Зачем использовать KCS если есть Искусственный Интеллект?

Провокационный вопрос, который регулярно возникает у слушателей на конференциях, когда они слышат о принципах и выгодах использования KCS.

Как правило, мысль развивается следующим образом: Ну вот мы поставим условный ЧатГПТ, и он начнет работать, как виртуальный агент, отвечая на вопросы клиентов.

Ок, допустим. Но где эта 🧠 нейросеть будет брать информацию для ответов? Ведь в общем случае все ИИ пользуются только публичной информацией из интернета, и далеко не всегда (а точнее почти никогда) там будет точная информация по вашему продукту или услуге.

Хорошо, - говорят мои оппоненты, - тогда мы “скормим” ему (или ей, если это нейросеть? ) нашу документацию, информацию с веб-сайта и исторические тикеты.

Уже лучше. Это несомненно даст больше информации, и поднимет процент правильных ответов и успешно закрытых кейсов. Помимо этого нужно взять эту информацию и правильно ее разметить, проведя, так называемый, fine tuning на стороне ИИ.

И тогда для относительно простых кейсов клиентского сервиса такой ИИ-агент 🔫😎 будет выдавать приемлемый результат.

С технической поддержкой все гораздо сложнее. Одна небезызвестная компания пробовала “скармливать” все свои тикеты в ChatGPT с такой целью, но получила КПД ниже паровозного как раз по причине того, что эти данные неструктурированные.

Второй момент - в технической поддержке гораздо более сложные кейсы, которых попросту нет в документации (где обычно даются только общие инструкции) , а на веб-сайте или в открытых источниках информация попросту отсутствует.

Однако, что мы получаем с помощью KCS с точки зрения знаний? Ведь это как раз то, что требуется для разметки и структурирования данных для нейросети:

• Статьи имеют определенную структуру и статусы
• Контент определяется реальными кейсами
• Контент постоянно поддерживается в актуальном состоянии
• Данные ограничены количеством статей, что на порядок меньше тикетов
• Отсутствие “белого шума” нерелевантной для знаний переписки из тикетов
• Контент описывает конкретный продукт
• Может применятся в закрытом контуре с точки зрения ИБ

Таким образом KCS помогает создать, структурировать и поддерживать те самые данные, которые требуются для fine tuning’а нейросети, чтобы она могла более точно и качественно использовать их для ответов клиентам.

Отвечая на изначальный вопрос: ИИ пока еще не дорос до того состояния, чтобы “из коробки” уметь и знать все о продукте для его технической поддержки. Поэтому он не заменяет KCS, но может использовать ее в синергии 😎🧠📚💻для достижения максимального результата.

Swarmica планирует стратегию интеграции с ИИ и использование нейросети для оптимизации и автоматизации как стандартных рабочих процессов, так и в идеале формирования качественного “Виртуального агента” 🔫🤖 с хорошим процентом успешно закрываемых обращений.