Сократить ожидание: как ИИ помогает Альфа-Банку отвечать на вопросы клиентов

Оператор на службе у операторов

Кол-центр Альфа-Банка в рамках улучшения условий работы специалистов поддержки перешел на CRM-систему SFA-Call, которая позволяет работникам использовать единый программный продукт вместо множества разрозненных приложений.

С переходом на новую систему появились и новые вызовы. Нужно было помочь сотрудникам быстро адаптироваться к новой системе и быстрее обслуживать клиента, сократив среднее время диалога без потери качества ответов. Например, с помощью подбора лучших ответов и возможности для специалистов поддержки создавать собственные подсказки по каждой теме. Так в кол-центре решили сделать для них виртуального помощника. Проект так и назвали — Альфа-помощник: оператор.

«Альфа-помощник: оператор — это часть стратегии, которая оптимизирует рутину сотрудников и помогает решать вопросы клиентов быстро, в точке касания, создавая лучший клиентский опыт — финансовый суперсервис»

Перед разработкой ИИ-модели помощника команда продукта совместно с лабораторией машинного обучения провела исследование и выяснила, с какими трудностями чаще всего сталкиваются специалисты поддержки при общении с клиентами. Самой большой проблемой оказалась широкая функциональность, мешающая быстро решать задачи. Например, чтобы находить нужные ответы, специалистам поддержки приходилось работать сразу со множеством разделов CRM-системы, что увеличивало нагрузку и снижало скорость обработки запросов. 

Теперь ответы ищет помощник. Он обрабатывает диалог с клиентом в режиме реального времени и предлагает специалистам поддержки подсказки. «Следуя задаче бизнес-заказчика по оптимизации рутины, мы создали модели, которые помогают находить нужные ответы, а не просто генерируют их. Такие модели становятся настоящими помощниками в реальной работе», — говорит дата-сайентист лаборатории машинного обучения Альберт Акопян.

ИИ нужно было решить три главные задачи кол-центра:

Переключение между разделами. Специалистам поддержки часто приходится искать нужный раздел среди многих других, и из-за этого они теряют драгоценное время.

Использование подсказок. У каждого сотрудника есть свои стандартные подсказки, но хранятся они в личных файлах и не синхронизированы между коллегами. Синхронизация важна, чтобы все специалисты поддержки могли использовать не только свои подсказки, но и лучшие ответы других специалистов. Те, которые наиболее точно решают задачу, а также соответствуют ожиданиям клиентов и стилю общения банка.

Навигация по базе знаний. В базе знаний тысячи материалов, в которых сложно ориентироваться, особенно новичкам

Модель рекомендаций по интерфейсам

Чтобы решить первую задачу, модель обучали на истории переходов специалистов поддержки между разделами и на исторических данных об обращениях клиентов. «Мы создали модель, которая анализирует предыдущие диалоги и определяет, какие разделы в SFA-Call понадобятся специалисту поддержки в процессе разговора с клиентом. Это экономит много времени и помогает быстрее обрабатывать сложные запросы», — комментирует дата-сайентист лаборатории машинного обучения Альберт Акопян.

Для обучения модели использовали нейронные сети TinyBERT и LSTM. Они позволяют распознавать сразу несколько интерфейсов, которые могут потребоваться одновременно. Разработчикам было важно, чтобы модель рекомендовала именно ту информацию, которую специалист поддержки использует на каждом конкретном этапе общения. Чем точнее рекомендации, тем быстрее он ищет ответ.

Подсказки к ответам

Для решения второй задачи модель искала готовые фразы, которые специалисты поддержки используют в работе. До этого им приходилось хранить их в личных файлах, это сильно тормозило процесс и не позволяло быстро адаптировать ответы под контекст. Теперь ИИ-модель, обученная на тысячах диалогов, анализирует запрос клиента и предлагает подходящую подсказку. «Нашей целью было создать общую базу подсказок, чтобы у каждого специалиста поддержки всегда был быстрый доступ к нужному ответу. Это позволяет поддерживать единый уровень обслуживания и исключает ошибки, которые случаются из-за поиска или создания подсказок вручную», — рассказывает Альберт Акопян, дата-сайентист лаборатории машинного обучения.

