{"id":13654,"url":"\/distributions\/13654\/click?bit=1&hash=7a7aa21667aefd656b6233efba962ecbef616dfd5ac100a493b4b5899b23ff1f","title":"\u041c\u044b \u043f\u043e\u043f\u0440\u043e\u0441\u0438\u043b\u0438 \u0440\u043e\u0434\u0438\u0442\u0435\u043b\u0435\u0439 \u043e\u0431\u044a\u044f\u0441\u043d\u0438\u0442\u044c, \u043a\u0442\u043e \u0442\u0430\u043a\u0438\u0435 \u00ab\u043a\u0440\u0435\u0430\u0442\u043e\u0440\u00bb \u0438 \u00ab\u043f\u0440\u043e\u0434\u0430\u043a\u0442\u00bb","buttonText":"\u0421\u043c\u043e\u0442\u0440\u0435\u0442\u044c","imageUuid":"32086418-934b-5de5-a4ef-6425a84c490a","isPaidAndBannersEnabled":false}
Сервисы
OmniLine

Википедия для вашего бота: что такое база знаний и как ее создать

Любой проект по внедрению чат-бота начинается с создания базы знаний клиентского опыта. Поскольку нам задают много вопросов, что это такое и зачем она вообще нужна — мы решили сделать на эту тему статью. Ловите:)

Что такое база знаний

Сама по себе база знаний представляет набор статей с ответами на вопросы клиентов на конкретные вопросы или жизненные ситуации. Причем вопросы к статьям базы знаний должны быть реальными вопросами клиентов компании, а не выдуманными “из головы”. Например, если они пишут вопросы с ошибками или используют характерную возрасту или статусу лексику, это также необходимо учитывать.

Для чего нужна база знаний

Современные чат-центры используют базы знаний и нейронные сети для решения двух основных задач:

  • Помощь операторам в работе с клиентами. Бот-ассистент рекомендует человеку-оператору для ответа на запрос пользователя те или иные статьи с учетом их релевантности. Этот процесс похож на выдачу статей в любой поисковой системе.
  • Основа для чат-бота, который самостоятельно отвечает на запросы клиентов. В режиме автоматического чат-бота статьи из базы знаний выдаются клиенту уже без участия человека. Решение принимает нейронная сеть на основе “уверенности” в ответе.

Как работает база знаний

Как мы уже говорили выше, база знаний содержит в себе ответы на жизненные ситуации и частые запросы клиентов. Например, на вопрос пользователя “кредитная карта” или вариации этого вопроса в базе знаний найдется релевантная статья, одна или несколько. Нейронная сеть постоянно мониторит запросы клиентов и ответы на них операторов с помощью статей из базы знаний. Каждый ответ добавляет уверенности ассистенту, и при следующем подобном запросе он предложит оператору эту же статью из базы знаний с большей уверенностью.

При достаточно высоком уровне уверенности (например, более 70%) можно предлагать автоматический ответ чат-ботом на запросы клиентов. В этом случае, помощь оператора не потребуется.

Так выглядит один из отчетов использования базы знаний в качестве ассистента для подсказок оператору и основы для автоматического чат-бота. Как видите, более половины запросов клиентов помогает закрыть база знаний, тем или иным способом.

Область на графике, где отображено снижение использования базы знаний, говорит о том, что появились новые запросы от заказчиков, и идет период адаптации к ним.

Как создать базу знаний клиентского опыта

Как правило, процесс создания базы знаний выглядит следующим образом. Формируется блок часто задаваемых вопросов. Ответы на них “упаковываются” в формат, удобный для пользователей смартфонов — если используются мессенджеры. Это значит, что ответы достаточно короткие, чтобы на экране у абонента не возникло нечитабельное полотно.

Далее, подключается внутренний помощник оператора и сотрудники чат-центра начинают отправлять ему статьи базы знаний как образец верных ответов на те или иные вопросы. Таким образом, запускается процесс обучения нейронной сети на основании ответов из базы знаний. Система запоминает, какие статьи в базе знаний или какие свободные ответы были предоставлены клиентам, и составляет список рекомендаций двух типов.

  • Вопросы, которые необходимо добавить в каждую статью для обогащения базы знаний.
  • Ответы операторов, которые можно превратить в статьи для базы знаний для дальнейшего обучения нейронной сети.

Примечательно, что в некоторых случаях вопросы клиентов содержат в себе опечатки или орфографические ошибки. Например, не все пользователи знают, как правильно пишутся сложные банковские термины, например “аккредитив” или “рефинансирование”.

В этом случае необходимо обучить нейронную сеть, отправляя ей наиболее часто встречающиеся ошибки в запросах. Это позволит повысить качество реагирования в будущем.

На скриншоте ниже показан активный процесс обучения нейронной сети. Когда операторы давали один и тот же ответ (статью из базы знаний) на различные вопросы. После дообучения нейронная сеть будет способна сама предложить статью на подобные вопросы.

А на следующем скриншоте показан пример “кандидата” на будущую статью в базу знаний. Операторы предоставляют схожий по смыслу ответ на типовые запросы клиентов. Такая информация должна быть оформлена в виде статьи в базе знаний для ускорения ответа в будущем.

Напоследок скажем, что базу знаний мало создать, важно это сделать в удобной форме. Мы, например, делаем базы в виде порталов. Так как если делать это в формате обычных документов, то в них будут сотни страниц информации, где быстро найти нужное — крайне сложно.

Больше полезной информации о технологиях, клиентском сервисе, автоматизации вы найдете на нашем сайте

0
2 комментария
DAV

С каким объемом данных можно стартовать базу?

Ответить
Развернуть ветку
OmniLine
Автор

Для клиентского сервиса можно запускать базу знаний в работу с минимальной подготовкой и сразу получать хорошее понимание вопросов. Благодаря предобученной сетке бот понимает вопросы, сформулированные совершенно иначе, чем в примерах. Поэтому он не требователен к объему и качеству обучающей выборки - достаточно 1 или нескольких примеров вопросов. Система хорошо понимает общую лексику, но специфические выражения поначалу даются ей плохо. Поэтому мы предупреждаем заказчиков, что первое время чат-бот может ошибаться и нагрузка на операторов будет уменьшаться постепенно. Сразу после запуска система начинает накапливать обучающую выборку и повышать качество понимания вопросов. Чтобы система быстрее начала понимать специфические термины, мы предусмотрели словарь, который можно заполнить вручную.

Для задач первой линии технической поддержки в базах знаний есть отдельный пайплайн машинного обучения для работы с большими неструктурированными выборками. Когда сотни или тысячи примеров запросов для классификации проблемы - например, обращений на email от пользователей с кратким и подробным текстовым описанием.

Ответить
Развернуть ветку

Комментарий удален модератором

Развернуть ветку
Читать все 2 комментария
null