Средства управления диалоговыми роботами чат боты и голосовые роботы реферат

Обновлено: 02.07.2024

Напомним, что диалоговый робот – это единая мультиканальная система голосового самообслуживания для автоматизации обработки обращений граждан. Решение позволяет организовать полноценное консультирование граждан по типовым вопросам посредством использования ботов в голосовых и текстовых форматах. Отметим, что система входит в Единый реестр российского ПО.

РОБОТЫ-КОНСУЛЬТАНТЫ В ГОССЕКТОРЕ - НОВЫЙ ТРЕНД

Диалоговый робот станет отличным помощником для быстрой обработки обращений граждан в организациях, оказывающих государственные услуги населению, таких, как: Центры занятости населения, МФЦ, Росреестр, ПФР, медицинские учреждения и другие учреждения и ведомства, а также ВУЗы.

ЧТО УМЕЕТ РОБОТ И КАК ЕГО УЧИТЬ

Робот умеет:

общаться в формате вопрос-ответ и предоставлять справочную информацию,
совершать действия, например: записать на прием, оформить заявку и сообщить о статусе,
совершать исходящие звонки, например, чтобы напомнить о назначенном приеме или сообщить о готовности документа,
если не знает ответа на вопрос, определять тематику разговора и переводить на нужного оператора.
решать реальные вопросы граждан, относящиеся к услугам, оказываемым организацией.

Диалоговый робот может консультировать по телефону, в чате на сайте, а также в популярных мессенджерах (Telegram, WhatsApp, Viber).

Благодаря машинному обучению робот-консультант понимает живую речь человека, как по телефону, так и в чате. Преимущество дает использование технологии понимания естественного языка.

Учить робота легко. Сотрудники организаций и ведомств могут самостоятельно настраивать и дополнять сценарии диалогов. Интерфейс и функционал системы интуитивно просты и понятны. При настройке важно продумывать максимальное количество сопутствующих вопросов, относящихся к теме, которые может задать человек. По мере усложнения и дополнения скриптов диалогов робот будет становиться умнее, а общение с ним более комфортным.

Диалоговый робот – это адаптивная система, настраиваемая под индивидуальные потребности каждой конкретной организации. Система обладает рядом возможностей, список которых постоянно обновляется и увеличивается.

ПОЧЕМУ РОБОТА-КОНСУЛЬТАНТА СТОИТЬ ВЗЯТЬ НА РАБОТУ

Диалоговый робот – это сотрудник контакт-центра, который:

никогда не болеет,
не ходит в отпуск,
всегда находится на рабочем месте,
работает круглосуточно 24/7,
никогда не ошибается,
всегда спокоен и сосредоточен,
может обрабатывать одновременно неограниченное количество обращений.

Важно помнить о том, что робот не заменит человека полностью, но возьмет на себя до 80% поступающих типовых обращений граждан.

Оператор в данном случае становится экспертом, который вступает в диалог, чтобы помочь в более сложных и нестандартных ситуациях.

РЕЗУЛЬТАТ

Использование диалогового робота для автоматизации обработки обращений граждан позволит достичь следующих результатов:

Для контакт-центра:

снижение нагрузки за счет обработки большей части обращений роботом;
сокращение трудовых, временных и финансовых затрат на обеспечение работы контакт-центра за счет оптимизации работы операторов и автоматизации обработки обращений граждан во всех каналах коммуникации;
обеспечение качественного обслуживания в моменты пиковых нагрузок за счет способности робота обрабатывать неограниченное количество обращений одновременно;
повышение качества учета, планирования, регулирования и контроля за счет проведения анализа работы контакт-центра с помощью роботизированной диалоговой системы;
повышение уровня удовлетворенности граждан при обращении в контакт-центр за счет повышения скорости и качества обслуживания;
повышение уровня доверия граждан к электронным услугам за счет успешного решения поступающих от них обращений роботом;

Для операторов:

снижение уровня психологической и эмоциональной нагрузки за счет обработки роботом повторяющихся типовых обращений граждан и принятие на себя большей части потока в моменты пиковых нагрузок;
повышение уровня профессионализма за счет ежедневного решения нестандартных ситуаций и помощи гражданам в сложных вопросах;

Для граждан:

решение вопросов без долгого ожидания на линии;
сокращение сроков выполнения госуслуг по заявкам;
возможность получения большинства стандартных госуслуг, не выходя из дома;
удобный способ быстро получить всю необходимую информацию, не заботясь о длительности разговора;
комфортное общение, исключающее вероятность ответной эмоциональной реакции и ошибок оператора.

