V pražském Hotelu Jalta proběhl další ročník konference Fin (R)Evoluce, který se zaměřoval na aktuální témata spojená s inovacemi, které přináší umělá inteligence (AI).
Jak nachytřit chatbota o ChatGPT
Jednou z přednášejících, která se s námi podělila o své zkušenosti s implementací systému napojeného na umělou inteligenci, byla Petra Kotalová ze společnosti AXA Partners, kde implementovali pro zefektivnění některých procesů službu ChatGPT.
Jak Kotalová připomněla, využívání ChatGPT ve firmách má oproti jednotlivcům svá pravidla a podmínky. AXA Partners službu využila za účelem automatizace v rámci zákaznické péče a implementační tým brzy zjistil, že při tom musí vzít v úvahu mnohem více věcí (zejména z oblasti práva a bezpečnosti), než se na první pohled může zdát.
Jako korporát musíte používat licencované řešení, nemůžete používat opensource, což je poměrně automatické, ale z pohledu bezpečnosti musíte tu službu například odpojit od internetu a ‚nachytřit‘ ji svými vlastními údaji,
vysvětlila Kotalová s tím, že pracovat ale musíte například i s lidmi z vlastní zákaznické péče, kteří se při implementaci podobného řešení bojí, že přijdou o práci.
Dalším faktorem, se kterým musíte pracovat, je podle ní vlastní očekávání. Rozdíl je mezi fází námluv, kdy jsme dostali k dispozici ukázky toho, co ChatGPT umí, a potom realitou, když služba pracovala s dokumenty, které my jsme do ní nahráli. Kvalita výstupů nebyla v první fázi úplně v žádoucím stavu a museli jsme ji postupně vylepšovat,
upozornila Kotalová, podle které se tým musel naučit i to, jak dotazy v rámci ChatGPT správně pokládat, kolik údajů, zdrojových dat dokáže zpracovávat, co posílá zpět, to vše s cílem zároveň udržet náklady na nějaké rozumné úrovni.
Zdrojovými daty, kterými v AXA Partners „krmí“ ChatGPT, jsou různé směrnice, metodiky, produktové dokumentace nebo například všeobecné pojistné podmínky. Ani tady se ale implementace neobešla bez komplikací, resp. poukázala na nedostatky ve vlastních procesech společnosti. Například metodika A si odporovala s metodikou B. ChatGPT si vybral jednu z nich a samozřejmě nám dal špatnou odpověď. Poukázal ale i na různé inkonzistence v názvosloví. Pokud jste v rámci různých upgradů dávali produktům nebo produktovým změnám různé názvy, zase to byl nějaký problém, se kterým si nedokázal poradit. V neposlední řadě to byla i formální stránka zpracování našich dokumentů. Ve všeobecných pojistných podmínkách jsou limity krytí většinou uváděny v tabulce, kterou si ChatGPT úplně nepřečte. Všechny tyto dokumenty jsme museli upravit, aby je dokázal přečíst a pracovat s nimi a odpovídat na zákaznické dotazy.
Jak to probíhá v praxi
A jak takový dotaz vzniká? Když zákazník přijde na web AXA, kde si rozklikne okénko chatbota, virtuální systém Alex ho vyzve k položení dotazu. Poté chatbot hledá nejpravděpodobnější shodu se zdrojovými daty (tedy zmíněné směrnice, metodiky, pojistné podmínky či produktové dokumentace) a následně podle Kotalové vybere výčet dokumentů, které s největší pravděpodobností obsahují správnou odpověď na dotaz. Celé to pak posílá ChatGPT, který to zpracuje. To se děje tam a zpět pokaždé, jak konverzace pokračuje. Pokud chatbot dospěje do bodu, kdy si neví rady, odkáže na telefonní linku.
Z bezpečnostních důvodů (v konverzaci se mohou objevit i nějaké citlivé údaje o klientovi) se po zavření dané komunikace veškeré údaje vymažou, takže systém se nemůže z těchto dat učit. Navíc, opět kvůli bezpečnosti, ztrácí po nějakém počtu dotazů kontext. Pamatuje si tedy třeba tři, čtyři na sebe navazující dotazy, ale pak konverzaci opět „zapomene“.