Модель обучена на данных из предыдущих диалогов, где выделены пары запросов и ответов. Команда использовала метод контрастивного обучения для оптимизации — подход, при котором система учится сопоставлять подсказки с похожими контекстами запросов. Этот алгоритм обеспечивает высокую точность рекомендаций и дает специалистам поддержки возможность быстро находить то, что нужно.

«Подготовка подсказок — отдельная большая работа: чтобы создать первый пул, у дирекции повышения эффективности персонала ушло не меньше двух месяцев. Мы с самого начала решили, что подсказки будут отвечать всем стандартам банка. Поэтому в качестве примеров отобрали ответы самых сильных специалистов поддержки, «отличников» с наивысшими оценками. Затем провели фактчекинг, создали базу ответов и выверили каждый по Tone of Voice. Такой подход помогает не только обеспечить высокую точность ответов, но и общаться с клиентом, выдерживая стилистику банка»

Навигация по базе знаний

Для решения третьей задачи — упростить поиск информации в базе знаний о продуктах — команда разработала модель на основе Retrieval-Augmented Generation (RAG). Сейчас в банке завершили ее тестирование и планируют запустить в первом квартале 2025 года.

Система разбивает базу знаний на смысловые блоки и векторизует их с помощью текстового энкодера. Затем при поступлении запроса от клиента модель ищет по базе знаний наиболее релевантные статьи. С помощью RAG ИИ предлагает специалисту поддержки готовые ответы на основе векторов ближайших смысловых частей текста. Это позволяет обрабатывать запросы гораздо быстрее, так как модель предлагает самые подходящие материалы.

Что получилось и что дальше

После внедрения моделей Альфа-Банк провел исследование, чтобы оценить их влияние на время обработки и другие показатели, — среднее время обработки запроса клиента снизилось на 45 секунд. Еще модель помогает новичкам быстрее адаптироваться — теперь у них есть доступ к базе подсказок и упрощенному поиску по базе знаний, что особенно полезно для сотрудников без опыта работы с системой.

Сейчас в кол-центре Альфа-Банка более 4000 специалистов поддержки, и команда лаборатории активно работает над оптимизацией ИИ-моделей. Разработчики внедрили несколько оптимизаций на уровне токенайзеров и распределения ресурсов. Сокращение длины токенайзера позволило повысить скорость работы модели без потери качества.

«В Альфа-Банке мы создали уникальный продукт — ИИ-помощника, который помогает специалистам поддержки быстрее и качественнее решать запросы клиентов. Наша цель — не просто автоматизировать рутинные процессы, а сделать работу коллег комфортнее, чтобы они могли сосредоточиться на главном — внимательном отношении к клиентам. Мы гордимся результатами: сокращение времени обработки запросов, удобство для сотрудников и улучшение клиентского опыта. Этот проект — пример того, как технологии могут приносить реальную пользу людям, и мы продолжаем активно развивать его дальше»

Команда лаборатории собирается разработать следующие инструменты, чтобы улучшить работу ИИ:

Увеличить пул подсказок. С момента запуска количество подсказок увеличилось с 200 до 600, и база продолжает пополняться.

Создать иерархии подсказок. Команда разметки создает иерархическую структуру, что облегчит специалистам поддержки поиск нужных ответов. В будущем это позволит системе автоматически подбирать релевантные подсказки в зависимости от темы обращения клиента.

Доработать RAG для работы с изображениями. Так специалисты поддержки смогут получать ответы по нестандартным запросам. Например, если клиент загружает скриншот или другую картинку.

Совершенствовать безопасность. ИИ-модель учитывает, что нужно скрывать чувствительную информацию, чтобы некоторые данные не мог видеть даже специалист поддержки. Разработчики дообучают ее, чтобы система была еще надежнее.

«В основе проекта была простая идея: облегчить работу специалиста поддержки. Наша команда старалась продумать концепцию так, чтобы помощник был понятен и удобен каждому сотруднику — только в этом случае он будет приносить пользу, а не мешать. В итоге все получилось: мы выполнили задачи, которые ставил кол-центр, сократили среднее время диалога и получаем положительную обратную связь от специалистов поддержки. Это результат слаженной работы продуктовой команды и тех, кто нам помогал: лаборатория машинного обучения, дирекция повышения эффективности персонала и другие подразделения. Сбавлять темп мы не планируем и активно развиваемся дальше»