตน การวิธีการ หรือทรัพย์สินทางปัญญาของตน

สิ่งหนึ่งคือการแบ่งปันทรัพยากรเหล่านี้จะทำให้พวกเขาเสียเปรียบในการแข่งขัน; สิ่งที่สำคัญกว่านั้นคือ การแบ่งปันข้อมูลนี้มีความเสี่ยงทางกฎหมาย เนื่องจากระบบ AI ที่มีลูปปิดมีแนวโน้มที่จะ เปิดเผย ข้อมูลที่มีเอกสิทธิ์

สิ่งนี้ทำให้เกิดผู้เล่นที่มีการลงทุนจำนวนมากพัฒนาระบบการตอบสนองลูกค้า AI โดยอิสระจากกัน (ด้วยความซ้ำซ้อนของความพยายามที่ไม่สามารถหลีกเลี่ยงได้บางส่วน); และการแพร่กระจายของ สตาร์ทอัพและผู้เล่นที่จัดตั้งขึ้น ที่พยายามตอบสนองความต้องการที่เพิ่มขึ้นสำหรับความสามารถในการตอบสนองลูกค้า AI

PolyAI voice assistant เปิดการโทรบริการลูกค้าสำหรับบริษัท ‘Augusta Lawn Care’ โดยใช้ข้อมูลการฝึกอบรมจำนวนมากเพื่อโต้ตอบกับระบบโทรศัพท์ที่มีอยู่ Source

นอกจากนี้ การแข่งขันที่จะลบความหงุดหงิดในการนำทางเมนูศูนย์บริการลูกค้าได้กระตุ้นให้เกิดความพยายามในการวิจัย – แม้ว่าข้อมูลวิจัยส่วนใหญ่จะเกิดขึ้นนอกเครือข่ายการเผยแพร่การวิจัยแบบเปิด เช่น Arxiv และในลักษณะที่ปิดบังของการพัฒนา IVR

แทนที่จะวิจัย ข้อมูล และธุรกิจอัจฉริยะที่เกี่ยวข้องกับการเพิ่มประสิทธิภาพระบบการตอบสนองลูกค้า AI ทั้งหมดถูกป้องกันอย่างเข้มงวด โดยมีตัวเลือกเปิด源ไม่มาก – แม้ว่าการใช้ระบบ FOSS และข้อมูลจะเสนอทางเลือกที่ถูกต้องตามกฎหมาย ซึ่งไม่น่าจะเป็นไปได้

การโทรท้องถิ่น

ด้วยสิ่งนี้ในใจ มันทำให้รู้สึกสดชื่นเมื่อเห็นเอกสารใหม่จากโคลอมเบียที่พยายามจะพา IVR ออกจากห้องโถงขององค์กรเล็กน้อย เอกสาร ใหม่ ซึ่งเป็นรายการย่อที่มีชื่อเรื่อง Beyond IVR Touch-Tones: Customer Intent Routing using LLMs มาจากนักวิจัยที่ Universidad Distrital Francisco José de Caldas ในโบโกตา และอ้างว่าเป็นโครงการแรกที่ไม่ปิดที่ใช้โมเดลภาษาขนาดใหญ่ (LLMs) เพื่อสร้างสเคมาที่ทำงานสำหรับระบบ Customer Intent Routing (CIR)

แทนที่จะพยายามเข้าถึงข้อมูลการโทรจริงหรือต้นไม้เมนูที่เป็นกรรมสิทธิ์ โครงการใหม่นี้สร้างส่วนประกอบทั้งหมดจากต้นโดยใช้โมเดล AI สามแบบ: หนึ่งเพื่อสร้างเมนูศูนย์บริการลูกค้าที่สมจริง; อีกแบบหนึ่งเพื่อจำลองหลายร้อยข้อร้องเรียนของผู้โทร; และแบบที่สามเพื่อทำหน้าที่เป็นแชทบอทที่พยายามส่งต่อข้อร้องเรียนเหล่านั้นไปยังจุดหมายที่ถูกต้อง

ผลลัพธ์คือการทดสอบที่สมจริงแต่สร้างขึ้นใหม่ โดยมีบริษัทโทรคมนาคมที่เป็นเท็จพร้อมด้วย 920 คิวรี่ของผู้ใช้ที่แตกต่างกัน ทำให้การทดลองสามารถหลีกเลี่ยงความเสี่ยงทางกฎหมายได้ ในขณะเดียวกันก็ทดสอบว่า AI สามารถตีความภาษาที่ไม่ชัดเจนและยุ่งเหยิงได้ดีเพียงใด และยังคงติดต่อผู้โทรกับบุคคลที่ถูกต้อง

