ในโลกดิจิทัลที่เติบโตอย่างรวดเร็วในปัจจุบัน องค์กรจำเป็นต้องจัดการกับจำนวนข้อความจากลูกค้าทางแชตที่มากมาย ซึ่งประกอบด้วยบทสนทนากว่าหลายล้านรายต่อวันระหว่างผู้ใช้ บอท และเจ้าหน้าที่ ด้วยปริมาณที่มากขนาดนี้ การที่จะวิเคราะห์ผลการสนทนาโดยคนนั้นต้องใช้ความพยายามอย่างมากสำหรับเจ้าหน้าที่ และในบางครั้งอัลกอริทึมที่พัฒนาเพื่อให้ใช้งานอัตโนมัติก็ไม่สามารถทำงานได้อย่างมีประสิทธิภาพ และยังจำเป็นต้องการการตรวจสอบด้วยคน การต้องตรวจสอบประวัติแชตด้วยตนเองเพื่อจำแนกผลลัพธ์ ไม่เพียงแต่ต้องใช้เวลาและทรัพยากรเท่านั้น แต่ยังจำกัดความสามารถของทีมในการมุ่งเน้นไปที่งานที่สำคัญกว่า
เพื่อตอบสนองต่อความท้าทายนี้ เราเสนอวิธีแก้ปัญหาด้วย AI ที่ถูกออกแบบมาเพื่อจำแนกการสนทนาแชตเป็น 3 ประเภท คือ "dropoff," "incomplete," และ "complete" ระบบการจำแนกประเภทนี้มีเป้าหมายเพื่อให้เข้าใจการสื่อสารของลูกค้าอย่างชัดเจน ช่วยให้ตอบสนองต่อความต้องการของลูกค้าได้อย่างรวดเร็วและแม่นยำยิ่งขึ้น
เกิดขึ้นเมื่อการสนทนาหยุดลงก่อนเวลาอันควร เช่น เมื่อผู้ใช้หยุดตอบสนองต่อบอทหรือเจ้าหน้าที่ อาจเกิดขึ้นหลังข้อความโต้ตอบที่ไม่ใช่ "การยืนยันบริการ" หรือเมนูต้อนรับ อีกตัวอย่างหนึ่งคือผู้ใช้รอนานเกินไป และไม่ได้รับการสนทนจากเจ้าหน้าที่
ในกรณีนี้ การสนทนาสิ้นสุดลงโดยไม่ได้ให้ข้อมูลที่ผู้ใช้ต้องการ ซึ่งระบุได้จากบอทที่ถามว่าความต้องการของผู้ใช้ได้รับการตอบสนองหรือไม่ และผู้ใช้แสดงความไม่พึงพอใจอย่างชัดเจน เช่น ระบุว่า "ยังไม่ครบถ้วน"
การสนทนาถือว่าเสร็จสมบูรณ์ โดยมักจะระบุได้จากข้อความที่จบการสนทนา การยืนยันบริการ หรือเมื่อผู้ใช้ให้คะแนนบริการ แม้ว่าการสนทนาอาจไม่ได้ตอบสนองความต้องการเฉพาะของผู้ใช้ แต่ถ้าไม่มีการโต้ตอบเพิ่มเติม ก็ยังอาจจัดเป็น Complete ได้
Round 0: การทดสอบเบื้องต้น
Actions: การทำ Data cleansing การจัดหมวดหมู่ข้อความ และการเริ่มต้นด้วยการอธิบายคำแนะนำและนิยามของแต่ละประเภท
Round 1: การเพิ่มความเข้าใจของโมเดล
Actions: ปรับปรุงคำ Prompt และเพิ่มตัวอย่าง Few-shot เพื่อช่วยแนะแนวทางให้กับโมเดล
Round 2: Training และ Testing
Actions: แยกชุดข้อมูลสำหรับการทำ Training และ Testing โดยเฉพาะ
Round 3: การขยายชุดข้อมูลทดสอบ
Actions: เพิ่มตัวอย่างข้อมูลใหม่จากเดือนสิงหาคมและตุลาคมเพื่อทดสอบความน่าเชื่อถือของโมเดล
Round 4: การจัดการรูปแบบและคำอธิบายเหตุผล
Actions: จำกัดผลลัพธ์ให้อยู่ในรูปแบบ JSON ที่มีโครงสร้าง และทำให้เหตุผลของการจำแนกมีความชัดเจนมากขึ้น
Round 5: การใช้เทคนิค Dynamic Few Shots Injection
Actions: การใช้เทคนิค Dynamic Few Shots Injection เพื่อชี้แจงนิยาม และเพิ่มการใช้ข้อมูลจาก GPT-4o
Round 6: การขยายชุดข้อมูลทดสอบเพิ่มเติม
Actions: มุ่งเน้นไปที่การเพิ่มชุดข้อมูลทดสอบ
การทำงานอัตโนมัติช่วยลดความจำเป็นในการแทรกแซงของมนุษย์ ทำให้ประหยัดเวลาและช่วยให้บุคลากรมุ่งเน้นไปที่กิจกรรมเชิงกลยุทธ์มากขึ้น
ลดข้อผิดพลาดและการตัดสินตามอคติ ทำให้มั่นใจได้ว่าข้อมูลเชิงลึกที่ได้จากข้อมูลการโทรมีความสม่ำเสมอและเชื่อถือได้
ประสิทธิภาพที่เพิ่มขึ้นช่วยให้ธุรกิจสามารถวิเคราะห์ชุดข้อมูลขนาดใหญ่ได้มากขึ้น ซึ่งเปิดโอกาสใหม่ ๆ ในการทำความเข้าใจความต้องการของลูกค้าและปรับปรุงคุณภาพการบริการ
Amity Chat Auto Wrap-up นำเสนอความก้าวหน้าที่ล้ำสมัยในการวิเคราะห์และสรุปผลลัพธ์ของการสนทนาโดยอัตโนมัติด้วย AI ซึ่งช่วยให้สามารถประหยัดเวลาและทรัพยากร รวมถึงปรับปรุงคุณภาพบริการได้ การพัฒนาที่ต่อเนื่องของเราปูทางสู่การปรับปรุงและการปรับตัวในอนาคต เพื่อรองรับรูปแบบการสื่อสารของลูกค้าที่เปลี่ยนแปลงไปในอนาคต