КАК ВНЕДРИТЬ БЫСТРО И КАЧЕСТВЕННО

Компания БФТ с Партнером, Компанией БСС, организуют внедрение и введение в эксплуатацию технологического решения в течение месяца.

Внедрение за короткие сроки возможно благодаря нескольким факторам:

Легкая интеграция. Система быстро и бесшовно интегрируется с другими региональными ИС через стандартные протоколы взаимодействия;
Разные варианты базового размещения системыв зависимости от технической и технологической оснащенности: с использованием готовых серверов из облака, на облаке партнера или поставщика услуг телефонии, на сервере заказчика;
Готовая база сценариев диалогов;
Большой опыт внедрения.

Напомним также, что Единая мультиканальная система голосового самообслуживания входит в Единый реестр российского ПО.

А также для получения подробной информации и консультации обращайтесь в Департамент по развитию государственных и корпоративных проектов:

В настоящей статье приводится обзор систем, использующих чат-боты, в зависимости от сферы и целей их применения. Рассматриваются платформы и сервисы для их создания и интеграции с мессенджерами и приложениями.

Ключевые слова: социальные сети, мессенджер, чат-бот, интерфейс для разработки

В настоящее время повсеместно можно наблюдать, как в нашу жизнь активно входят различные системы информационных услуг, в том числе чат-боты. Ранее, популярность чат-ботов относилась, в большинстве своем к ботам, используемым в рутинных задачах — сбор ресурсов, использование ботов в компьютерных играх (при том, что это запрещено правилами), торговля на игровых рынках и т.п.. За счет этого наблюдался прогресс в разработках: для бота было важно иметь модель поведения максимально приближенную к человеческой. Сейчас же их применение значительно расширилось.

Мессенджеры и компании, внедряющие чат-ботов

На данный момент крупными разработчиками чат-ботов являются такие компании как Facebook, Slack, Discord, Telegram, Kik, Microsoft.

В основу технологии легли разработки компании Wit.ai, которую соцсеть приобрела в январе 2015 года. А собственный бот Facebook — Bot Engine -позволяет "научить" ботов вести себя различным образом в зависимости от ситуации.

Slack Bot Users

Telegram Bot API

Система Telegram мультиплатформенна, что позволяет работать с системой не зависимо от рабочего места. Для работы бота требуется выделенные домен с SSL сертификатом, в связи с тем, что Telegram работает по протоколу MTProto, который предполагает использование нескольких протоколов шифрования.

Tay и Xiaoice (Microsoft)

Компания Microsoft уже давно проявляет интерес к созданию технологий на базе искусственного интеллекта. Последним из ее творений в этой области был чат-бот под именем Xiaoice, работающий в социальных сетях Китая и Японии. В основе её технологии лежит положение, что ни одна беседа или картинка не будет полностью уникальной. В своей работе система Xiaoice использует методы глубинного изучения при помощи вычислительных мощностей облачной системы Smart Cloud and Big Data. В этом смысле, Xiaoice — большой дата-проект, построенный на основе поисковой машины Microsoft Bing, чьи данные включают 1 миллиард записей и 21 миллиард связей между этими записями. Был также запущен проект компании в этой же области — Tay AI, выполняющий схожие функции в более распространенных социальных сетях и общающийся с собеседниками на английском языке. Tay в своей основе использует тот же набор технологий, что и оригинальная версия, Xiaoice.

Основные платформы и сервисы создания ботов

Это открытая и бесплатная платформа которая помогает создавать приложения для распознавания голоса и текста. С помощью этой платформ можно определить контекст или семантику введенного и сказанного предложения. Wit предоставляет API и панель управления для общей настройки диалогов и сущностей.