การทดสอบแสดงให้เห็นว่าระบบสามารถจับคู่ข้อร้องเรียนของผู้โทรกับจุดหมายศูนย์บริการลูกค้าที่ถูกต้องได้ถึง 89.13% โดยเฉพาะเมื่อให้ตัวเลือกเมนูที่ ‘แบน’ แทนที่จะเป็นคำอธิบายที่ยาวกว่า (อธิบายเพิ่มเติมต่อไป)

การศึกษายังพบว่าเมื่อผู้โทรใช้ภาษาที่ไม่เป็นทางการหรือหลากหลาย AI จะผิดพลาดมากกว่า; แต่บางครั้งความผิดพลาดเหล่านั้นเกิดขึ้นไม่ใช่เพราะ AI ไม่เข้าใจ แต่เพราะต้นไม้โทรศัพท์เองที่ทำให้เข้าใจผิด

ตัวอย่างการโต้ตอบลูกค้า ซึ่งแบ่งปันในโครงการใหม่ Source

ข้อมูลสำหรับโครงการได้รับการ เผยแพร่สาธารณะ

วิธีการ

โมเดลแรกในแนวทางสามแบบนี้สร้างเมนูโทรศัพท์สำหรับบริษัทโทรคมนาคมที่เป็นเท็จ; โมเดลที่สองสร้างข้อความผู้โทรที่ไม่ซ้ำกัน – บางส่วนง่ายๆ อื่นๆ ถูกเขียนใหม่หรือทำให้ไม่เป็นทางการ – เพื่อจำลองวิธีที่ผู้คนพูดจริงเมื่อโทรหาความช่วยเหลือ ในเรื่องนี้ มีตัวอย่าง 920 รายการสำหรับโครงการ

โมเดลที่สามได้รับมอบหมายให้ติดต่อผู้โทรแต่ละคนกับแผนกที่ถูกต้อง โดยอาศัยข้อความและรุ่นหนึ่งของเมนู นี่ทำให้การทดลองสามารถทำซ้ำได้ ในขณะเดียวกันก็หลีกเลี่ยงความจำเป็นในการใช้ข้อมูลการโทรจริงหรือเปิดเผยข้อมูลลูกค้า:

ระบบทั้งสามที่เลือกสำหรับแนวทางสามแบบ Source

ระบบทั้งสามที่ใช้คือ gpt-3.5-turbo; gpt-4o-mini; และ gpt-4.1-mini

เพื่อสร้างสภาพแวดล้อมการบริการลูกค้าที่สมจริง จึงจำเป็นต้องสร้างเมนูโทรศัพท์ที่ซับซ้อนจากต้น เนื่องจากขาดชุดข้อมูลที่เกี่ยวข้อง โมเดล gpt-3.5-turbo จึงถูกกระตุ้นให้สร้างโครงสร้างหลายสาขาเต็มรูปแบบสำหรับบริษัทโทรคมนาคมที่เป็นเท็จ

แต่ละสาขาได้รับการกำหนดค่าให้แสดงถึงพื้นที่บริการ เช่น การเรียกเก็บเงิน, การสนับสนุนเทคนิค การจัดการบัญชี และ บริการใหม่ พร้อมด้วยตัวเลือกย่อยที่สมจริงและความลึกที่แตกต่างกันตลอดต้นไม้ จากเมนูเท็จนี้ มีการสร้างสองรุ่นสำหรับการทดสอบในภายหลัง: หนึ่งรุ่นเป็นลำดับชั้นข้อความธรรมดา เพื่อเลียนแบบวิธีที่มนุษย์อาจอ่านเมนูทั้งหมด; และอีกรุ่นหนึ่งเป็นรายการปลายทาง โดยแต่ละรายการมีลำดับของการกดปุ่ม

สิ่งนี้ทำให้ระบบสามารถทดสอบได้ทั้งรูปแบบที่มีรายละเอียดและ ‘ลดรูป’ ของความท้าทายในการกำหนดเส้นทาง:

สองรุ่นของเมนูโทรศัพท์ได้รับการให้ไว้สำหรับ AI: ลำดับชั้นข้อความที่มีรายละเอียด และรายการตัวเลือกเมนูที่ลดรูปลง เพื่อเปรียบเทียบว่ารูปแบบใดให้การสนับสนุนเส้นทางผู้โทรไปยังจุดหมายที่ถูกต้อง

