Блог olenka.ai
Машинне навчання в голосових ботах
штучний інтелект

Machine learning в голосових ботах

Бізнеси все активніше автоматизують продажі та телемаркетинг за допомогою голосових роботів. Це — програми на базі штучного інтелекту, призначені для масових автообдзвонів.

Наприклад, Olenka.ai практично в будь-якій галузі може збільшити продажі без розширення штату співробітників, шукати нових клієнтів, проводити опитування, забезпечувати якісне обслуговування та багато іншого. Але розумні боти не були б такими, якби не високі технології. Вирішили розповісти вам про одну з них.


Machine learning: що це й навіщо


Machine learning (ML), або машинне навчання — це різновид штучного інтелекту, завдяки якому комп’ютер (точніше, певні технологічні продукти) самостійно вирішує певні завдання. Тобто його на це ніхто заздалегідь не програму’. У результаті ці технологічні продукти точно прогнозують результати кожної своєї дії та приймають обґрунтовані рішення.

Алгоритми машинного навчання опрацьовують та структурують великі обсяги інформації, наявні в мережі, фактично це — історичні дані, минулий досвід. І вже на цій основі з урахуванням різноманітних факторів програма прогнозує результат. Саме так працюють рекомендації, наприклад, у соцмережах. Додаток аналізує вашу стрічку, як ви реагуєте на різні дописи, що шукаєте, та пропонує контент, який, на думку штучного інтелекту, має вас зацікавити.

Машинне навчання дає бізнесам чітке уявлення про:
  • тенденції поведінки клієнтів;
  • ефективні бізнес-моделі;
  • напрямки в розробці нових продуктів.

Сутність МL полягає в тому, щоби аналізувати заздалегідь завантажені дані з допомогою спеціальних алгоритмів та визначати закономірні зв’язки між ними. Що саме за інформацію оброблятиме комп’ютер та які інструменти використовуватиме, залежить від мети проєкту та ресурсів розробників.

Сфери застосування машинного навчання різні. МL розпізнає мову, рукописний текст, обличчя, відбитки пальців, часто повторювані дії, робить рекомендації на сайтах, навчає розумні пристрої, шукає документи, відстежує підозрілі операції (фінансові і т. д.), аналізує попит, прогнозує курси валют тощо.


Машинне навчання в голосовому роботі


Сучасні голосові боти ефективно спілкуються з людьми та здатні автоматизувати великий відсоток (залежно від сфери він може досягати 80 %) вихідних телефонних дзвінків. У яких бізнесах ці комунікаційні системи найбільш ефективні, ви можете прочитати в цій статті.

У розмовних продуктах на основі штучного інтелекту зазвичай використовуються 4 алгоритми класичного машинного навчання:
  • контрольований — оператор надає машині заздалегідь підібрані приклади (такі дані називають міченими), вона аналізує їх, прогнозує, а оператор потім виправляє помилки;
  • напів контрольований — комп’ютер отримує мічені й немічені дані та вчиться правильно позначати останні;
  • неконтрольований — навчання відбувається без оператора, машина від початку працює з неміченими даними, самостійно визначає закономірності та створює структуровані масиви для подальшого використання;
  • з «підкріпленням» — машина взаємодіє зі своїм середовищем, виконує певні дії, у результаті чого помиляється або отримує винагороду за ідеальне виконання завдання, і так вчиться на основі власного досвіду.

Як і будь-яка технологія, машинне навчання також має сильні сторони, проблеми та обмеження. Розглянемо умови, за яких машинне навчання працює добре.


Як голосовий бот навчається?


Створюється база знань. Насамперед необхідно підготувати 2 набори інформації — навчальний для аналізу закономірностей та тестовий для перевірки того, як система засвоїла дані.

Кожен із цих наборів має містити запити та відповіді клієнтів і фрази, що відображають реакції менеджерів із продажів чи операторів контакт-центрів. Обидві збірки готуються в текстовому форматі, основні закономірності маркуються між собою (якщо цього не зробити, «навчальний» ефект буде неправильним). Уся ця інформація надалі використовується в скриптах — сценаріях, у котрих голосовий робот шукає закономірності.

В такий спосіб у розумного бота формується база знань під різні проєкти — він починає розпізнавати все більше закономірностей.

Вдосконалюється технологія розпізнавання. Без машинного навчання практично неможливо створити хорошу систему розпізнавання мовлення.Програми автообдзвону працюють у досить складних умовах — їм потрібно розшифровувати та правильно інтерпретувати усне мовлення, що часто сильно відрізняється від офіційного. Ми нехтуємо граматикою, вживаємо сленг, неправильно ставимо наголоси й робимо ще багато такого, що бот не може правильно розпізнати.

Раніше під кожний намір, який міг висловити клієнт, складався перелік тригерних слів, що могли бути з ним пов’язані. Наприклад, покупець говорив щось на зразок «Завтра я зайнятий», тобто він ніби не проти пристати на пропозицію робота, але його не влаштовує час розмови. Програма автообдзвона може зрозуміти це за безліччю інших слів та виразів: «не можу», «не.вийде», «їду з міста» і т. ін. Але якщо клієнт вживає фрази, що не увійшли до переліку тригерів, робот його вже не розуміє.

В Olenka.ai ми розв'язали цю проблему за допомогою технології розуміння природної мови (докладніше про неї можна почитати в цьому матеріалі). Спочатку ця технологія розшифровує почуте та визначає намір, а МL знаходить найбільш закономірну (логічну та очікувану людиною) відповідь.

Машинне навчання тестує робота. Знайти вручну помилки в базі даних із тисячами фактів і десятками тисяч правил практично неможливо. Щоби протестувати бота за допомогою машинного навчання, створюється та запускається автоматичний тестер — файл із наборомзавдань. Зазвичай вони вибіркові та виглядають приблизно так: «типове запитання + правильна відповідь + контекст».

Виявлення тенденцій. Статистика та звіти — ще одна сфера застосування машинного навчання для покращення роботи програми автообдзвону. Якщо розділити базу знань на категорії, за допомогою машинного навчання можна проаналізувати кількість запитів по кожній із них — це хороший інструмент виявлення аномалій.

Наприклад, ви хочете продати квитки на онлайн-конференцію з питань вирощування зернових, обдзвонюєте всіх відомих вам фермерів України та помічаєте, що в якійсь одній області дуже багато відмов. Аналіз покаже, що в тих місцевостях не вирощують зернові в промислових масштабах, і ви відсієте нецільові контакти.

Машинне навчання застосовується в усіх сферах, у яких використовують високотехнологічні продукти (від створення персонажів для комп’ютерних ігор до медичної діагностики), тож очікується зростання інвестицій в ML. А це говорить про те, що з часом голосовий робот Olenka.ai ставатиме ще продуктивнішим та ефективнішим.