Главная цель бизнеса — повысить эффективность работы с лидами и увеличить продажи. Сегодня технологии искусственного интеллекта упрощают решение рутинных задач и значительно снижают стоимость лидов.
ИИ-боты взяли на себя часть функций колл-центров и онлайн-консультантов. Они общаются с пользователями, принимают заказы и подводят покупателя к покупке. По прогнозам Servion Global Solutions, к 2025 году ИИ будет поддерживать 95% коммуникаций с клиентами. Один из главных вопросов перед собственниками бизнеса сегодня: смогут ли ИИ-боты полностью заменить человека?
Применение ИИ-ботов позволяет улучшить маркетинговую стратегию. Их интеграция в социальные сети, контекстную рекламу позволяет делать более точечные рекламные кампании, увеличивать количество лидов и сокращать время на их обработку. По данным Harvard Business Review, компании, внедрившие ИИ в продажи, смогли получить на 50% больше лидов и на
Представим, что на рекламу компании в соцсетях откликнулось 100 человек. Далее менеджеры по продажам должны связаться с каждым пользователем: проконсультировать его, задать вопросы и убедить купить продукт или услугу. Сегодня все эти функции берет на себя ИИ-модель. Нейросеть распознает голос и трансформирует сообщения в текст. Так, интеграция ИИ снижает затраты на обработку звонков примерно в 8 раз.
Разработчики ИИ-ботов анализируют сообщения людей, фиксируют их интересы, составляют психологический профиль пользователя и оценивают его потребность в данном продукте/услуге. Ведущие ИИ-модели обучались на массивах текстовых данных, которые включали триллионы слов.
Технологии на рынке
Самые известные языковые модели на рынке — это продукты компаний Meta (признана экстремистской и запрещена в России) и OpenAI.
Generative pre-trained transformer, или ChatGPT — генеративный ИИ, работающий в режиме диалога более чем на 50 языках. ChatGPT 3 (первое поколение) был обучен на 300 млрд. токенов — слов и частей слов. Разработчики отмечали, что они обучали модель практически вручную. ChatGPT 4 впитал информацию с видео и подкастов, а в OpenAI представили инструмент распознавания речи Whisper. В текущей версии ChatGPT может отвечать клиенту, как человек. Моделями компании OpenAI в продвинутой версии можно пользоваться за определенную плату.
Компания Meta разработала открытую модель Llama 3, которую бизнес может дорабатывать под свои нужды и использовать на собственных мощностях. Она была обучена на объемах от 1,4 трлн. токенов и работает на 30 языках. Llama 3 имеет существенные преимущества в скорости работы и способна поддерживать диалог до 1 тыс. символов. Чат-бот будет встроен в поиск продуктов Meta (Instagram, Facebook, WhatsApp и Messenger).
Всего за четыре года зеттабайты текста, видео и фото смогли превратиться в бизнес-ассистентов. Процесс создания ИИ-ботов — это непрерывный процесс анализа и структурирования текстовой, графической, звуковой и видеоинформации. Именно так ИИ-модели проходят обучение.
Обучение ИИ-моделей
Обучение — это ресурсоемкий процесс, который занимает от нескольких часов до нескольких дней и требует много компьютерных ресурсов с GPU — графическими процессорами, позволяющими производить одновременно большое количество вычислений. Так, для обучения модели Llama 3 на базе 15 трлн. токенов понадобилось 24 тыс. GPU.
Процесс обучения состоит из нескольких этапов:
- Сбор данных.
- Обучение модели.
- Оценка качества.
- Эксплуатация.
Первый этап: сбор, анализ и фильтрация данных
В продажах нужно вести непринужденную беседу с клиентом, уметь отвечать на его вопросы. Данные для сообщений формируются на основе множества диалогов пользователей в Интернете, которые общаются между собой в формате «вопрос-ответ». В OpenAI вручную собирали и курировали большой объем таких данных.
Чтобы натренировать ИИ распознавать голос пользователей, OpenAI и Google использовали транскрипты YouTube-видео для обучения своих ИИ-моделей.