Microsoft Bot Framework

Microsoft представила свою платформу Microsoft Bot Framework для создания текстовых, аудио и видеоботов для Skype, Slack, Facebook Messenger, Kik, электронной почты Office 365 и других популярных сервисов. Платформа состоит из трех основных частей:

– Bot Framework Developer Portal: сервис для регистрации, подключения к популярным каналам, настройки и тестирования, публикации своего бота;

К основным преимуществам платформы Bot Framework можно отнести отсутствие привязки к конкретной платформе, наличие открытого исходного кода SDK, развитые средства отладки и тестирования ботов, встроенные средства связи и управления веб-приложениями, поддержка автоматического перевода более чем на 30 языков. При этом платформа Microsoft Bot Framework продолжает активно развиваться.

Botkit — это модуль для разработки программного обеспечения для Node.js, поэтому нужно быть готовым писать некоторый код. Написание и запуск приложений Node требует знания командной строки Unix, git и GitHub, а также некоторых основных принципов разработки приложений, таких как управление базой данных и настройка хостинга. Модуль Node — модуль для создания ботов Slack, Facebook Messenger и других платформ. Botkit поддерживает десятки плагинов с открытым кодом, которые обеспечивают интеграцию с популярными инструментами баз данных, API для обработки естественного языка, CRM-решениями и другими распространенными инструментами построения бота.

Api.ai — платформа для распознавание естественной речи.

Участник Ycombinator, конструктор ботов от Дмитрия Думика. Один из конструкторов ботов, не требующий знаний программирования. Он бесплатен, может быть интегрирован со сторонними сервисами, работает на платформах Facebook Messenger и Telegram.

IBM Watson представляет собой когнитивную систему, которая способна понимать, делать выводы и обучаться. Для того, чтобы научить систему анализировать сложные смысловые конструкции, с учетом эмоций и прочих факторов, специалисты использовали глубокую обработку естественного языка. А именно — вопросно-ответную систему контентной аналитики (Deep Question*Answering, DeepQA). Если требуется большая точность, то приходится использовать дополнительные методы обработки естественного языка. При анализе определенного вопроса, для того, чтобы дать правильный ответ, система старается оценить как можно более обширный контекст. При этом используется не только информация вопроса, но и данные базы знаний. Сейчас на основе этой облачной API-платформы разрабатываются различные приложения, сервисы и процессы.

Сервисом владеет Betaworks. Dexter позволяет разработчикам создавать интегрированные приложения без рутинной работы по построению инфраструктуры. Допустим, для интеграции электронной почты, FB messenger, Slack используются технологии plug-and-play, разработчики лишь настраивают ботов, как они должны работать. Dexter — открытая платформа, все ее пользователи получают выгоду от работы одного разработчика. Люди могут создавать модули, которые не существуют, или просто использовать существующие модули для разработки собственной интеграции.

Как видно, платформ для создания ботов сейчас достаточно и использование того или иного продукта зависит от преследуемых целей:

– боты, выполняющие рутинные операции — для решения простых, однообразных задач, для которых нет необходимости тратить время и ресурсы сотрудников

– боты-помощники — выступают в качестве консультантов, могут поддержать беседу предлагая первичную информацию, узнавать контактные данные и т. п.

– чат-боты, используемые в аналитике — помощники в сборе данных, через общение, распространять корпоративную информацию внутри чата

– "развлекательные" боты для общения с людьми.

Основные термины (генерируются автоматически): API, KIK, бот, SDK, платформа, приложение, естественный язык, пользователь, система, создание ботов.

Одним из направлений цифровых улучшений в области клиентского сервиса является внедрение платформ и решений, использующих технологии искусственного интеллекта (ИИ) в коммуникациях с клиентами. С их помощью компании могут улучшить клиентский опыт, сделав обслуживание более быстрым и удобным для клиентов, а также оптимизировать затраты за счет передачи рутинных операций в процессах цифровым сотрудникам.

