از هوش مصنوعی برای صعود به خدمات هزاران کاربر استفاده کنید

برای شرکتی که هزاران درخواست خدمات را دریافت می کند ، به حداقل رساندن هزینه های عملیاتی یک نقطه استراتژیک اساسی برای اجازه صعود به تجارت است و هزینه های آن را تا حد ممکن کم نگه می دارد. با هر بلیط توسط کاربر که به خدمات انسانی احتیاج دارد ، هزینه ای در آن وجود دارد. بنابراین ، اطمینان از اینکه کاربران می توانند به سؤالات خود پاسخ دهند یا مشکلات خاصی را بدون نیاز به مداخله انسان حل کنند ، برای ادامه صعود بدون افزایش هزینه های عملیاتی برای تجارت بسیار مهم است.

در این زمینه بهبود تجربه کاربر ، به او اجازه می دهد بدون نیاز به تماس با خدمات انسانی ، سؤالات را حل کند ، یک راه حل بسیار طبیعی در زمان هوش مصنوعی آموزش یک مدل با تمام مقالات مرکز کمک شرکت است. این به ما امکان می دهد تا نتایج تحقیقات کاربران را غنی کنیم.

در این پست ، من می خواهم کمی در مورد طراحی احتمالی صحبت کنم که می تواند برای بهبود تجربه کاربران در شرکتی که روزانه هزاران درخواست خدمات دریافت می کند ، استفاده شود.

در سیستم های توزیع شده ، تنها یقین ما این است که ، در بعضی مواقع ، چیزی شکست خواهد خورد. برای اطمینان از مقاومت در سیستم ، ما یک دروازه API این مکانیزم های امنیتی ، مانند محدودیت نرخ ، احراز هویت ، مجوز و غیره را با استفاده از درخواست جلوی انتهای به یکپارچه سازیبشر این API وظیفه انجام برخی از درمان ها در ورودی کاربر را دارد ، مانند فیلتر ورودی ناخواسته ، که می تواند در یک پایگاه داده جداگانه مشاوره شود ، و همچنین درمان های پاسخ AI ممکن است ، مانند اضافه کردن برچسب های لینک در گزیده هایی که URL در آن نمایش داده می شود کاربر

یکی دیگر از مکانیسم های تاب آوری بسیار مهم ، قطع کننده مدار، اجرا شده در یکپارچه سازیبشر در صورت عدم دسترسی با آتش سوزی، جستجوی کاربر را می توان به Elasticsearch هدایت کرد و فقط لیستی از مقالات را که به بهترین وجه با ورودی کاربر مطابقت دارد ، بازگرداند. به این ترتیب ، کاربر پاسخ خلاصه AI را دریافت نمی کند ، اما حداقل لیستی از مقالات را به عنوان پاسخ در اختیار شما قرار می دهد.

مقالات در پلت فرم Zendesk ایجاد و به روز می شوند و در هر دو Elasticsearch و پایه مورد استفاده در آموزش مدل AI کپی می شوند. در با آتش سوزی این مسئول تعیین پارامترهای مدل و انجام مهندسی سریع است ، و اضافه کردن پارامترهای جدید فراتر از آنچه توسط کاربر توسط کاربر و تنظیمات آموزش و مدل ارائه شده است.

یک کار وظیفه دارد هر دو پایه مورد استفاده در مدل و Of Elasticsearch را به روز کند. بنابراین ، ما تضمین می کنیم که هر زمان که مقاله ای در Zendesk به روز شود ، هم مدل و هم برگشتی به روز می شوند. تعداد مقالات ثبت شده نسبتاً كوچك است ، در حدود 3000 ، اما از مدل AI آموزش داده شده می تواند علاوه بر مقالات ، بلیط هایی كه قبلاً با مداخله انسان برطرف شده اند ، استفاده كنند و از دقت بیشتری در پاسخ ها اطمینان حاصل كنند.

برای شناسایی پیشرفت در مدل ، بازخورد کاربران از پاسخ ها جمع آوری می شود. این بازخورد ها به صف پیام ارسال می شوند و به یک دریاچه داده ارسال می شوند ، که برای تجزیه و تحلیل داده ها و شناسایی نقاط بهبود مدل استفاده می شود.

لازم است برخی از نکات را برجسته کنید:

• در هر نوع مدل هوش مصنوعی ، شانس زیادی برای “توهم” وجود دارد. بنابراین ، این مهم است که برای کاربران روشن شود که پاسخ های ارائه شده توسط مدل ممکن است حاوی خطا باشد.
• برای به حداقل رساندن هزینه ها و کاهش شانس مدل برای پاسخگویی ناکافی ، شامل فیلترهای ورودی/خروجی برای تشخیص کراهت ، داده های حساس و غیره ضروری است.
• جمع آوری بازخورد کاربران در مورد پاسخ ها بسیار مهم است تا تیم بتواند کیفیت مدل را ارزیابی کرده و به طور مداوم آن را بهبود بخشد.

من امیدوارم که من توانسته ام کمی از آنچه آموخته ام در این زمینه کار کنم به اشتراک بگذارم. اگر مقاله را دوست داشتید ، مرا در شبکه های اجتماعی من دنبال کنید!

آغوش نمازخانه
اینستاگرام // موضوعات: @ gui.natan
LinkedIn: https://www.linkedin.com/in/guilhermealecrim/