Robots ar mākslīgo intelektu – no pašpalīdzības satura koka līdz cilvēciskam klientu atbalstam
Mākslīgā intelekta ieviešana biznesa procesos ir pielīdzināma hero’s journey jeb varoņa ceļojumam – tev ir hipotētisks mērķis, un, lai līdz tam nonāktu, ir jādodas ceļā, kas pilns ne tikai ar jaunām zināšanām un prasmēm, bet arī šķēršļiem un problēmām. Kļūdas ir neizbēgamas, tomēr ceļojuma beigās tavs bizness ir transformējies, progresējis un uzņēmis jaunus apgriezienus.
Mākslīgā intelekta (MI) iespējas biznesā Latvijā vēl nav pietiekami novērtētas, tomēr nekad nav par vēlu sākt. Iedvesmai – bankas Citadele digitālās pieredzes attīstības daļas vadītāja Mārtiņa Bērziņa stāsts par Citadeles virtuālās konsultantes Adeles rašanos un pilnveidošanu.
Satura koks vai robots vulgaris?
Roboti, kas piedāvā automatizētu informāciju, ir pieejami tirgū jau vairāk nekā 10 gadus. Daļai klientu tie patīk, bet daļai ne – viedoklis parasti ir atkarīgs no robota atbilžu kvalitātes. Sākotnējie roboti, kas Latvijā bija pieejami aptuveni pirms 10 gadiem valsts sektorā, piemēram, Uzņēmumu reģistrā, varēja sniegt tikai pavisam vienkāršu pamatinformāciju, nevis precīzu atbildi uz jautājumu. Neprecīzo “atbilžu” problēma bija liela, tāpēc pirms četriem gadiem pieņēmām lēmumu Citadeles klientiem radīt pasīvo robotu – decision tree jeb satura koku.
Satura koks ved klientu tuvāk nepieciešamajai atbildei, piedāvājot izvēlēties no arvien jauniem jautājumiem vai apgalvojumiem, līdz sasniegts rezultāts. Gala atbildi klients var novērtēt, atbildot uz jautājumu “Vai atradi atbildi uz savu jautājumu?” ar “Jā” vai “Nē”. Vērtējums sniedza iespēju mums papildināt un uzlabot atbildes. Savukārt klienti ātri pierada "pašapkalpoties" – meklēt un arī saņemt labas atbildes uz sev interesējošiem jautājumiem.
Tā kā šāds satura koks viegli ļauj atrast atbildes uz biežākajiem jautājumiem un atslogot zvanu centra darbiniekus, radās iespēja padarīt interesantākas viņu darba dienas, jo nebija tik bieži jāatbild uz vienādiem jautājumiem. Tomēr nepieciešamība pēc klientu atbalsta saglabājas, rodas arī arvien jauni standarta jautājumi, uz kuriem zvanu centra darbinieki atkārto vienas un tās pašas atbildes.
Kontrole savās rokās
Brīdī, kad parādījās Large Language Model jeb GenAI, uzreiz bija doma pamēģināt to izmantot, lai radītu savu hibrīdu – robotu, kas māk runāt un piemeklēt atbildes cilvēciskā manierē, ko nodrošina MI. Izvēle veidot savu modeli, nevis vienkārši iedot OpenAI visu, kas atrodas, piemēram, Citadeles vietnē, sniedz iespēju kontrolēt sarunu rīka kvalitāti un attīstību. Tas nozīmē, ka mēs nevis paļaujamies uz to, kādu atbildi piemeklēs, piemēram, ārzemju produkts, bet sniedzam tādu informācijas bāzi un atbilžu izvēles parametrus, kādus paši vēlamies.
Kā zināms, valodas struktūra un gramatika balstās formulās, līdz ar to, izmantojot matemātisku izteiksmi ar atbilstošiem atslēgvārdiem, ir iespējams ģenerēt vislabāko atbildi. Satura kokā uzkrātais informācijas apjoms sniedza iespēju ātri sākt savu eksperimentu, izmantojot biežāk uzdotos jautājumus un radīt jau diezgan precīzas atbildes. Ar MI ne tikai var piešķirt robotam cilvēciskumu, bet arī spēju radīt atbildes atbilstoši klienta izvēlētajam komunikācijas stilam. Piemēram, lai gan iedotais saturs ir latviešu valodā, atbildi iespējams ģenerēt jebkurā klientam vēlamajā valodā.