Второй этап: обучение модели
При обучении языковой модели необходимо учитывать два аспекта:
- база знаний по определенному продукту/услуге;
- User Flow (путь пользователя) и схемы диалога.
Это исходные данные для обучения модели, которые ИИ-команда получает от бизнеса.
Для тренировки используется специализированная архитектура — Transformer. На нее накладываются отобранные данные базы знаний. В результате на входе модель начинает видеть начало диалога и учится предсказывать его развитие, выбирая по одному слову из множества доступных слов. Таким образом диалог достраивается до полноценных предложений и вопросов, а модель генерирует тексты.
Словарь включает минимум один язык, но как правило несколько — русский, английский, испанский, французский и т. д.
На этом этапе ИИ-инженеры могут вносить в архитектуру модели изменения, которые позволят получить дополнительные свойства. Например, внедрить технологию flash attention для повышения эффективности больших языковых моделей (LLM).
Третий этап: техническое тестирование
Во время технической оценки качества модели можно вернуться на предыдущие этапы и доработать что-то в самой архитектуре модели.
Существующие методики позволяют видеть диалоги на входе и понимать, насколько хорошо модель смогла предсказать результат. Сравнение ответов модели проводится с эталонными ответами, которые формируются с бизнесом.
Сложности возникают с разными языками, так как модели как правило натренированы на англоязычных данных. Так, если пользователь отвечает неоднозначно: «да нет», «ну давайте», «я не против», нейросеть не всегда понимает, было ли это согласие или возражение, и как продолжать диалог. Поэтому разработчикам приходится еще подбирать пограничные примеры, чтобы обучить модель распознавать тонкости языка и корректно вести беседу, как это умеет живой собеседник.
Еще одна нетривиальная задача, когда приходится дообучать модель: нужно подобрать конкретные временны́е слоты для консультации со специалистом или оформления заказа. У модели есть машиночитаемый формат, где предполагается точная дата и время. А человек, допустим, написал: «Давайте оформим заказ завтра днем». В данном случае необходимо научить языковую модель тому, что на самом деле завтра днем — это 13 июля в 16.00. Нейросеть должна в ответ человеку предложить несколько конкретных слотов для записи, а пользователь — сделать выбор.
Четвертый этап: бизнес-тестирование на реальных задачах
На этом этапе бизнес включается в активное тестирование платформы на реальных задачах. Она должна быть гибкой, описывать товары или услуги на естественном языке, а также давать типичные ответы на вопросы пользователей.
Бизнес должен дать ОК на tone of voice — манеру общения бота с покупателями.
Например, если речь идет о массовых товарах, то сначала мы предложим клиенту представиться, потом зададим вопросы, поработаем с возражениями и вернем на основную ветку беседы, чтобы уточнить детали. Затем предложим записаться на консультацию к менеджеру или сразу отправим ссылку на оформление и оплату заказа.
Если мы продаем специфические услуги, например, языковые курсы, то требуется более индивидуальный подход в беседе с клиентом. Необходимо разбираться, какой у человека текущий уровень знания языка, какого уровня он хочет достичь и в какой срок, в какую группу его направить. Только после этого может состояться реальная продажа.
Когда тестирование завершено, разработчики аккумулируют результаты тестирования и дообучают модель.
Волшебная палочка?
В целом сегодня на рынке действуют такие ИИ-модели, что пользователь уже не отличит, общается с ним реальный человек или нейросеть. Интеграция ИИ в продажи действительно позволяет двукратно увеличивать результаты на простых продуктах. Однако если речь о дорогостоящих комплексных услугах, то автоматизировать процессы здесь пока получится только частично, поскольку коммуникация вокруг них очень комплексна.
Создание ИИ-бота — это комплексная работа бизнеса и технической команды. Бизнес должен быть максимально вовлечен в процесс формирования базы знаний, которой пользуются разработчики: достаточно полно описать свой продукт, подсветить его уникальность, привлекающую пользователя. Безусловно, от компании требуются усилия по настройке и конкретизации результата, который она хочет получить от ИИ-технологий. Это поможет разработчикам эффективно обучить искусственный интеллект под конкретные бизнес-задачи.