Chatbot, který je obohacen o ChatGPT, zatím odpovídá na dotazy týkající se jen některých produktů. Tým ho nasazuje postupně produkt po produktu.
Podle Kotalové tímto způsobem pomáhá umělá inteligence po půlročním implementačním procesu odbavit asi 1200 dotazů měsíčně, které nemusí řešit zákaznická linka, kde se pracovníci místo toho mohou soustředit na složitější případy. Systém úspěšně vyřeší 71 % dotazů. Nedávno jsme kontrolovali zpětnou vazbu a vyšlo nám, že 54 % zákazníků je s odpovědí spokojených. Ještě tedy nejsme v cíli. Důležité ale je nevzdat se při těch prvotních problémech.
Pokud bych měla své zkušenosti s implementací shrnout, tak bych asi radila mít reálná očekávání, a to mezi všemi stakeholdery. Prodiskutujte, co od toho očekávají jednotlivé týmy, abyste byli na jedné lodi. A pak se nevzdat. To je asi hlavní bod digitální transformace. Je potřeba neustále testovat, inovovat a z toho se poučit, protože ten první pád vás nesmí poslat zpátky úplně na začátek,
radí Kotalová, která je v AXA Partners manažerkou marketingu a e-commerce pro trhy střední a východní Evropy.
Vyhodnocování zákaznické komunikace
O tom, jak pomocí AI vyhodnocovat komunikaci se zákazníky, nám povídal Tomáš Brychcín ze společnosti SentiSquare. I on upozorňoval, že je nutné kvůli bezpečnosti pro využití ve firmě AI vlastně odpojit od internetu.
SentiSquare pomáhá firmám efektivněji zpracovat jejich komunikaci prostřednictvím štítkování a i zde do procesů zapojují AI. Pro nás je vždy vstupem text nejrůznějšího formátu a my ho pomocí umělé inteligence pořád dokola štítkujeme. Zaměřujeme se na komunikaci a její zpracování, takže pracujeme typicky s e-maily, hovory, chaty, SMSkami a přiřazujeme jim nejrůznější štítky. Jde totiž o nestrukturované texty, které je třeba převést do nějaké strukturované informace. Pak jsem najednou schopný je měřit, sledovat určité trendy, vyznat se v nich,
vysvětlil Brychcín, čím se primárně společnost zabývá.
Štítky přitom podle něj můžou být jakékoli logiky a pomáhat například prioritizovat, nebo rovnou třídit přijatou elektronickou poštu. Možnost jejich využití ilustroval na několika oblastech ve firmě, z nichž jako první zmínil obsluhu.
Primárním cílem je obsloužit zákazníky, efektivně a účinně odbavit komunikaci, takže přichází na scénu nejrůznější automatizační scénáře, které pomáhají za přispění AI například vyfiltrovat nepodstatné e-maily. Tedy rozpoznat, jestli to je vůbec důležité, jestli je třeba reagovat. To znamená přiřadit tomu štítek relevantní, nerelevantní a ty nerelevantní třeba rovnou ukončit, kdy dokážu odfiltrovat podle mě poměrně slušné množství komunikace,
popsal Brychcín s tím, že další možností je využití AI pro automatizaci u rutinních otázek a požadavků nebo pomoc operátorům s požadavky, které nejsou odfiltrovány jinou cestou.
AI v této oblasti také pomáhá analyzovat komunikaci, aby firma mohla vyhodnotit, co může optimalizovat, nebo lépe pochopit, z jakého důvodu ji zákazníci kontaktují a kdo je tím iniciátorem. Kdo vyvolal v zákazníkovi potřebu mě kontaktovat? Nebyl jsem to náhodou já?
poukazuje Brychcín na poměrně typický případ, kdy např. banka nebo pojišťovna pošle klientům dopis nebo je o něčem informuje, ale nevyjádří se optimálně, zákazníci tomu přesně nerozumí a volají zpět. Iniciátorem toho kontaktu je v těchto případech firma sama. Pomocí štítkování přitom může tyto situace odhalit, snadněji je kvantifikovat, zhodnotit a pro příště se chybám vyhnout.
