Yapay Zeka Gerçek Bir Kişiyle Daha Hızlı İletişim Kurmanıza Yardım Edebilir

Yeni bir araştırmaya göre, açık kaynaklı ChatGPT tarzı yapay zeka kurulumları, doğal dil kullanarak çağrı merkezindeki doğru kişiye yönlendirebilecek ve her hafta değişen, kasıtlı olarak engelleyici gibi görünen menü seçeneklerini takip etme ihtiyacını ortadan kaldırabilir.

Çağrı merkezinde gerçek bir kişiye ulaşmaya çalışmak, genellikle yavaş bir hızda çoklu seçenekler arasında gezinme ihtiyacından dolayı sinir bozucu bir deneyim olabilir – genellikle hangi seçeneğin sizin durumunuzla ilgili olduğunu bilmeden. Hiçbiri sizin durumunuzla ilgili değilse, deneyimli kullanıcılar genellikle bir insan danışmanına erişim sağlamak ve ‘seçenek cehenneminden’ kurtulmak için hileler ve çalışma yolları benimserler. Bu, daha çok veya menos ‘savaşçı’ ve kullanıcı dostu olmayan bir deneyim olarak tanınır.

Kendiliğinden, çağrı merkezleri, ön saflarda yer alıyor; ve bazı kesimlerden dikkatli bir yaklaşım önerilmesine rağmen, çağrı merkezi yapay zeka otomasyonu, düşük asılı meyve olarak teknoloji başlıkları ve yapay zeka tabanlı inovasyon için erken ROI vaadi için kalıyor.

Kapalı Dükkan

Ancak bazı alanlar var ki, açık kaynak ilkeleri ve serbestçe kullanılabilir veriler burada nadiren uygulanıyor veya mevcut değil. Bu mantıklı: Müşteri yanıt sistemlerini otomatikleştirmek isteyen herhangi bir şirket, kazandıkları içgörülerin, metodolojilerinin veya kurumsal IP’lerinin verilerini paylaşma konusunda sınırlı veya sıfır ilgi gösterecek.

Bunun bir nedeni, bu kaynakları paylaşmanın onlara rakiplerle rekabet avantajı kaybı yaşatacağı; daha da önemlisi, AI-ile çalışan sistemlerin gizli bilgileri ifşa etme eğiliminden dolayı, yasal olarak riskli.

Bu, iyi yatırımlı oyuncuların bağımsız olarak AI destekli çağrı merkezi yanıt sistemleri geliştirmesine ve B2B start-up’lar ve kurulmuş oyuncuların AI sürücülü müşteri yanıt yetenekleri için artan talebi karşılamaya çalışmasına yol açtı.

PolyAI ses asistanı, kurgusal şirket ‘Augusta Lawn Care’ için bir müşteri hizmeti çağrısını açıyor, mevcut çağrı merkezi altyapısı aracılığıyla büyük miktarda eğitim konuşmasına dayanarak yanıtları otomatikleştirmek için. Kaynak

Ayrıca, çağrı merkezi labirentinden kurtulmanın sinir bozucu deneyimini ortadan kaldırma yarışı, araştırma çabalarına ivme kazandırdı – ancak bu tür yayınlar genellikle Arxiv ve diğer açık araştırma yayınlama ağlarından uzakta, İnteraktif Ses Yanıtı (IVR) geliştirme doğasının genellikle gizli doğasına uygun olarak gerçekleşiyor.

Bunun yerine, AI müşteri yanıt sistemlerinin otomasyonuna ilişkin araştırma, veri ve iş zekası, çok az açık kaynak seçeneğiyle birlikte, kıskançça korunuyor – hatta FOSS sistemleri ve verileri yasal olarak sound bir seçenek sunsa da, bu şüpheli.

Yerel Çağrı

Bununla birlikte, Kolombiya’dan yeni bir makaleyle, IVR’ı en azından biraz corporate kasasından çıkarmak yenilikçi bir yaklaşım sunuyor. Yeni çalışma, IVR Dokunma Tonları Ötesinde: Müşteri Niyeti Yönlendirme kullanarak LLM’ler adlı bir entry, Bogotá’daki Universidad Distrital Francisco José de Caldas’tan bir araştırmacıdan geliyor ve Large Language Models (LLM’ler) kullanarak bir Müşteri Niyeti Yönlendirme (CIR) sistemi için çalışan bir şema üretmek için kapalı olmayan ilk proje olduğunu iddia ediyor.

Bunun yerine, gerçek çağrı verilerine veya özel menü ağaçlarına erişim sağlamaya çalışmak, yeni proje tüm bileşenleri sıfırdan üç AI modeli kullanarak oluşturur: biri gerçekçi bir çağrı merkezi menüsü icat etmek için; diğeri yüzlerce çağrı şikayetini simüle etmek için; ve üçüncüsü, şikayetleri doğru yere yönlendirmeye çalışan sohbet botu olarak hareket etmek için.