Контакты с клиентами к 2021 году, обрабатываемые с помощью ИИ-систем

Крупнейшие контакт-центры США, которые уже используют технологии искусственного интеллекта, 27% планируют их внедрение в течение года

Клиенты, довольные качеством обслуживания чат-ботов, если у них есть возможность переключиться на оператора в случае необходимости

NAUMEN для внедрения голосовых и текстовых роботов

Для роботизированного обслуживания клиентов в голосовых и цифровых каналах NAUMEN предлагает интеллектуальную платформу Naumen Erudite с использованием технологий машинного обучения. Возможности позволяют создавать, обучать, тестировать роботов, способных вести свободный диалог с человеком на естественном языке, а также управлять качеством их работы. Диалоговые роботы способны вести обслуживание клиентов в голосовых и текстовых каналах, обеспечивая омниканальный клиентский опыт.

Виртуальные ассистенты и роботы, созданные на платформе NAUMEN, выполняют широкий спектр задач — от первичной классификации и интеллектуальной маршрутизации обращений до полноценного обслуживания клиентов без участия оператора.

Интеллектуальные роботы для обработки входящих обращений

Используя возможности виртуальных помощников NAUMEN, компания может реализовать различные сценарии обработки входящих обращений от клиентов:

поиск адресов офисов, отделений, банкоматов и др.
передача показаний приборов учета воды и электроэнергии;
оплата заказов;
открытие расчетного счета в банке;
проверка баланса лицевого счета
поиск эвакуированного автомобиля;
контроль статуса заказов и почтовых отправлений;
заказ такси.

Применение роботов в исходящих коммуникациях

Виртуальные помощники, созданные на базе платформы Naumen Erudite, способны выполнять такие задачи операторов, как:

коллекторская работа с должниками: обзвон и согласование оплаты в срок;
консультирование по продуктам и услугам компании;
анкетирование и проведение опросов для оценки уровня лояльности (NPS);
согласование доставки;
валидация заявок на кредит.

Комфортный сервис для клиентов

NAUMEN обеспечивает создание интеллектуальных роботов, делающих общение с компанией максимально удобным для клиента. Обучение цифровых помощников производится на основе готовых языковых моделей, подобранных и адаптированных с учетом специфики бизнеса компании. Используемые позволяют роботам понимать вариативную разговорную речь и извлекать факты из открытых реплик. После обучения робот способен с высокой точностью определять тематику обращения, учитывать важные детали проблемы, а также задавать клиенту уточняющие вопросы, чтобы подобрать эффективное решение. Если общение с роботом по причинам затруднительно для клиента, ему всегда предоставляется возможность переключиться на оператора.

Инструменты для всех этапов создания и эксплуатации робота

Платформа Naumen Erudite предлагает компаниям полноценный набор инструментов для обучения и настройки диалоговых роботов, а также для оценки качества их работы.

Платформа включает инструменты, позволяющие решать такие задачи, как:

подготовка обучающих данных (кластеризация, разметка) и обучение робота;
построение сценариев обслуживания с помощью визуального конструктора;
распознавание паттернов человеческого поведения;
мониторинг эффективности обслуживания (дэшборд, отчеты);
управление качеством обслуживания (коррекция диалогов, дообучение).

В состав Naumen Erudite также входят инструменты интеграции с коммуникационными платформами контактных центров.

Опыт компаний

53% входящих обращений обрабатывается роботами без участия операторов

в 6 раз сократились затраты на обслуживание одного из типов массовых обращений благодаря использованию голосового робота

Обсудите с нами ваши задачи

Хотите обсудить возможности использования цифровой платформы NAUMEN в вашей организации или заказать демонстрацию? Сообщите нам ваши контактные данные, и мы ответим как можно быстрее.

Роботы задач - это роботы, предоставляющие информацию или услуги в определенных условиях. Обычно это удовлетворяет пользователей с ясной целью, такой как проверка трафика, проверка телефонных сборов, заказ еды, бронирование билетов, консультации и другие сценарии, основанные на задачах. Из-за сложных потребностей пользователей пользователям обычно необходимо взаимодействовать в несколько раундов. Пользователи также могут постоянно изменять и улучшать свои собственные потребности во время диалога. Роботы задач должны помогать пользователям прояснять свои цели, задавая вопросы, уточняя и подтверждая.

