Situation
Unser Kunde, eine in der Schweiz tätige europäische Versicherungsgesellschaft, hat einen stark frequentierten Kundensupport-Chat. Die Zahl der eingehenden Kundenanfragen steigt von Tag zu Tag. Der Druck auf die Chat-Agenten nahm zu und es war schwierig, eine gute Qualität der Antworten zu gewährleisten. Das Ziel des Kunden war es, seine Chat-Agenten zu unterstützen und sie effektiver zu machen. Wir halfen ihm, eine KI-Lösung zu integrieren, die Antworten auf eine eingehende Kundenfrage in die bestehende Schnittstelle vorschlägt.
Ansatz
1. Vorverarbeitung der Chats:
Dieser Schritt bestand darin, die verfügbaren Chats zu bereinigen und die
von den Kunden gestellten Fragen und die von den Versicherungsvertretern
gegebenen Antworten zu identifizieren. Mithilfe von Pattern Mining und
Informationsextraktionstechniken strukturierten wir die Dialoge in die
Redebeiträge des Kunden und des Versicherungsagenten, erkannten irrelevante
Redebeiträge wie z. B. Begrüßungen und erhielten einen qualitativ
hochwertigen Satz von Frage- und Antwortpaaren.
2. Chatbots trainieren
Um die extrahierten Informationen zu nutzen, verwendeten wir verschiedene
Ansätze, einschließlich modernster Deep Learning-Technologie, um
verschiedene Chatbots auf die extrahierten Frage- und Antwortpaare zu
trainieren. Die daraus resultierenden Bots waren in der Lage, neue Fragen
mit einem hohen Maß an Genauigkeit zu beantworten.
3. Antworten für Agenten vorschlagen
Sobald die Chatbots trainiert waren, gingen wir zur Echtzeit über. Für jede
neu eingehende Kundenfrage verwendeten wir eine Mischung aus den
verschiedenen Bots, um dem Agenten drei passende Antworten vorzuschlagen,
die er bei Bedarf leicht integrieren und ändern kann. Da es immer wieder
Fragen gibt, die sehr kundenspezifisch und schwer automatisch zu beantworten
sind, haben wir ein Scoring-System für die Antworten eingeführt, das dem
Agenten einen schnellen Überblick über die Genauigkeit der Antworten gibt.
4. Selbstlernende Schleife
Wir speichern sorgfältig alle Reaktionen und Verhaltensweisen der Agenten
auf die vorgeschlagenen Antworten. Diese Daten haben wir als Grundlage für
die Implementierung einer selbstlernenden Schleife im KI-System verwendet.
Dies ermöglicht es dem Chatbot, sich schnell anzupassen und sich weiter zu
verbessern.
Dank der hochmodernen Lösung für künstliche Intelligenz, die von Open Web Technology bereitgestellt wurde, konnte der Kunde die Anzahl der bearbeiteten Chat-Anfragen pro Agent erhöhen. Zugleich konnte er eine hohe Qualität der Antworten der Agenten sicherstellen. Von allen gestellten Chat-Fragen wurden bei 60% der Fragen die Intention und das Thema richtig erkannt, was eine gute Grundlage für einen Entity Intent Chatbot darstellt.