V oddělení kvality zase může banka či pojišťovna naposlouchávat nějaké množství hovorů, aby zkontrolovala, jestli se operátoři správně vyjadřují, zbytečně hovory neprodlužují, nedělají chyby, nezapomínají informovat o nahrávání apod. Tyto věci musí oddělení kvality dělat manuálně, což je samozřejmě spousta práce a stejně nedokážete zkontrolovat celou komunikaci a objevit všechny problémy. I tady se dá podle Brychcína připravit štítkování a díky AI procesy kompletně zautomatizovat, kdy AI napodobí práci kontrolorů, šetří jejich čas, ale dává také možnost sledovat trendy, lépe vyhodnocovat, porovnávat, dostávat mnohem více informací a díky nim třeba některé lidi lépe zaškolit apod.
V compliance oddělení je třeba spíš kontrolovat dodržování předpisů či regulací. I v těchto případech musí někdo naposlechnout hovory, zkontrolovat e-maily. Opět je to pracné a bez garance, že objevím všechny problémy, protože to nedokážu zkontrolovat celé. Přínos AI je tu v tom, že štítky odpovídají kontrolám compliance oddělení a to má najednou přehled o všem, co se tam děje. Jako příklad zmíním investiční hovory, což je zrovna část, která je regulovaná ČNB, některé věci se zde smí a některé nesmí a touto cestou to může mít lépe pod kontrolou
.
Customer experience oddělení se pak zaměřuje typicky na sběr zpětné vazby, hodnocení spokojenosti či vyhodnocování nějakých trendů. A i toto se dá pomocí štítků a umělé inteligence podle Brychcína detekovat přímo v e-mailech, hovorech, chatech a dalších komunikačních kanálech, kde zákazník v rutinním provozu vyjadřuje své názory a feedback je zde více skrytý.
Jaká AI je bezpečná AI?
Na jednoduchém příkladu můžeme podle Brychcína ilustrovat, jak AI funguje.
Jistě jste poznali, že XYZ je Čechy oblíbené pivo. A tak, jak jste odpověď vydedukovali vy, pracuje i AI. Učí se z kontextu. V roce 2017 byla publikovaná taková speciální architektura neuronových sítí, což je základní algoritmus, na kterém to dnes funguje. Já zmínil hodně těch use casů, ale jak to děláme v praxi, abychom zajistili, že AI bude bezpečná, efektivní, použitelná, že bude nějakým způsobem pod kontrolou?
klade si otázku Brychcín, podle kterého je bezpečná AI ta, kterou dokážeme nainstalovat na počítač a odpojit od internetu tak, aby fungovala.
Jedině takhle mám kontrolu, že má data nikam neutečou, nikdo k nim nemá přístup. A jedině tak mám pod kontrolou, že data neproudí na nějaké API někde na internetu, že to nikdo nečte, že se z toho někdo neučí. Tohle je takové bezpečnostní kritérium, které jsme si v naší platformě stanovili. Jinými slovy ten náš software, který štítkuje, je udělaný tak, že veškerá AI je součástí toho řešení a nevolá žádnou externí službu, nevolá to žádné API, ChatGPT. Všechno je uvnitř naší platformy, veškerý ten výpočet je uvnitř, můžete to odpojit od internetu a nainstalovat na nějaký běžný počítač
.
To, že je AI pod kontrolou, podle něj znamená, že dělá to, co po ní chcete. Umí pracovat s vašimi daty, řeší vaše problémy, rozumí vašim zákazníkům a dělá štítky, jaké vy určíte, a podle logiky, kterou vy stanovíte. AI pod kontrolou z jeho pohledu je taková AI, kterou dokáže ovládat, nastavit, přizpůsobit a natrénovat.
Efektivní je AI podle něj v případě, že dokáže odbavit komunikaci se zákazníkem, dokáže zpracovat miliony dokumentů i ve špičce a nevyžaduje speciální hardware, který stojí další peníze.
Posledním podstatným faktorem, který podle něj hraje roli, je obslužnost, abyste nebyli při využití služby závislí na třetí straně a sami v dané firmě uměli AI nastavovat, ovládat, používat a následně i interpretovat výstupní data. Aby to zkrátka lidé dokázali obsluhovat a ovládat, aniž by museli rozumět neuronové síti.