เพื่อสร้างข้อความผู้โทรที่จำเป็นสำหรับการทดสอบ โมเดลภาษาที่สองถูกใช้เพื่อสร้างชุดข้อความข้อร้องเรียนหรือคำขอใหม่ โดยมีตัวอย่างที่ไม่ซ้ำกัน 10 รายการสำหรับแต่ละปลายทางของเมนู

แต่ละรายการเหล่านี้ถูกขยายออกเป็นหลายรุ่นที่เขียนใหม่ เพื่อเลียนแบบช่วงของวิธีที่ผู้โทรจริงอาจพูดถึงปัญหาของตน และแนะนำการเปลี่ยนแปลงในความยาว โทน และแม้แต่ข้อผิดพลาดเล็กๆ น้อยๆ หรือ ‘คำเติม’

ข้อความผู้โทร 920 รายการที่สร้างขึ้นในตอนแรกได้รับการออกแบบเพื่อทดสอบความแม่นยำของระบบและเพื่อจำลองความไม่แน่นอนของภาษาโลกจริง

ขั้นตอนสุดท้ายทดสอบว่าโมเดลสุดท้ายสามารถแมปกับจุดหมายเมนูที่ถูกต้องสำหรับแต่ละข้อความผู้โทร โดยอาศัยสองวิธีที่แตกต่างกันในการนำเสนอระบบ IVR (ดูภาพด้านบน)

ในเวอร์ชันแรก AI ได้รับโครงสร้างเมนูโทรศัพท์ที่สมบูรณ์และมีรายละเอียด โดยมีแต่ละสาขาและตัวเลือกย่อยที่ถูกวางออกมาเป็นข้อความ ในเวอร์ชันที่สอง มันเห็นเพียงรายการปลายทางสุดท้าย โดยแต่ละรายการมีลำดับของการกดปุ่ม

วัตถุประสงค์คือเพื่อดูว่าเวอร์ชันที่ลดรูปของเมนูจะทำให้โมเดลตัดสินใจได้ง่ายขึ้นว่าควรส่งต่อการโทรแต่ละครั้งไปที่ไหน ในทั้งสองกรณี ระบบได้รับข้อความหนึ่งครั้งและถูกขอให้กลับ เส้นทาง เท่านั้น โดยไม่มีคำพูดหรือคำอธิบายเพิ่มเติม เพื่ออำนวยความสะดวกในการให้คะแนนอัตโนมัติ

การแยกข้อมูล

เพื่อหลีกเลี่ยงการปนเปื้อนผลการทดสอบ การทดลองเก็บโมเดลแต่ละตัวแยกจากกัน: เมนูโทรศัพท์ถูกสร้างขึ้นโดยโมเดลแรก แต่แล้วจึงถูกสร้างขึ้นโดยมือเพื่อให้ไม่คุ้นเคยกับระบบอื่นๆ

ข้อความผู้โทรถูกสร้างขึ้นแยกจากกันโดย gpt-4o-mini โดยใช้เพียงชื่อปลายทาง โดยไม่มีการเข้าถึงโครงสร้างเมนู สุดท้าย gpt-4.1-mini ซึ่งจัดการการกำหนดเส้นทาง เห็นเพียงข้อความเมนูและข้อความผู้โทร และไม่มีส่วนเกี่ยวข้องกับการสร้างทั้งสอง

มาตรการ

เพื่อวัดว่าระบบกำหนดเส้นทางทำงานได้ดีเพียงใด มีการใช้มาตรการมาตรฐานสองแบบ: ความแม่นยำ ถูกกำหนดให้เป็นเปอร์เซ็นต์ของกรณีที่โมเดลกลับมาเป็นเส้นทางที่ถูกต้อง (เช่น 1‑2‑3) เพื่อแยกความผิดพลาด มีการสร้างเมทริกซ์ความสับสน* ซึ่งแสดงให้เห็นว่าเส้นทางแต่ละเส้นที่สับสนกับเส้นทางอื่นๆ มากน้อยเพียงใด การประเมินถูกดำเนินการใน Python โดยใช้ pandas และ scikit-learn libraries