Nozīmīgs lēmums bija atteikties no ārējo pakalpojumu sniedzēju piedāvājumiem un iet šo ceļu pašiem ar savu bankas inženieri – ar domu: ja arī nenonāksim pie vēlamā rezultāta, būsim daudz iemācījušies. Labākais veids, kā iemācīties un galu galā arī izveidot sev vēlamo modeli, ir ilgstoši eksperimenti un tajos iegūto kļūdu jeb nepareizo atbilžu analīze.
Atbilde, kas der gan klientam, gan bankai
Pašu kontrolēta rīka izveide, piemēram, ļauj prioritizēt atbildes. Tas nozīmē, ka mēs paši izvēlamies, kādas atbildes rādīt, un tam ir nozīme vismaz divos aspektos. Pirmkārt, ir lielāka iespēja minimizēt robota halucinācijas – gramatiski pareizas atbildes, kas satur nepatiesu, paša rīka sacerētu informāciju. Piemēram, klients sarunā ar Amerikas aviolīnijām iegūst informāciju par ceļojuma programmu, kas patiesībā neeksistē.
Jo vairāk satura ielikām robotā, jo vairāk parādījās šādas halucinācijas, interpretācijas, varianti un nepilnīgas informācijas krustojumi. Šādi notiek, ja mašīnmācīšanās modelim ir pieejama nepilnīga vai neviennozīmīga informācija. Kontrolēts hibrīda modelis ļauj minimizēt izdomātās atbildes, kas var izraisīt daudz pārpratumu un problēmu. Lai gan atbildes neiegūšana var radīt vilšanos, tomēr tādās reizēs labāk klientam saņemt godīgu atbildi, ka šis jautājums ir sarežģīts un robotam trūkst datu.
Arī saturiski pareiza atbilde ir kategorizējama kā halucinācija. Piemēram, ja ir jautājums, kā izdarīt kaut ko mobilajā lietotnē, un robotam ir zināms risinājums šādam jautājumam internetbankā, tas viegli var sajaukt un piedāvāt šo risinājumu. Tātad viņš būs atbildējis patiesību, bet tā ir patiesība internetbankā, nevis mobilajā lietotnē.
Reizēm sarunu robots var izvēlēties atbildi, balstoties uz pieprasītāko informāciju. Piemēram, internetā ir ļoti daudz informācijas par to, kā bloķēt karti, bet maz par atbloķēšanu, tāpēc, ja klientu interesē iespēja atbloķēt karti, viņš var saņemt sliktu atbildi. Atbilde ir uzskatāma par sliktu pat tad, ja ir pareiza, bet neatbilst konkrētajai situācijai.
Sākotnēji cieši sadarbojāmies ar mūsu zvanu centra darbiniekiem, jo viņi varēja uzreiz pateikt, kura atbilde strādā labi un kura slikti arī reizēs, kad tas nav tik acīmredzami. Pielabojot matemātisko modeli, var iegūt pēc iespējas precīzāku atbildi.
Otrkārt, jautājumi, uz kuriem var atbildēt ļoti plaši – kuriem der vairākas atbildes. Piemēram, kā kļūt par bankas klientu – to var izdarīt mobilajā lietotnē un var arī klātienē filiālē. Bet, kā ir ērtāk klientam un kā – bankai? Var iedot vairākas atbildes, tomēr jāņem vērā, ka viena atbilde vairāk atbilst biznesa loģikai, bet cita var pat radīt problēmas, lai gan nebūs nepareiza. Turklāt vairākas atbildes, vairāki situācijas iespējamie risinājumi gluži vienkārši var radīt apjukumu. Tas nozīmē, ka jādomā, kā formēt kontekstu un sarunu.
Atbildes vietā jautājums
Ir jautājumu kategorija, uz kuriem nav iespējams uzreiz atbildēt, jo robotam pietrūkst informācijas par klienta iespējām un vēlmēm. Tāpēc sākām mācīt robotu turpināt sarunu, aicinot klientu precizēt savas vēlmes, līdz tiek iegūta vēlamā atbilde. Piemēram, ja klients vēlas uzzināt, kura norēķinu karte ir vislabākā, Adele atbildēs ar pretjautājumu: “Vai jūs interesē maksājumu karte konkrētam mērķim vai vispārīgi? Piemēram, ikdienas izdevumiem, ceļošanai vai tiešsaistes pirkumiem?” Tāpat jāņem vērā, ka atbildi var ietekmēt mainīgi apstākļi, piemēram, aktuāli cenu piedāvājumi un īpašas akcijas produktiem vai pakalpojumiem. Parasti tās ir septiņu līdz astoņu jautājumu sesijas, līdz Adele ir noskaidrojusi visas klienta vajadzības un spēj sniegt pēc iespējas precīzu atbildi.
