Блог olenka.ai ru
Машинное обучение в голосовых ботах
отдел продаж

Machine learning в голосовых ботах

Бизнесы всё активнее автоматизируют продажи и телемаркетинг с помощью голосовых роботов. Это — программы на базе искусственного интеллекта, предназначенные для массовых автообзвонов.

Например, Olenka.ai практически в любой отрасли поможет увеличить продажи без расширения штата сотрудников, найти новых клиентов, провести опрос, обеспечить качественное обслуживание и многое другое. Но умные боты не были бы такими, если бы не высокие технологии. Решили рассказать вам об одной из них.


Machine learning: что это и зачем


Machine learning (ML), или машинное обучение — это разновидность искусственного интеллекта, благодаря которому компьютер (точнее, определённые технологические продукты) самостоятельно выполняет задачи вместо человека и часто без его участия. То есть робота заранее никто не программирует — он все решения принимает сам. В результате эти технологические продукты точно прогнозируют результаты каждого своего действия и действуют так, чтобы добиться цели, выполнить задачу.

Алгоритмы машинного обучения прорабатывают и структурируют большие объёмы информации, имеющиеся в сети, фактически это — исторические данные, прошлый опыт. И уже на этой основе с учётом различных факторов программа прогнозирует результат. Так работают рекомендации, например, в соцсетях. Приложение анализирует вашу ленту, как вы реагируете на различные сообщения, что ищете, и предлагает контент, который, по мнению искусственного интеллекта, вас заинтересует.

Машинное обучение даёт бизнесам чёткое представление о:
  • поведенческих трендах;
  • эффективных бизнес-моделях;
  • направлениях в разработке новых продуктов.

Сущность МL заключается в том, чтобы анализировать заранее загруженные файлы с помощью специальных алгоритмов и определять закономерные связи между ними. Что именно за информацию будет обрабатывать компьютер и какие инструменты использовать, зависит от цели проекта и ресурсов разработчиков.

Области применения машинного обучения разные. МL распознает язык, рукописный текст, лицо, отпечатки пальцев, часто повторяющиеся действия, делает рекомендации на сайтах, учит умные устройства, ищет документы, отслеживает подозрительные операции (финансовые и т. д.), анализирует спрос, прогнозирует курсы валют и пр.


Машинное обучение в голосовом работе


Современные голосовые боты эффективно общаются с людьми и способны автоматизировать большой процент (в зависимости от сферы он может достигать 80 %) исходящих телефонных звонков. В каких бизнесах эти коммуникационные системы наиболее продуктивны, вы можете прочитать в этой статье.

В разговорных продуктах на основе искусственного интеллекта обычно используются 4 алгоритма классического машинного обучения:
  • контролируемый — оператор предоставляет машине заранее подобранные примеры (такие данные называют меченными), она анализирует их, делает прогноз, а оператор затем исправляет ошибки;
  • полуконтролируемый — компьютер получает меченные и немеченные данные, которые учится правильно обозначать (и сопоставлять) между собой;
  • неконтролируемый — обучение происходит без оператора, машина изначально работает с немеченными данными, самостоятельно определяет закономерности и создаёт структурированные массивы для дальнейшего использования;
  • с «подкреплением» — машина взаимодействует со своей средой, выполняет определённые действия, в результате чего ошибается или получает вознаграждение за идеальное выполнение задания, и так учится на основе собственного опыта.

Как и у любой технологии, у машинного обучения есть сильные стороны, проблемы и ограничения. Рассмотрим условия, при которых МL работает хорошо.


Как голосовой бот учится?


Создаётся база знаний. Прежде всего необходимо подготовить 2 набора информации — учебный для анализа закономерностей и тестовый для проверки того, как система усвоила данные.

Каждый из этих наборов должен содержать запросы и ответы клиентов , а также реплики и реакции менеджеров по продажам или операторов контакт-центров. Оба набора создаются в текстовом формате, основные закономерности маркируются между собой (если этого не сделать, «учебный» эффект будет неправильным). Вся эта информация в дальнейшем используется в скриптах — сценариях, в которых голосовой робот ищет закономерности.

Таким образом у умного бота формируется база знаний под различные проекты — он начинает распознавать все больше закономерностей.

Совершенствуется технология распознавания. Без машинного обучения практически невозможно создать хорошую систему распознавания речи. Программы автообзвона работают в достаточно сложных условиях — им нужно расшифровывать и правильно интерпретировать устную речь, часто сильно отличающуюся от официальной. Мы пренебрегаем грамматикой, употребляем сленг, неправильно ставим ударения и делаем ещё много такого, чего роботу не распознать. 

Ранее скриптологи составляли длинные списки слов (в основном синонимов или используемых в одном и том же значении) для каждого намерения, которое во время обзвона мог выразить клиент. Например, покупатель говорил что-то вроде «Завтра я занят», то есть он как бы не проти принять предложение робота, но его не устраивает время. Программа расшифрует это намерение и по множеству других слов и выражений: «не могу», «не.получится», «уезжаю из города» и т. д. Но когда клиент говорит слова или фразы, которых робот не знает, компьютер уже не может правильно расшифровать контекст. 

В Olenka.ai мы решили эту проблему с помощью технологии понимания естественного языка (подробнее о ней можно почитать в этом материале). Сначала эта технология определяет намерение клиента, а МL предлагает наиболее закономерный (логический и ожидаемый человеком) ответ.

Машинное обучение для тестирования роботов. Найти вручную ошибки в базе данных с тысячами фактов и десятками тысяч правил практически невозможно. Чтобы протестировать бота с помощью машинного обучения, можно создать и запустить автоматический тестер — файл с набором задач. Обычно они выборочные и выглядят примерно так: «типичный вопрос + правильный ответ + контекст».

Выявление тенденций. Статистика и отчётность — ещё одна сфера применения машинного обучения для улучшения работы программы автообзвона. Если разделить базу знаний на категории, с помощью МL можно проанализировать количество запросов в каждой из них — это хороший инструмент выявления аномалий. Например, вы хотите продать билеты на онлайн-конференцию по вопросам выращивания зерновых, обзваниваете всех известных вам фермеров Украины и замечаете, что в какой-то одной области очень много отказов. Анализ покажет, что в той местности не выращивают зерновые в промышленных масштабах, и вы отсеете нецелевые контакты.

Машинное обучение применяется во всех сферах, в которых используются высокотехнологичные продукты (от создания персонажей для компьютерных игр до медицинской диагностики), поэтому специалисты прогнозируют рост инвестиций в ML. А это говорит о том, что со временем голосовой робот Olenka.ai будет становиться ещё более продуктивным и эффективным.