ผลลัพธ์

ในการทดสอบ ความแม่นยำของโมเดลขึ้นอยู่กับวิธีการนำเสนอเมนูโทรศัพท์: เมื่อให้รายการเส้นทางเมนูที่ ‘แบน’ ระบบสามารถบรรลุความแม่นยำ 89.13% ในชุดข้อมูลที่ง่ายกว่า เมื่อเทียบกับ 81.30% เมื่อใช้รุ่นคำอธิบายเต็มของเมนู:

ความแม่นยำในการกำหนดเส้นทางสำหรับโมเดลที่สาม (LLM3) ทั่วรูปแบบการเรียกข้อมูลและประเภทชุดข้อมูลที่แตกต่างกัน โดยแสดงให้เห็นว่าเส้นทางเมนูที่ลดรูปลงมักจะทำงานได้ดีกว่าคำอธิบายแบบลำดับชั้น และความแม่นยำลดลงเล็กน้อยเมื่อข้อความผู้โทรถูกเพิ่มด้วยภาษาที่ไม่เป็นทางการหรือเขียนใหม่

รูปแบบนี้ยังคงอยู่สำหรับชุดข้อมูลที่ใหญ่ขึ้นและหลากหลายทางภาษา โดยที่รุ่นที่ลดรูปลงมีประสิทธิภาพดีกว่า โดยทำคะแนนได้ 86.52% เมื่อเทียบกับ 77.07% สำหรับรูปแบบคำอธิบาย

ผลลัพธ์เหล่านี้ บันทึกในเอกสารวิจัยว่า แสดงให้เห็นว่าคำสั่งง่ายๆ แบบรายการช่วยให้โมเดลจับคู่คำถามได้แม่นยำยิ่งขึ้นมากกว่าคำอธิบายแบบลำดับชั้นที่ยาวกว่า

ความแม่นยำยังลดลงเล็กน้อยเมื่อข้อความผู้โทรที่เขียนใหม่และไม่เป็นทางการถูกนำมาใช้ โดยแสดงให้เห็นว่าความหลากหลายที่เพิ่มขึ้นช่วยเพิ่มความสมจริง แต่ก็ทำให้การจำแนกประเภทยากขึ้น

เอกสารสรุปว่า:

‘ผลลัพธ์ของเราแสดงให้เห็นว่า LLMs กำหนดเส้นทางความตั้งใจได้แม่นยำยิ่งขึ้นเมื่อให้เส้นทาง IVR ที่ลดรูปลง (สูงถึง 89.13) มากกว่าคำอธิบายเมนูที่ยาวกว่า (ต่ำถึง 77.07%) โดยชี้ให้เห็นว่าคำสั่งง่ายๆ และมีโครงสร้างช่วยลดเสียงรบกวนและจัดแนวกับงานกำหนดเส้นทางได้ดีกว่า’

‘สิ่งนี้สนับสนุนหลักการที่ว่าความชัดเจนและความสั้นย่อมช่วยเพิ่มประสิทธิภาพของ LLM ในการตั้งค่าจำแนกประเภท’

‘สิ่งสำคัญคือ การแปลงเมนูเป็นเส้นทางที่ลดรูปลงเป็นกระบวนการที่ง่ายและสามารถทำอัตโนมัติได้สำหรับการใช้งานจริง’

สรุป

เป็นสิ่งที่สดชื่นเมื่อเห็นงานเปิดที่เกิดขึ้นในหนึ่งในสาขาวิจัยที่ปิดและไม่รวมกันมากที่สุดในเอกสารวิจัย สิ่งที่ยังคงต้องดูคือว่า ‘โครงสร้างพื้นฐาน’ ที่ให้บริบทแก่ LLMs จะจำเป็นต้องใช้ในอนาคตหรือไม่ หรือโมเดลจะเพียงต้องการการเข้าถึงข้อมูลธุรกิจที่มีอยู่ (locally-available) ซึ่งจะไม่จำเป็นต้องมีการแบ่งปันข้อมูลกับผู้ให้บริการที่สาม

ในที่สุด หลักการออกแบบที่กว้างขึ้นที่ทำงานที่นี่มีแนวโน้มที่จะถูกนำมาใช้โดย AI ระบบในอนาคต โดยไม่ต้องมีการจัดตำแหน่งที่ตั้งใจไว้กับกรณีการใช้งานนี้

* กรุณาอ้างอิงเอกสารต้นฉบับสำหรับข้อมูลเหล่านี้

เผยแพร่ครั้งแรกวันพุธที่ 29 ตุลาคม 2025