Основной модуль робота задачи в основном состоит из трех частей:

Модуль понимания естественного языка——

Модуль управления диалогами——

Модуль генерации естественного языка——

Общая структура выглядит следующим образом:

Ниже приведено подробное введение для каждого модуля:

2.1 Модуль понимания естественного языка

2.1.1 Введение

Когда пользовательский язык проходит через модуль понимания естественного языка, он должен пройти три подмодуля: распознавание домена, распознавание намерений пользователя и извлечение слотов. Распознавание домена, то есть определение того, принадлежит ли предложение этому сценарию задачи. Как правило, когда интегрированы несколько роботов, таких как роботы чата, роботы, отвечающие на вопросы и т. Д., Распознавание домена должно оцениваться и распространяться до входа в робот на основе задач, то есть распознавание намерений, то есть идентификация пользователей. Намерение, чтобы подразделить подсценарии в этом сценарии типа задачи, идентификация объекта и заполнение слота используются для ввода модуля управления диалогом.

2.1.2 Примеры

2.1.3 Связанная исследовательская работа модуля понимания естественного языка

Преднамеренное понимание и извлечение слотов как одного из основных модулей роботов на основе задач вызвало широкий интерес у исследователей. Есть следующие методы:

1. Основанное на правилах понимание

Например, системы бизнес-диалога VoiceXML и Phoenix Parser (Ward et al., 1994; Seneff et al., 1992; Dowding et al., 1993). Phoenix Parser отображает входной текст (последовательность слов) в семантический фрейм, состоящий из нескольких семантических слотов (слот). Правило соответствия семантического слота состоит из нескольких типов значений слотов и соединительных слов, которые могут представлять собой полный Информация, как показано на рисунке 2. Преимущества: не требует большого количества обучающих данных. Недостатки: 1. Разработка правил подвержена ошибкам. 2. Правила корректировки требуют нескольких раундов итерации. 3. Правила противоречивы и их трудно поддерживать.

Результаты теста Phoenix, основанные на корпусе TownInfo, приведены в таблице:

2. Способ объединения правил и статистики

Например, объединенная грамматика категорий (CCG) может основываться на помеченных данных для статистической модели и автоматического извлечения большого числа сложных языковых явлений. Из-за разболтанности грамматических правил и комбинации со статистической информацией, применение этого метода в устном семантическом понимании может научиться анализировать неправильные тексты (Zettlemoyer et al., 2007). Результаты испытаний на основе корпуса ATIS приведены в таблице:

3. Статистические методы (выравнивание)

Понимание языка, основанное на данных выравнивания слов, обычно рассматривается как проблема маркировки последовательности. На основе порождающих моделей существуют стохастический конечный автомат (FST), статистический машинный перевод (SMT), динамическая байесовская сеть (DBN) и т. Д., А основными дискриминантными моделями являются CRF, SVM, MEMM и т. Д. (Hahn et al., 2011). Ожидаемые результаты теста, основанные на оценке СМИ, приведены в таблице ниже.

4. Статистические методы (без выравнивания)

Например, порождающая динамическая байесовская сеть (DBN) (Schwartz et al., 1996). Недостатки: предположения Маркова делают модель неспособной точно моделировать корреляцию слов на больших расстояниях; метод иерархического скрытого состояния может Чтобы решить вышеупомянутую проблему корреляции на большие расстояния, но требуемая сложность вычислений очень высока (He et al., 2006), на основе классификатора машин опорных векторов предлагается классификатор семантического кортежа (Mairesse et al., 2009). метод. На основании данных TownInfo результаты испытаний ATIS приведены в таблице ниже.