Sonuç, tamamen sentetik ancak inandırıcı bir test yatağı, kurgusal bir telekom şirketini ve 920 ayrı kullanıcı sorgusuyla birlikte sunuyor, böylece deney, yasal riskleri atlatırken, güncel AI’nin belirsiz, karmaşık konuşmayı nasıl yorumlayabileceğini ve çağrıcıyı doğru kişiye bağlayabileceğini araştırabiliyor.

Testler, şemanın sisteminin, çağrıcı şikayetlerini doğru çağrı merkezi varış noktasına, özellikle de “düzleştirilmiş” menü seçenekleri yerine verbose açıklamalar verildiğinde, %89,13’lük bir doğrulukla eşleştirebileceğini gösteriyor.

Çalışma ayrıca, çağrıcılar daha informal veya değişken dil kullandığında, AI’nin daha fazla hata yaptığını, ancak bu hataların bazılarının AI’nin yanlış anladığından değil, telefon menüsünün kendisinin karıştırıcı olduğundan kaynaklandığını buldu.

Yeni proje kapsamında paylaşılan müşteri etkileşimi örnekleri. Kaynak

Proje için veri halka açık olarak sağlandı.

Yöntem

Üçlü yaklaşımın ilk modeli, kurgusal bir telekom şirketinin ayrıntılı bir telefon menüsü oluşturuyor; ikinci model, bazıları basit, diğerleri yeniden ifade edilmiş veya daha informal hale getirilmiş benzersiz çağrı mesajları üretiyor – bunlar, insanların yardım için nasıl konuştuğunu simüle etmek için kullanılıyor. Bununla ilgili olarak, projede 920 örnek oluşturuldu.

Üçüncü model, her çağrıcıyı, sadece mesaj ve menü sürümüne dayanarak, doğru departmana bağlama görevi verildi: Bu şema, deneyin tam olarak tekrarlanabilir olmasını sağlarken, gerçek çağrı verilerine veya müşteri bilgilerini açığa çıkarmaya gerek kalmadan ermögledi.

Üçlü yaklaşım için seçilen üç sistem. Kaynak

Kullanılan üç model sırasıyla gpt-3.5-turbo; gpt-4o-mini; ve gpt-4.1-mini idi.

İnanılmaz bir müşteri hizmeti ortamı simüle etmek için, bir telefon menüsünü sıfırdan sentezlemek gerekliydi. İlgili veri setlerinin kıtlığı nedeniyle, gpt-3.5-turbo modeli, kurgusal bir telekom sağlayıcısı için tam, çok dallı bir yapı oluşturmak için yönlendirildi.

Her dal, faturalama, teknik destek, hesap yönetimi ve yeni hizmetler gibi hizmet alanlarını temsil etmek için yapılandırıldı, gerçekçi alt seçeneklerle ve ağacın farklı derinlikleriyle. Bu yapay menüden, daha sonra test için iki versiyon oluşturuldu: biri, bir insan tarafından tüm menüyü okuyabileceği şekilde düz metin hiyerarşisi olarak; diğeri, herOwn endpointinin kendi düğme basın sekansıyla birlikte bir endpoint listesi olarak.

Bu, sistemin hem ayrıntılı hem de “sadeleştirilmiş” routing zorluğu üzerinde test edilmesini sağladı:

AI’ye, çağrıcıları doğru yere yönlendirmesine yardımcı olmak için iki telefon menüsü versiyonu sağlandı: ayrıntılı bir metin hiyerarşisi ve basitleştirilmiş doğrudan menü seçenekleri listesi.

Çağrı mesajlarını oluşturmak için, ikinci bir dil modeli kullanıldı, bu, orijinal şikayetler veya talepler üretti – bazıları basit, diğerleri yeniden ifade edilmiş veya daha informal hale getirilmiş – insanların yardım için nasıl konuştuğunu simüle etmek için.

Bunların her biri, gerçek çağrıcıların sorunlarını nasıl ifade edebileceğini taklit etmek için birkaç yeniden ifade edilmiş versiyonlara genişletildi, ve bu, uzunluk, ton ve hatta küçük hatalar veya ‘doldurma’ dili değişiklikleri içeriyordu.

Önceden oluşturulan 920 çağrı mesajı, sistemin doğruluğunu test etmek ve gerçek dünya konuşmasının öngörülemezliğini simüle etmek için tasarlandı.

Üçüncü aşama, son modelin her çağrı mesajını, telefon menüsünün iki farklı sunumu temelinde, doğru menü varış noktasına nasıl haritalayabileceğini test etti (yukarıdaki resme bakın).

İlk versiyonda, AI’ye, telefon ağacının tam, açıklamalı bir özeti verildi; ikinci versiyonda, yalnızca final varış noktalarına bağlı düğme dizileri listesi verildi.

