Большие языковые модели

Группа машинного обучения Почты и Антиспама Mail.ru разработала и внедрила ML-модель, которая поможет пользователям быстрее и точнее найти необходимое в справочном центре, а также снизить нагрузку на службу поддержки. На этапе тестирования ИИ поток обращений в службу технической поддержки в этом канале снизился на 10% — пользователи смогли быстрее и проще найти решение своего вопроса без обращения напрямую к специалистам.

Новый поиск в разделе «Помощь» учитывает семантическую близость запросов пользователя и страниц раздела, ранее он задавался по точному совпадению ключевых слов с некоторыми весами. Внедренная языковая ML-модель поможет быстрее обработать пользовательский запрос на 9% и точнее найти подходящие статьи, которые попадут в самый верх поисковой выдачи.

Новый метод поиска основан на языковой ML-модели, которая разработана специально для службы поддержки Mail.ru, и помимо поиска используется в категоризации заявок и помогает оператору быстрее дать ответ пользователю.

Министерство финансов РФ совместно со Сбером разработало ИИ-агента в госуправлении для оптимизации бюджетного процесса. Он создан на базе большой языковой модели GigaChat. Пилотное внедрение решения запланировано уже в ближайшем бюджетном цикле.

AI-агент будет интегрирован в систему «Электронный бюджет». Искусственный интеллект поможет сформулировать качественные запросы, сверить семантику с заявленным направлением и государственной программой. ИИ-агент моментально предоставит решение и снизит количество некачественных заявок и отказов, а также позволит уменьшить нагрузку на специалистов до 70%.

Используя ИИ-агента, эксперты Минфина будут самостоятельно адаптировать решение на основе искусственного интеллекта и применять навыки работы с большими языковыми моделями при изменении структуры и статей бюджета госпрограмм. Внедрение решения позволит сократить сроки обработки запросов, особенно в пиковые периоды (в июне и сентябре), что критически важно для выполнения федеральных задач.

В рамках реализации стратегии устойчивого развития «Ингосстрах» развивает подход клиентоцентричности, внедряя омниканальность и автоматизированные коммуникации для удобства взаимодействия со своими клиентами. Важнейшим принципом в построении коммуникаций является то, что ни одно сообщение не должно остаться без ответа.

Сейчас «Ингосстрах» для ответов клиентам использует платформу «CraftTalk: All-in-one», которая позволяет комплексно решать вопрос обработки обращений в разных каналах коммуникации и управлять знаниями компании из единого источника – базы знаний. Не важно, откуда поступает сообщение от застрахованного: из чата на сайте компании, через электронную почту, в мобильном приложении, на агентском портале или в мессенджерах в соцсетях — компания в течение нескольких минут обработает запрос, предоставит ответ или свяжет со специалистом, который поможет решить возникший вопрос. При этом специалисты нескольких департаментов пользуются единой актуальной базой знаний, что упрощает процесс получения необходимой информации и улучшает коммуникации как с клиентами, так и между отделами.

«Мы постоянно находимся в поиске новых возможностей для повышения эффективности работы контакт-центра. Как только у нашего партнера CraftTalk появился функционал GPT, мы решили проанализировать возможности технологии для наших задач», — отмечает Алина Логвинова, директор по дистанционному клиентскому обслуживанию «Ингосстраха». В рамках проекта рабочая группа выделила несколько сценариев возможной работы GPT – непосредственная коммуникация по рутинным запросам с клиентом или активная помощь операторам контакт-центра. Исходя из результатов тестов, эксперты пришли к выводу, что на первом этапе оптимальным будет использование GPT как умного ассистента оператора. Это позволяет дообучить модель и исключить возможность ошибки в ответе при работе искусственного интеллекта.

Тесты проводились на базе знаний «Ингосстраха» при работе с «Личным кабинетом» (регистрация и восстановление доступа). В рамках тестов CraftTalk GPT ищет в нужных статьях базы знаний блоки, максимально коррелирующие с запросом клиента, и формулирует для оператора наиболее точный ответ. Затем оператор просматривает подготовленный проект ответа, при необходимости уточняет его и отправляет клиенту.