Tieši šādas sarunas ir iemesls, kāpēc robotam jābūt cilvēcīgam – pēc satura un formas tam ir jāatbalsta, jāmotivē un jāiesaista klients, nevis jāsniedz mehāniska atbilde. Tikai šāda veida saruna var radīt klientam pozitīvu attieksmi, interesi un patīkamu pieredzi.
Datu drošība
Joprojām pastāv viena liela problēma – kā nodrošināt, lai informācija nenokļūst trešo pušu rokās. OpenAI vēlas izmantot datus, kas tiek ģenerēti, lai sniegtu atbildes un turpinātu trenēt un uzlabot modeļus. Tas nozīmē, ka, apmācot un arī uzdodot jautājumus, tiek atdota informācija, un to nepieciešams ierobežot. Tāpēc mēs ieviesām papildu kontroli – ja ir aizdomas, ka klienta teksts satur personīgu informāciju, Adele atbild, ka šādu pieprasījumu nevar apkalpot. Tas nozīmē, ka šie dati arī nenonāk OpenAI. Ja klients vēlas personalizētas atbildes vai pakalpojumus, nepieciešams sazināties ar zvanu centra darbinieku, kurš ir sertificēts un apmācīts strādāt ar personas datiem.
Vispirms – palīgs darbiniekiem
Robota attīstības ceļš no pirmajiem soļiem līdz Adelei publiskajā vidē aizņēma trīs līdz četrus mēnešus. Sākotnēji sarunu robots nebija pieejams gala lietotājiem – klientiem, bet tikai zvanu centra darbiniekiem. Ar šī rīka palīdzību darbinieki arī šobrīd var ietaupīt laiku, piemēram, uzreiz iekopēt klienta jautājumu no mobilās lietotnes čata un ātri saņemt atbildi.
Jāsaprot, ka aktīvā uzņēmumā sarunu robots, tāpat kā Rīga, nekad nebūs gatavs – tā ir beta versija. Jo vairāk klientu runā ar virtuālo konsultanti Adeli, jo vairāk to varam uzlabot un padarīt vēl saistošāku. Tomēr jāatceras, ka šāda sarunu robota mērķis nav atrisināt visas problēmas, tas gluži vienkārši nav iespējams. Mērķis ir nodrošināt atbildes uz aptuveni 70-80 % jautājumu, ko statistiski visbiežāk risina bankas zvanu centra darbinieki. Ja šāda virtuālā konsultante spēj atrisināt lielāko daļu pamatjautājumu, turklāt patīkamā manierē, atstājot sarežģītākas situācijas zvanu centra darbiniekiem, ieguvēji ir visi – gan klienti, gan darbinieki. Neikdienišķi jautājumi un sarežģīti gadījumi, visticamāk, vienmēr paliks zvanu centra un filiāļu darbiniekiem.
Kompetences spēks inovācijās
Lai ieviestu savā biznesā MI piedāvātās iespējas, vispirms ir jāsaprot pats MI. Tad jānosaka jomas, problēmas vai procesi, kurus ar MI tehnoloģijas palīdzību var uzlabot. Jāizvēlas rīki un metodes, ko izmantot vai pielāgot savai uzņēmējdarbības praksei. Tāpat jāņem vērā uzņēmuma gatavība MI – vai pati organizācija ir atvērta pārmaiņām. Svarīgi ir izvēlēties piemērotus sadarbības partnerus, jo projektā iesaistīto kompetencei būs izšķiroša nozīme gan procesā, gan rezultātā. Cik daudz tu vari darīt to iekšēji savā organizācijā? Vai vispār kāds cits to var izdarīt tavā vietā? Vai ārējie resursi būs gana zinoši ne tikai attiecīgajā problēmā, bet visā tava biznesa kontekstā? MI nevar vienkārši paņemt un ieviest, un tas uzreiz sāks strādāt. Kad runa ir par inovācijām, jāsaprot, ka būs jāizlaužas cauri neparedzamam daudzumam šķēršļu un problēmu. Ja situācija ir vienkārša, iespējams, tas nemaz nav uzdevums MI un to var atrisināt citādi.
Izvēloties darīt pašiem, esam ieguvuši vērtīgu pieredzi un dziļāku izpratni par sarunu robotiem un MI. Tagad esam gatavi nākamajam solim – ieviest sarunu robotu mobilajā lietotnē.