Amac, daha sade bir menü versiyonunun, modelin her çağrıyı doğru yere yönlendirmesini daha kolay hale getireceğini görmekti. Her iki durumda da, sistem bir mesaj aldı ve yalnızca yolu, otomatik puanlama kolaylaştırmak için ek kelimeler veya açıklamalar olmadan döndürmesi istendi.

İzolasyon

Deney, her modeli diğerlerinden izole ederek sonuçları kirletmesini önledi: telefon menüsü ilk model tarafından oluşturuldu, ancak daha sonra manuel olarak sonlandırıldı, böylece diğer sistemler için yabancı kaldı.

Çağrı mesajları daha sonra gpt-4o-mini tarafından ayrı olarak oluşturuldu, yalnızca endpoint isimlerine dayanarak ve menü yapısına erişimi olmadan. Son olarak, gpt-4.1-mini, routing ile ilgilenen ve menü metni ile gelen mesajları gören, ancak bunların hiçbirini oluşturmaya katılmayan modeldi.

Metrikler

Yönlendirme sisteminin performansı ölçmek için, iki standart metrik kullanıldı: doğruluk, modelin doğru yolu döndürdüğü durumların yüzdesi olarak tanımlanır (örneğin, 1‑2‑3). Hataların konumunu izole etmek için, her yolun diğerleriyle nasıl karıştırıldığını gösteren karmaşıklık matrisleri de oluşturuldu*. Değerlendirmeler, pandas ve scikit-learn kütüphaneleri kullanılarak Python’da yürütüldü.

Sonuçlar

Testlerde, modelin doğruluğu, telefon menüsünün sunuluşuna güçlü bir şekilde bağlıydı: düzleştirilmiş menü yolları listesi verildiğinde, sistem %89,13’lük doğrulukla basit veri kümesinde ulaştı, bu da menü sürümüne kıyasla %81,30’luk bir doğrulukla karşılaştırıldı:

Üçüncü (LLM3) model için routing doğruluğu, farklı istem formatları ve veri kümesi türleri boyunca, düzleştirilmiş menü yollarının hiyerarşik açıklamalardan daha iyi performans gösterdiğini ve doğruluğun, girdiler informal veya yeniden ifade edilmiş dille zenginleştirildiğinde biraz düştüğünü gösteriyor.

Bu model, daha büyük, dil olarak çeşitli veri kümesi için de geçerliydi, burada da düzleştirilmiş versiyon daha iyi performans gösterdi ve %86,52’ye karşı %77,07’lik bir doğruluk oranına ulaştı.

Çalışma, bu sonuçların, daha basit, liste tabanlı istemlerin, modelin sorguları daha güvenilir bir şekilde eşleştirmesine yardımcı olduğunu, uzun hiyerarşik açıklamalardan daha iyi performans gösterdiğini belirtiyor.

Doğruluk, çağrı mesajlarının paraphrase ve informal sürümleri sunulduğunda biraz düştü, bu da gerçekçi konuşma sunarken sınıflandırmanın daha zor hale geldiğini gösteriyor.

Makale şöyle diyor:

‘Sonuçlarımız, LLM’lerin, IVR yollarını düzleştirilmiş IVR yollarına (en fazla %89,13) kıyasla daha verbose menü açıklamalarına (en düşük %77,07) göre daha doğru bir şekilde yönlendirdiğini gösteriyor, bu da gürültüyü azaltan ve yönlendirme görevine daha iyi uyum sağlayan net ve yapılandırılmış istemlerin ilkesini desteklemektedir.

‘Bu, sınıflandırma ayarlarında netlik ve özlülüğün LLM performansı üzerinde olumlu bir etkisi olduğunu gösteren ilkeyi desteklemektedir.

‘Önemlisi, menüleri düzleştirilmiş yollara dönüştürmek, gerçek dünya kullanımında basit ve otomatikleştirilebilir bir işlemdir.’

Sonuç

Araştırmaların en kapalı ve dışlayıcı dallarından birinde en azından bazı açık çalışmaların gerçekleştiğini görmek yenilikçi bir yaklaşım sunuyor. Geriye kalan, gelecekte ‘çerçeveli’ mimarilerin LLM’leri bağlamlaştırması gerekip gerekmediği veya modelin yalnızca (yerel olarak mevcut) iş zekasına erişmesi gerekip gerekmediği, böylece şirketin üçüncü taraf sağlayıcılarla veri paylaşma ihtiyacını ortadan kaldırıp kaldıramayacağı görülüyor.

Ultimo, burada çalışan daha geniş tasarım ilkelerinin, müşteri hizmetleri ötesinde alanlarda, bu kullanım durumuna kasıtlı olarak hizalanmadan, gelecekteki AI sistemleri tarafından doğal olarak benimseneceği görünüyor.

* Kaynak makaleye bakınız.

İlk olarak Çarşamba, 29 Ekim 2025’te yayımlandı.