Чат-бот для сервиса услуг

1. Вводная задача от заказчика, проблематика, цели

Наш клиент, крупный онлайн-сервис с аудиторией более 100 млн пользователей, столкнулся с перегрузкой операторов поддержки. Пользователи массово писали в чат, но ресурсов не хватало, чтобы оперативно обрабатывать все запросы.

Клиенту требовался чат-бот, который мог бы брать на себя часть нагрузки в моменты пиковых обращений и стать «нулевой линией» поддержки.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

1. Аналитика

На первом этапе мы определили, как бот будет распознавать темы вопросов.

Мы начали с анализа реальных диалогов пользователей с операторами. На их основе была разработана ML-модель и обучена тестовая модель классификации. Так мы убедились, что выбранный нами стек технологий подходит под задачи заказчика.

2. Пилотная версия

Мы собрали тестовую версию чат-бота в миниатюре: с базовым функционалом, но уже полностью готовую к демонстрации. Заказчик получил возможность протестировать её в действии, дал развёрнутую обратную связь и утвердил запуск полноценной системы.

3. Формализация сценариев

На этом этапе мы сосредоточились на деталях – адаптировали работу чат-бота под реальные бизнес-процессы и возможные исключения.

Сценарии были настроены с учётом различных условий:

• Если клиент повторно задает вопрос по одной теме, его нужно перенаправить на оператора.
• Если операторы недоступны, бот не должен пытаться перевести клиента на них, даже если этого требует сценарий.
• Если внутренняя система сервиса выходит из строя, бот должен отвечать на вопросы о ней заранее заданным сообщением.
• Если бот не может полностью понять вопрос, но распознает его тему, он должен задать уточняющий вопрос.

Кроме того, мы адаптировали систему под растущий штат операторов:

«В какой-то момент штат операторов у заказчика вырос. И мы научили бота переводить пользователей не на операторов из общего пула, а к тем операторам, которые могут ответить на конкретный вопрос пользователя. При этом бот учитывал тематику всех последних вопросов пользователя, чтобы точнее определить группу, к которой его направить. Иными словами, чат-бот умеет подстраиваться под новые обстоятельства и условия». – Андрей Татаринов, генеральный директор Epoch8.

4. Классификация интентов

Интент – это класс или, проще говоря, суть запроса пользователя. Мы внедрили иерархическую классификацию интентов, чтобы бот понимал не только полные формулировки вроде «восстановить утерянный паспорт», но и отдельное слово «паспорт».

В отличие от классических моделей с плоским списком интентов, наша ML-система использует вложенную структуру. Классический классификатор работает так: у него есть плоский список интентов, и он пытается определить, к какому из них относится фраза пользователя. В нашем случае бот умеет отвечать на модифицированные вопросы. Если точное соответствие найдено – отлично. Если нет, бот определяет общую тему и продолжает диалог в рамках этого направления (интента), повышая точность ответа.

5. Внедрение

На финальном этапе мы подготовили стек для внедрения. Мы провели интеграционное тестирование со всеми компонентами:

• чат-системой клиента,
• системой сбора аналитики,
• мониторингом и внутренними сервисами.

После этого чат-бот был готов!

3. Результаты сотрудничества

• Чат-бот отвечает менее чем за 1 секунду.
• Поддерживает 600 тем и умеет вести разные сценарии.
• Выдерживает нагрузку до 10 запросов в секунду.
• Встроенный веб-интерфейс позволяет заказчику самостоятельно управлять логикой бота и обновлять обучение.
• Заказчик может загружать собственные обучающие выборки и задавать точные ответы на них.
• Учитывает контекст предыдущих сообщений и направляет пользователей на подходящих операторов, если надо.