5. Методы глубокого обучения

Однонаправленный RNN применяется к задаче заполнения семантических интервалов, и он достиг значительного эффекта по сравнению с моделью CRF в наборе оценки ATIS (Yao et al., 2013; Mesnil et al., 2013); некоторые расширения, такие как LSTM (BiLSTM + CRF); CNN используется для аннотации последовательности (Xu et al. 2013; Vu 2016); модель кодера-декодера (кодер-декодер) на основе последовательности к последовательности, внимание и другие расширения (Zhu et al., 2016; Liu et al., 2016); Циклические нейронные сети с внешними блоками памяти (External Memory) могут улучшить емкость памяти сети (Peng et al., 2015); RecNN (Guo et al., 2014) и т. д. Результаты испытаний вышеуказанных методов приведены в таблице ниже.

6. Примеры на основе вышеуказанного метода

2.2 Модуль управления диалогом

2.2.1 Введение

Тройной выход модуля понимания естественного языка будет использоваться как вход системы управления диалогами. Система управления диалогами состоит из двух частей: отслеживание статуса и стратегия диалога. Модуль отслеживания состояния включает в себя все виды информации для непрерывного диалога.В соответствии со старым состоянием, состоянием пользователя (то есть вышеупомянутым триплетом) и состоянием системы (то есть статусом запроса с базой данных) текущее состояние диалога обновляется, как показано на фиг.3. Стратегия диалога тесно связана со сценой задачи, в которой она находится, и обычно используется в качестве вывода модуля управления диалогами, например, риторической стратегии для пропущенных слотов в этой сцене.

2.2.2 Примеры

2.2.3 Соответствующая исследовательская работа системы управления диалогами

Модуль управления диалогами эквивалентен мозгу робота задачи. Основные методы основаны на правилах и статистических методах обучения. В настоящее время популярны модули управления диалогами, основанные на подкреплении обучения Система управления диалогом, основанная на обучении с подкреплением, требует большого количества данных для обучения. Йост Шатцм-анн, Стив Янг и другие предложили модель имитатора пользователей для моделирования пользователей и продолжения обучения с модулем управления диалогами, в определенной степени, для решения проблемы дефицита помеченных данных. Но он не может хорошо справляться со сложными разговорами. Цзяньфэн Гао и др. С помощью экспериментов доказали, что система управления диалогами, основанная на обучении с подкреплением, обладает сильной способностью против помех создавать помехи, и в то же время общая ошибка оказывает большее влияние на ошибки слотов, чем преднамеренные ошибки.

2.3 Модуль создания естественного языка

Модули естественного языка обычно основаны на шаблонах, основанных на грамматике или моделях. Шаблоны и грамматики в основном основаны на стратегиях, основанных на правилах, и модели могут генерировать естественный язык с использованием сетей, таких как LSTM.

2.4 Сквозная модель

Возьмем в качестве примера сквозную модель Microsoft (Jianfeng Gao et al., 2018), см. Рисунок ниже.

Основное внимание в статье основано на (Jost Schatzmann и Steve Young, Fellow et al., 2009) повышении с семантического уровня на уровень естественного языка и использовании моделей ошибок для диалогов обучения на основе подкрепления на основе DQN Изучите систему управления в глубине. Имитатор пользователя следует предыдущей стековой модели повестки дня Стива Янга: модуль генерации естественного языка и модуль понимания естественного языка используют модель LSTM, а модуль управления диалогами использует DQN (Jianfeng Gao et al., 2018).

Общая система алгоритмов робота Али Сяоми выглядит следующим образом, используя распознавание домена для распределения входного запроса и контекста между различными роботами для выполнения задач.

Структура алгоритма робота задачи выглядит следующим образом, в основном используя структуру, описанную в первой части.

Эта статья кратко знакомит с основами и некоторыми методами, основанными на диалоге на основе задач.Если вам нужны глубокие исследования, вы можете найти соответствующую статью в ссылке для чтения. Конечно, в этой области еще много проблем, таких как

Семантическое представление. Как преобразовать предложение в правильную форму семантической структуры, добавив семантический анализ, семантическое мышление, надежность передачи домена и т. Д., Всегда было очень сложной задачей.

Сбор и маркировка данных на основе задач является очень сложной задачей. Необходимо продвигать разработку более общего формата маркировки данных. С ростом требований пользователей к полям на основе задач использование существующих ресурсов для исследований миграции на местах стало особенно важный.

Читайте также: