Блог
Статьи о клиентском сервисе, искусственном интеллекте и их взаимодействии.
Умный бот для технической поддержки в компании Adesk
## О компании Adesk Adesk — это сервис финансовой аналитики и управленческого учёта для бизнеса и предпринимателей. Более 1500 компаний по всей России, странам СНГ и Восточной Европы взяли учёт финансов под контроль и начали зарабатывать больше с Adesk. Сервис интегрируется с банками, CRM-системами и 1С, автоматически загружает финансовые данные и строит необходимые отчёты. Adesk помогает: - Избавиться от рутины учёта финансов в таблицах и освободить время. - Понимать чистую прибыль бизнеса в реальном времени. - Заранее узнавать о недостатке денег, чтобы не попадать в кассовые разрывы. - Составлять бюджеты и отслеживать их выполнение. - Видеть реальную рентабельность каждого направления и проекта компании. ## Задачи технической поддержки В службе поддержки работает 3 человека, график с 8 до 17 по Мск. В техподдержке нет разделения на первую и вторую линию. Сложные вопросы переадресуются либо разработчикам, либо более опытным по финучету сотрудникам. В среднем техподдержка получает 700-800 обращений в месяц. Для организации службы поддержки используется Carrot quest, в этом же сервисе находится база знаний. Чтобы стать ещё удобнее для пользователей компания Adesk хотела обеспечить быстрые ответы на вопросы в службу поддержки, а также отвечать на типовые вопросы в нерабочее время. Было принято решение создать бота, который обучается на документации компании и помогает пользователям, отвечая на русском языке. ## Решение Был выбран Wikibot — сервис для поддержки клиентов при помощи искусственного интеллекта. Чат-бот обучается по документации, подключается в хелпдеск, работает 24/7. Wikibot как ChatGPT, работает по процессам компании: не только отвечает пользователям, но и задаёт уточняющие вопросы, открывает и закрывает тикеты, узнаёт информацию из других систем по API. ## Мнение команды Adesk о Wikibot **Плюсы** Хорошая поддержка и коммуникации со стороны команды Wikibot. Практически все запросы, которые у нас появлялись мы оперативно и решали в телеграм чате. Так например, проблемы с тем, когда бот не отвечал на вопрос, на который точно был ответ в базе — разбирался в течение дня и быстро возвращал боту корректное поведение. Даже с маломальски собранной базой знаний % корректных и релевантных ответов составляет 30%, и по мере доработки базы знаний видно, как бот отвечает точнее и корректнее. **Минусы** Интерфейс личного кабинета и функциональность, пока отнесем минусам, но с поправкой на то, что Wikibot недавно стартовали, и динамику того, что происходит в личном кабинете мы рады видеть. Отдельно радует, то что «мы приняли ваше пожелание во внимание» — это не отписка. Так например, мы приятно удивились когда, попросили возможность создавать вопросы и ответы через жесткие формулировки без подключения AI. И Wikibot добавили это в одном из своих обновлений. Мы используем в Wikibot в связке с базой знаний на Carrot Quest для того, чтобы разгрузить с технической поддержки часть «простых вопросов». Со сложными, где требуется знать много контекста, бот пока не справляется, хотя тут скорее вопрос к базе знаний. Настройка бота дисциплинирует нашу команду тех поддержки. Надо регулярно обращать внимание на то, что пишет бот, на сколько он релевантно распознает вопросы пользователей, и по ощущениям, что команда поддержки стала более вовлечена в актуализацию HelpDesk, и самостоятельно пишет доработки для базы обучения бота. К тому же подобная работа в попытке «дообучить» бота — помогает лучше слышать запросы пользователей и держать больше фокуса внимания на том, как строятся коммуникации с клиентом. **Итоги**: бот экономит время специалистов саппорта, а совместная работа позволяет подсветить те места, которые раньше ускользали от нашего взгляда. ## Интервью с командой Adesk через 6 месяцев после старта бота **1. Какое отношение пользователей к боту?** Негатива явного не было. Чат-бот иногда сам успешно закрывает вопросы, иногда клиенты просят переключить на оператора. В целом, бот не вызывает недовольства и часто успешно помогает. Были пара пользователей, которые интересовались конкретно ботом (какая версия гпт, например). **2. Какое отношение к боту службы у поддержки?** Успех бота зависит от его обучения, т.е. насколько заполнена база данных (откуда он берет информацию), сколько у него подходящих знаний для ответа есть в базе. Бот – это инструмент, его настройка зависит от нас. Конечно, бывает, когда бот придумывает информацию или выдает очевидно неподходящий ответ, но это чаще всего потому, что: 1) пользователь некорректно задал вопрос; 2) в базе нет нужной информации; 3) вопрос специфичный и глубокий, который не покрывается базой знаний. **3. Как изменились метрики?** В целом бот не добавил новых обращений, так или иначе работа операторов осталась. Бот, сокращает время первого ответа, поскольку отвечает и приветствует пользователя мгновенно, и научился закрывать самостоятельно простые вопросы. В примерных цифрах: раньше бот только 18-20% корректно закрывал, то теперь на 40-45% обращений может давать корректный ответ. Но зачастую пользователи приходят с более конкретными кейсами, которые пока бот не может решать (в силу нашей специфики). Бот в нашем случае позволяет закрыть простые вопросы, и завязать разговор, до того момента, как к разговору подключится оператор. **4. Что больше всего НЕ нравится в боте?** Проблемы с пониманием контекста ранних сообщений пользователя, не всегда отвечает согласно контексту. Фразы-шаблоны (когда бот не знает ответа и признается в этом), от которых мы пока не поняли, как избавиться. **5. Учитывая что грядет GPT5+ и боты станут намного умнее, как вы видите идеального бота-саппорта через 3 года?** Наш бот все еще на гпт 3.5, насколько мне известно. Гпт 4 и гпт 4 турба уже гораздо умнее гпт3.5, это заметно и очевидно. Четверка замечает больше деталей, отвечает гораздо логичней и корректней. Предположу, что при наличии достаточной базы знаний, бот уже на четверке смог бы решать более сложные вопросы. На гпт5 у меня только лучшие ожидания, потому что разница даже между гпт 3.5 и 4 огромная. Гпт 4 vision умеет распознавать изображения, и если этот модуль прикрутить в чаты, то бот также сможет решать некоторые проблемы по скриншотам пользователей. Не отрицаю, что в будущем боты смогут заменить большую часть функций техподдержки, оставив на поддержку более технические вопросы, которые нельзя решить только с базой знаний.
Умный бот для технической поддержки ИТ-компании Zvonobot
Поделимся, как улучшилась работа тех.поддержки Zvonobot с помощью сервиса Wikibot ([ссылка на оригинал](https://zvonobot.ru/)). **Zvonobot** — разработчик популярного сервиса для автоматических рассылок, который работает внутри России и за рубежом: Казахстане, Чехии, Индии, Нигерии и других странах. **Основным продуктом Zvonobot является робот**, который умеет распознавать человеческую речь, отвечать на вопросы абонентов, принимать входящие вызовы и совершать звонки по многотысячной базе клиентов за короткий промежуток времени. **Содержание** 1. Специфика работы сервиса Zvonobot 2. Задача Zvonobot 3. Автоматизация работы тех.поддержки 4. Решение 5. Как разрабатывался бот? 6. Результат 7. Отношение пользователей сервиса Zvonobot к чат-боту 8. Автоматизация работы технической поддержки 9. Мнение Zvonobot 10. Бот изменит подход в работе с клиентами **Специфика работы сервиса Zvonobot** Zvonobot даёт возможность запустить массовое голосовое оповещение людей: покупателей, налогоплательщиков, жителей города, посетителей мероприятий. Среди клиентов компании есть, как представители из разных бизнес сегментов, так и из государственных секторов. **Технологии Zvonobot** применяются на разных этапах реализации воронки продаж: - Лидогенерация - Дополнительные продажи - Сбор обратной связи по качеству предоставленных услуг - Возвращение, удержание клиентов С помощью сервиса, всего за 1 минуту можно решить сразу несколько задач: запустить звонки на телефоны клиентов, распознать их ответы и собрать обратную связь по нажатию клавиш телефона. **Задача Zvonobot** Сервис должен делать всё, что поможет его клиентам быть уверенным, что технические ограничения не нарушат работу рассылки и не приведут к негативным последствиям для их бизнеса. Поэтому в задачи специалистов поддержки сервиса входят: прием обращений клиентов, четкое определение их запросов, оперативная обработка тикетов и пр. **Автоматизация работы тех.поддержки** Чтобы повысить уровень качества работы сервиса, специалисты Zvonobot решили оптимизировать первые этапы работы с клиентами. А именно обработку общих вопросов клиентов и составление ответов на них. **Решение** Совместно с Wikibot и техническими специалистами сервиса было решено разработать специального бота и включить в основной функционал: - обучение на основе документации сервиса - помощь пользователям личного кабинета Zvonobot 24/7 - автоматические ответы на русском языке - инструмент для обработки и хранения информации в CRM — системе **Как разрабатывался бот?** Чтобы разработать логику работы бота под индивидуальные задачи технической поддержки Zvonobot, Wikibot составил бриф из 7 вопросов: 1. **Сколько человек в службе поддержки?** Всего 10 сотрудников, в том числе 2 специалиста, ответственных за стабильную работу маршрутов для совершения звонков 2. **Служба поддержки работает ночью?** Служба поддержки работает ежедневно с 8:00 до 20:00 по Мск 3. **Сколько из них специалистов на первой линии?** Ежедневно на первой линии работают 3 специалиста 4. **Как организована коммуникация с клиентами в службе поддержки?** Для коммуникации с клиентами задействовано несколько каналов: сайт, e-mail и чаты в telegram 5. **Сколько клиентских запросов приходит на первую линию поддержки через чаты?** За 1 месяц приходит около 1000 запросов 6. **В каком формате сформирована база знаний?** База знаний формируется после прохождения регистрации каждого пользователя на нашем сервисе, в формате FAQ (часто задаваемые вопросы). Сейчас мы проводим работу по созданию более простой и универсальной базы для клиентов. 7. **Какие метрики используете для оценки работы службы поддержки?** Рассчитываем две метрики: время первого ответа клиенту и продолжительность решения тикета. **Результат** Интегрированный бот Wikibot работает по принципу искусственного интеллекта ChatGPT. Он поддерживает сразу несколько бизнес-процессов: - отвечает на общие вопросы пользователя - задаёт уточняющие вопросы - открывает и закрывает тикеты - получает дополнительную информацию из других систем по API **Отношение пользователей сервиса Zvonobot к чат-боту** Естественно, что людям понадобится некоторое время, чтобы привыкнуть к автоматическому помощнику. Но мы видим, что процент уровня лояльности пользователей сервиса ежемесячно растет. **Автоматизация работы технической поддержки** **Во-первых**, сотрудники с легкостью адаптировались к функционалу бота и без проблем делегируют ему значительную часть обработки простых обращений от пользователей. А при необходимости бот переводит клиента на узкопрофильного специалиста второй линии тех.поддержки. **Во-вторых**, почти в 6 раз удалось сократить время первого ответа на вопрос клиента: от 3 минут до 30 секунд. **Мнение Zvonobot** **Плюсы** - Понятный фреймворк для работы с сервисом Wikibot - Достижение прогнозируемого результата: сокращение времени обработки запросов пользователей и повышение их лояльности - Клиентоориентированная техническая поддержка Wikibot **Минусы** - Чтобы исключить погрешности в работе бота и для достижения идеальных результатов требуется дополнительное время на обучение и редактуру собственной документации тех.поддержки **Бот изменит подход в работе с клиентами** За исключением незначительного недостатка, Wikibot грамотно распознает вопросы и дает релевантные ответы пользователям сервиса Zvonobot. За время пилотного запуска возникло много вопросов о функциях технологии. Но специалисты Wikibot оказывают профессиональную поддержку во время разработки кейсов и в процессе их реализации. **Команда Zvonobot рекомендует Wikibot** “Мы уверены в технологическом развитии бота и предполагаем, что он выйдет на свободный диалог с пользователями и адаптируется под решение нестандартных человеческих вопросов. Возможность апгрейда бота до уровня GPT5+ не исключение”.
Умный поиск по вашим документам
Обычный поиск плохо справляется с вопросами со сложными формулировками или с запросами на основе фраз из разговорной речи, например: - Где взять актуальное заявление на отпуск? - Какой шаблон технического задания мы используем в проектах субподряда? - Актуальные на март цены на кондиционеры по южному региону У компании может быть хорошая база знаний и полный набор внутренней документации, но сотрудникам сложно найти ответ на свой вопрос, потому что поисковая система его не понимает, либо сотрудники не знают или забывают где найти нужный документ. В результате вопрос адресуется руководителям, которые часто могут быть заняты и процесс, который должен занимать 5 минут, растягивается на несколько дней. >Каждый третий лид Викибот просит **поиск по смыслу** в базе знаний компании. Мы проанализировали обратную связь и реальные потребности наших пользователей и запускаем новую большую функцию. ## Умный поиск Умный поиск ищет по смыслу, а не по ключевым словам. Напишите свой вопрос в свободной форме, или так, как бы вы его спросили у вашего руководителя. Вы можете использовать отрывок или цитату из документа, разговорные формулировки и даже запросы с ошибками и опечатками — **Викибот** выдаст нужную статью или документ. Мы ищем по PDF, файлам Word и Google Sheets и другим подключенным источникам: Notion, Confluence, HelpDeskEddy, Omnidesk, Юздеск. Цена поиска **в 10 раз меньше**, чем у обычных ответов чат-бота. Стоимость одного ответа **меньше 1 рубля**. ### Три кейса использования умного поиска 1. **Поиск по нормативной документации для внутренних сотрудников**. Умный поиск не только снизит нагрузку на всех руководителей компании, но и даст вам аналитику по самым популярным запросам и документам. 2. **Семантический поиск по сайту**. Умный поиск даст вашим пользователям гораздо больше полезной информации, чем поиск от гугла или стандартный полнотекстовый поиск. Кроме того, вы можете объединить эти подходы. Подключить Умный поиск Викибот можно через наш [API](https://docs.wikibot.pro/api-reference/endpoint/get-search). 3. **Ассистент для L2 и L3 поддержки**. Отличное решение, которое поможет сотрудникам находить _актуальные_ документы и статьи, а также другую подключенную информацию, в рамках решения сложных тикетов.  Ждём вас в разделе **Поиск** в [Личном кабинете](https://app.wikibot.pro/).
Чат-бот: делать самим, заказывать или использовать готовый продукт
Часто получаю вопрос: "Наши программисты сами сделали бота и на тестовых вопросах работает отлично, но при ответах на реальные вопросы пользователей начинается треш. Как сделать супер промпт чтобы бот не глючил?". Ответ простой: "Серебряной пули нет, задачу нужно разбивать на части и использовать разные инструменты для решения разных проблем". Разработать своего чат-бота сейчас можно за пару часов, однако реальное продакшн решение потребует многомиллионные инвестиции. В посте расскажу, что нужно учитывать, принимая решение по созданию бота для поддержки клиентов. **Как работает типовое решение** - При создании бота вы даете ему документацию по продуктам и услугам компании, а также настраиваете жесткость ответов бота, варианты приветствий, логику работы в рабочие и нерабочие часы. - Бот индексирует вашу документацию или сайт по продукту и затем отвечает на вопросы пользователей как человек. Под капотом ChatGPT или другая большая языковая модель (LLM). - Вы тестируете ответы боты, задавая ему типовые вопросы. - Вы выбираете через какой интерфейс бот будет общаться с пользователем. Обычно используются популярные хелпдески и чаты на сайтах, а также мессенджеры: HelpDeskEddy, Omnidesk, Юздеск, Freshchat, Битрикс24, Carrot quest, Jivo, Talk-me, WhatsApp, Telegram. - Теперь бот готов. - Когда пользователь задает вопрос, сначала с помощью семантического поиска в базе знаний находятся документы, наиболее подходящие по смыслу, затем из найденных документов с помощью LLM формируется ответ. Я однозначно склоняюсь к использованию готовых продуктов и далее напишу аргументы. **Плюсы готовых продуктов** 1. Вам не нужно долго ждать, чтобы попробовать бота на реальных вопросах. 2. **Готовые продукт уже используются в других компаниях и гарантируют определенное качество ответов.** При самостоятельной разработке, первые пол года, ваша команда поддержки и клиенты будут жаловаться на недостаточное качество ответов бота. Кажется, что достаточно взять вопрос пользователя и послать в LLM, но нет. Вот лишь несколько нюансов, которые требуют отдельных алгоритмов: - Очень длинные или очень короткие сообщения от пользователей. - Сообщения от пользователей, в которых больше одного вопроса. - Идентификация и обработка приветствий, благодарностей и прочих элементов small talk. - Обработка почт, номеров телефонов и других персональных данных. - Фиксированные ответы на определенные типы вопросов. - Уточняющие вопросы от пользователей. - Иногда для правильного ответа, бот должен уметь задать уточняющий вопрос пользователю, т.е. ситуация зеркальная предыдущему пункту. - Использование информации о пользователе из хелпдеска и других систем, чтобы бот больше понимал пользователя. 3. Большие языковые модели интенсивно развиваются. Можно потратить миллионы на содержание штата ML разработчиков, а затем обнаружить, что новые LLM умеют это из коробки. В готовых продуктах вы платите за использование и всегда можете перейти на другое решение. **Минусы готовых продуктов** Минусы типичны: зависимость от вендора, меньше контроля, невозможность добавить свои суперуникальные функции (большая красная кнопка). **Что посмотреть на Российском рынке** Заказная разработка: JustAI, Chatme.AI, Хороший коробочный продукт AutoFAQ Сервис по созданию чат-ботов для поддержки клиентов Wikibot Другие компании или не проявляют признаков или ориентированы на большие заказы. Если вам нужна помощь в выборе хелпдеска, чата на сайт и другого программного обеспечения для поддержки клиентов - пишите нам https://t.me/use_wikibot .
Служба заботы Skillbox: как ChatGPT-бот забрал 25% обращений и позволил нам уделять больше внимания сложным запросам
Это кейс нашего клиента. [Оригинал статьи на VC](https://vc.ru/services/1049066-sluzhba-zaboty-skillbox-kak-chatgpt-bot-zabral-25-obrashcheniy-i-pozvolil-nam-udelyat-bolshe-vnimaniya-slozhnym-zaprosam) Сегодня хочу рассказать, как мы ввели чат-бота на основе ChatGPT, который отвечает студентам по нашей базе знаний и забирает 25% обращений на себя. Описала весь путь: как продумали логику его работы и встроили в обработку обращений без страданий для пользователя, какие выбрали показатели и цели, как их отслеживаем, про ошибки, радости и счастливый финал 🙂 Меня зовут Снежана Майская, я руковожу Службой заботы в Skillbox. Это третья статьи в серии, [здесь я писала про то, как росла и менялась поддержка](https://vc.ru/life/381347-kak-rosla-i-menyalas-sluzhba-podderzhki-skillbox), [а тут — про то, как мы ведем базу знаний](https://vc.ru/hr/385886-kak-sozdat-rabochuyu-bazu-znaniy-svoimi-silami-opyt-komandy-sapporta-skillbox). После прочтения статьи вы поймете, нужен ли вам ИИ-бот и готовы ли вы к его внедрению. Для смелых в конце будет чек-лист, чтобы вы могли использовать материал как инструкцию с учетом наших ошибок и успехов. Надеюсь, будет полезно!  ## Выбрали бот Или бот выбрал нас. Команда Wikibot предложила проиндексировать наш существующий FAQ для пользователей в Notion и посмотреть, как работает ИИ-бот. Он выдавал ответы по теме, хоть пока и далеко от идеала — решили пробовать. Сейчас бот, используя ChatGPT, работает на основе нашей новой открытой базы знаний для пользователей: zabota.skillbox.ru. Платим по тарифу за пакет «кредитов». Кредит — это стоимость обращения к боту. Основные вопросы стоят 1 кредит, первая линия* — 0,5 кредита, приветствия и благодарности — 0,2 кредита. *Первая линия — это вопросы, на которые бот не обращается в базу знаний, а дает один заготовленный и фиксированный ответ или переводит на оператора. ## Интегрировали с хелпдеском От подписания договора до интеграции с Юздеск и запуска бота прошло 2 дня. Мы решили начать с канала Telegram, так как там поступает меньше всего обращений. Каких-то особых проблем в подключении не было, по крайней мере для нас 🙂 С этого момента мы начали совместную непрерывную работу над совершенствованием нашего бота и продукта в целом, потому что Wikibot — это стартап, у которых мы одни из первых клиентов. ## Продумали логику работы бота Мы не любим, когда нужно долго добираться до агента поддержки, поэтому решили не создавать препятствий и нашим студентам. Сразу задумали, что человека можно будет вызвать с помощью слова «оператор», и прописали это в его ответе. Сначала бот обрабатывал первое и каждое следующее сообщение, пока студент не позовет оператора. ### Минусы: - не все дочитывали до конца, что нужно назвать волшебное слово и просто продолжали писать и задавать вопросы — так может продолжаться вечно и мы не узнаем, если специально не следим; - каждый запрос стоит денег, бесконечные диалоги съедят запас «кредитов». ### Плюсы: - студент мог получить правильный ответ бота на каждое сообщение; - в конце боту говорили «спасибо» и иногда даже не замечали, что с ними говорит ИИ :) Поэтому оставили обработку только первого сообщения. Также решили, что все ответы бота будут перепроверять агенты. Тем более все тикеты мы помечаем темой для статистики, а бот этого не умел. Поэтому правила в Юздеске сильно менять не пришлось, просто в цепочку обработки тикета ворвался ИИ, который давал ответ. Получилась такая схема обработки:  ## Прописали шаблоны бота Решили, чтобы в первой части сообщения от бота будет его сформированный ответ из базы знаний, а в конце — шаблонная приписка: «Если остались вопросы, напишите оператор». Подумали, что если написать про бота в начале ответа, то студент не станет читать и сразу попросит оператора, так как пока доверия к ботам не сложилось, и опыт у многих скорее негативный. Еще важно составить список слов, которыми пользователь захочет позвать агента — диапазон примерно от «позовите человека» до «император».  Позже поняли, что бота нужно еще обучать, а его ответы иногда были прямо сказать ужасные и невпопад, и стоит все таки предупреждать студентов, что с ними общается бот, чтобы в случае обмана или чуши с его стороны, перестраховаться. Придумали такой текст: >Здравствуйте! Я бот Skillbox и учусь вместе с вами 💙 >*тут ответ* >Если остались вопросы, напишите «оператор» — переведу вас на человека. >Мой ответ составлен на основе базы знаний Skillbox. В ней вы найдете более подробную информацию: >— *ссылка на одну статью* На практике оказалось, что негатива наличие бота не вызывает. Если ответ не подошел, студент спокойно дожидается агента. Позже добавили и другие реакции бота на разные случаи: - Исключение, если в сообщении только приветствие без вопроса, чтобы он не пытался найти ответ и не отвечал «у меня нет ответа на этот вопрос». Сделали к таким случаям отдельный шаблонный ответ, чтобы бот просто здоровался: «Здравствуйте! Чем могу помочь?». - То же самое проделали со «спасибо» и добавили отдельный ответ: «Рад помочь! Пишите, если будут вопросы». - Добавили еще одно сообщение, когда студент вызывает оператора: «Хорошо, передал ваше обращение в работу — скоро вернёмся с ответом». - И сделали специальные автоответы в зависимости от времени дня. Если это нерабочее время, то бот отвечал, что сейчас Служба заботы отдыхает, но он постарается помочь. И дальше сгенерированный ответ бота. Получились такие шаблоны:  ## Встретили приколы бота (и проводили) Поделюсь, с чем мы работали и с чего начинали. Не нравилось, что поначалу он отвечал, будто не имеет отношения к Skillbox: «в данной документации не указано» или «документация предоставляет несколько вариантов». Однажды так и сказал: «Я не являюсь представителем Skillbox и не имею доступа к их политике обучения. Рекомендую вам обратиться в их службу поддержки». Что в этот момент думал про нас студент, остается только догадываться 🙂 Или отфутболивал в поддержку, хотя студент уже в одном из наших каналов: «напишите в Службу заботы Skillbox на hello@skillbox.ru, через виджет чата на платформе или же в Telegram — @Skillbox_support_bot». Так получалось, потому что в статьях нашей базы знаний мы писали, куда обращаться, если не нашли ответ.  Еще в ходе донастройки регулировали волю ИИ, потому что иногда он выдумывал ответы, отправлял искать на платформе то, чего нет, или давал личные рекомендации, какой курс выбрать:  ## Ввели показатели для отслеживания успеха бота Мы читали статьи, как другие измеряют успешность бота, и пришли к выводу, что каждый считает по-своему. Поэтому подробнее остановлюсь, как именно выбрали замерять успешность бота, а если что — спрашивайте в комментариях, откуда цифры, объясню. Первый раз мы проверили ответы бота спустя неделю его работы. В первой выгрузке я ввела такие столбцы: - Верно или нет. - Какая ошибка: - отправил к нам же;ответ неверно сформулирован;придумал от себя;нужно было передать оператору;ответ не по делу;неполный ответ. - Недочеты: - слеши;опечатка;странная формулировка;кавычки. - Как надо? Как лучше? — здесь пишем словами, что должен был ответить бот.  Первые результаты были такие: - От общего числа тикетов, прошедших через бота, верных ответов или переводов на оператора — 28%, можно лучше — 20%, неверно — 52%. - Среди запросов, где бот совершал попытку ответить, верно — 23%, можно лучше — 22%, неверно — 55%. - Из общего числа ошибок нужно было передать оператору в 43% случаев. Отправил писать к нам же в поддержку — 24%. Сначала получились такие два показателя, которые мы стали отслеживать: - Количество верных срабатываний — правильный ответ на вопрос или верное решение передать в этом случае оператору. Так как очевидно, что не на все вопросы может и должен отвечать бот, что-то надо сразу отдавать человеку. - Количество верных ответов — считаем от общего числа тикетов, которые прошли через бота. *Количество верных ответов среди всех попыток ответить по базе знаний не стали сразу считать, но потом вспомнили про этот показатель и ввели его задним числом. Окей, столько он правильно переводит, столько дает правильных ответов. А польза есть? Мы поняли, что не хватает ключевого — какой процент обращений обрабатывается полностью без агента. Исходя из которого мы как раз и сможем посчитать экономическую полезность бота для бизнеса. Поэтому в следующих проверках добавили еще два столбца в выгрузке — вернулся ли пользователь и вернулся ли саппорт. Мы начали это измерять, но пока себе еще врали — так как агенты продолжали проверять тикеты после бота и возвращаться, если что, и проставлять тему обращения. А значит мы еще тратим человеческие ресурсы. ## Выделили ИИ-менеджера На этом этапе, через месяц после старта, я призвала на помощь человека из моей команды проверять выборочно выгрузки с ответами бота и помечать, верный ли он дал ответ и как можно было лучше. А также править формулировки в статьях базы знаний, чтобы помогать боту лучше понимать контекст и верно отвечать. Классно, если бы такой человек шел в комплекте с «кредитами», но никто лучше нас не знает, правильно ли бот дал ответ, даже если есть база знаний. Делегировать этот вопрос — ухудшить совершенствование бота.  ## Поставили цели для бота Откуда взяли целевые значения: — ориентировались на текущие значения и прикидывали, на сколько еще это может вырасти в реалистичном и оптимистичном сценарии; — заложили свои надежды и желания, потому что ниже нам неинтересно и не надо. Цели получились такие: - Верных срабатываний из всех тикетов — 95%. - Верно отвеченных из всех тикетов — 50%. - Верно отвеченных из попыток ответить — 97%. - Успешно закрытых полностью ботом из всех тикетов — 30%.  ## Проблемы: бот не работает? Спустя полтора месяца работы стало казаться, что становится только хуже. Работа над базой знаний с нашей стороны и донастройка алгоритмов со стороны Wikibot не дает результатов. Энтузиазм падает — то бот придумывает ответы от себя, то перестает отвечать сегодня на то, на что вчера давал хороший ответ.  Команда Wikibot предложила вариант сделать дополнительный шаг в обработке — гугл-таблицу с вопросами и ответами, на которые бот срабатывает пока некорректно. Бот бы обрабатывал в таком порядке: сначала искал близкий по смыслу вопрос в таблице, а если не находил, переходил к поиску по открытой базе знаний с применял свой ИИ. Идея мне понравилась — мы начнем больше тикетов обрабатывать верно. Когда мы начали прорабатывать вопрос-ответ в табличке, быстро пришло понимание, что мы скатываемся в тот бот, что у нас раньше был в Юздеске. Так как оказалось, что надо добавлять разные вариации запросов для одного ответа: «ошибка отправки», «ошибка при отправке сообщения» и так далее. Возник вопрос — зачем нам тогда этот ваш хваленый ИИ, если я сижу и придумываю, какой формулировкой студент может задать вопрос. Напрашивался вывод: бот пока не готов взять на себя часть работы поддержки! Позже команда Wikibot признала, что файл QA в гугл-таблице спутал им поиск, и вдобавок они превратили свой продукт в сценарного бота. Но как принято в захватывающих историях, эти сложности были толчком к переломному моменту. На этом этапе мы договорились, что убираем гугл-таблицу, возвращаемся к изначальному сценарию и будем регулярно совместно работать над улучшением бота — мы правим базу знаний, они алгоритмы. ## Ввели теги для автоматического подсчета показателей Кроме ручной выборочной проверки, нужен автоматический подсчет. Мы завязали простановку тегов по определенным фразам бота в зависимости от ситуации — когда он дал ответ, когда ответа не знает или когда сработало наше настроенное исключение. Здесь процент рассчитывается от общего числа тикетов. Также правилом проставляем тег, когда студент написал после ответа бота. Так мы понимаем, когда ответу бота не поверили или он не подошел – полностью или частично. Бывают случаи, когда обращаются к оператору с первого сообщения в тикете – срабатывает тег и здесь. И настроили тег на случаи благодарности боту.  В табличке по описанию и в первичной настройке кажется все просто. Но на деле сталкиваешься с разными сценариями и неучтенными условиями, так как помимо бота есть еще 300 настроенных правил в хелпдеске по распределению тикетов и другим процессам. Получается примерно так 🙂:  ## Как изменился бот спустя 6 месяцев работы Появился личный кабинет, где можно менять шаблоны ответа бота, просматривать отчеты и тестировать ответы бота, не расходуя кредиты в реальном канале. Wikibot сделали «первую линию поддержки», где можно указать вопросы, на которые нужно дать фиксированный ответ или передать оператору.  К проиндексированным статьям теперь можно задавать ключевые слова и фразы, чтобы бот лучше распознавал вопросы. Добавили в исключения на почтовом канале список спамеров и формулировки автоответов студентов типа «я в отпуске», чтобы не тратить кредиты. Wikibot ввели возможность выставлять тему обращения, соответствующую статье в базе знаний, где боту удалось найти ответ. Ура! Нам оставалось только переключить правила в Юздеске, чтобы теперь тикеты назначались на агентов только тогда, когда студент попросил оператора. Теперь мы можем замерить реальное количество тикетов, которые решились без агента. ## Результаты бота: что сейчас Момент истины — насколько бот справляется с задачей забрать на себя часть обращений пользователей. Лучше слов скажут только цифры — он взял на себя 25% обращений, которые полностью закрываются без агента:   Ответы бота сегодня выглядят так:  Кроме того, бот нам подарил красивое время первого ответа – меньше двух минут. ## Cколько экономит нам бот При условии, что один эффективный агент на первой линии обрабатывает 75 тикетов в смену, а бот забирает 25% обращений — мы экономим на 5 агентах. Стоимость обслуживания бота не больше, чем оплата труда одного сотрудника, поэтому экономия выражена и в деньгах для бизнеса.  Мы довольны тем, что получилось. В 2024 году большие языковые модели станут умнее и доступнее, а значит наш бот сможет закрывать больше задач. ## Готовы ли вы к ИИ-боту в службе поддержки ### Нужен ли вам ИИ-бот: 1. Если в поддержке работает пара человек, то внедрение бота будет экономически нецелесообразно. Бот даст значимое улучшение показателей и эффект для бизнеса, если в команде от 5 специалистов. Для маленьких компаний имеет смысл запустить бота отвечать по ночам и выходным. 2. Если у вас меньше 500 тикетов в месяц, также не торопитесь с ботом. ### Бот своими силами или готовое решение: Да, разработать своего чат-бота сейчас можно за пару часов, однако реальное продакшн-решение потребует инвестиции на содержание штата разработчиков, которые будут готовы на постоянные доработки и непрерывную работу над улучшением алгоритмов. Мы посчитали, сравнили и нам оказалось выгоднее работать с подрядчиками. ### К чему нужно быть готовым: Бот будет плохо отвечать какое-то время. Невозможно сначала сделать идеально бота, а потом его запустить. Это итеративные процесс совершенствования продукта, только реальные вопросы пользователей покажут слабые места. Потребуется вложить силы и время. Наш опыт показывает, что к успеху можно прийти при интенсивной и системной совместной работе заказчика и исполнителя. ## Чек-лист: как внедрить ИИ-бот в службу поддержки 0. Собрать открытую базу знаний 1. Интегрировать бот в хелпдеск 2. Продумать схему обработки обращения 3. Настроить правила и триггеры в хелпдеске 4. Написать шаблонные части ответа бота 5. Выделить ИИ-менеджера для совместной работы с командой бота 6. Продумать показатели для отслеживания работы бота 7. Продумать целевые показатели успеха мероприятия 8. Ввести теги для автоматического подсчета показателей 9. Продумать вопросы-исключения и L1 бота 10. Проиндексировать базу знаний 11. Запустить бота 12. Непрерывно улучшать базу знаний и алгоритмы
Чат-бот для поддержки клиентов
Дэвид Ян в своей лекции рассказал, кто такие цифровые сотрудники (digital workers) и на что они способны, поделился видением, как ИИ повлияет на нашу жизнь, а также показал примеры цифровых сотрудников, которые уже начинают заменять людей на рабочих местах. [Лекция](https://t.me/wikibot_news/39). Процитируем: “В техподдержке на джун позициях чаще всего работают не мотивированные сотрудники, которые часто меняют работу. С какой проблемой сталкивается руководитель организации: - у него сидит на первой линии технической поддержки 100 человек, - и он знает что 40 минимум из них уволится в этом году, - нужно найти и прособеседовать новых, нанять и ещё потратить 1-2 месяца на онбординг, - и после всех этапов отбора, по статистике через 4 месяца работник уволится.” ``` В службах поддержки до 80% обращений типовые и несложные, их может решать ИИ. ``` Дэвид Ян развивает свой проект на международном рынке. Круто, что в России есть похожий проект: Wikibot — сервис для поддержки клиентов при помощи искусственного интеллекта. Чат-бот обучается по документации, подключается в хелпдеск, работает 24/7. Wikibot как ChatGPT, работает по процессам компании: не только отвечает пользователям, но и задаёт уточняющие вопросы, открывает и закрывает тикеты, узнаёт информацию из других систем по API. Wikibot напоминает начинающего сотрудника, который обучается и в многопоточном режиме быстро решает простые задачи. Сложные вопросы, требующие анализа и вникания, бот переводит на оператора. Сервис комплексно улучшает отдел поддержки, уменьшает текучку кадров, увеличивает лояльность клиентов, предоставляет аналитическую отчётность по ответам бота и работе поддержки. ``` Бизнесмены и руководители могут бесплатно попробовать Wikibot. Для создания чат-бота понадобится только ссылка на базу знаний или сайт по продукту. Если нет документации, покажите боту примеры вопросов и ответов. ``` Вопросы о промокоде и работе сервиса вы можете задать в чате: https://t.me/use_wikibot
На Albato, одной из лучших no code платформ по интеграции сервисов, появился чат-бот Wikibot
Wikibot — умный помощник для служб поддержки, который обучается по вашей документации и отвечает на обращения пользователей в чате или по почте, как специалист первой линии поддержки. Преимущество сервиса заключается в быстром старте и практически полном отсутствии «магических» настроек для начала работы. Просто предоставьте нам ссылку на базу знаний и в течение нескольких часов вы сможете задать вопросы боту и получить ответы. Вместо громадного конструктора сценариев, в Wikibot вы обучаете бота как начинающего сотрудника, показывая ему как отвечать на разные типы вопросов. Если у вас нет базы знаний, то примеры для обучения бота можно завести в Google Sheets или на портале Wikibot. Особенность в том, что под капотом используется большая языковая модель LLM. Поэтому бот понимает вопрос в любой формулировке, кроме действительно спорных или сложных, и отвечает как человек. Вне зависимости от формулировки чат-бот поймет вопрос, найдет информацию в базе знаний или FAQ и ответит пользователю. Использование Wikibot для поддержки клиентов позволит: - Сократить общее время решения тикета за счет мгновенных ответов на типичные вопросы. - Повысить лояльность клиентов за счет улучшения качества обслуживания и доступности поддержки в любое время дня и ночи. - Высвободить ресурсы ваших специалистов для решения более сложных и важных кейсов. ## Интеграция Wikibot с помощью Albato Интеграция Wikibot с Albato открывает множество полезных кейсов, например: - Добавление в ваш сервис интеллектуального помощника, который понимает естественный язык. Естественный язык — самый популярный интерфейс в мире, его используют примерно 8 миллиардов человек. - Современные helpdesk системы и чаты на сайтах уже интегрированы с Wikibot. Однако иногда нужно отправлять в бота только некоторые типы вопросов (тикетов) пользователей. Тут отлично подходит Albato. В Albato можно настроить фильтрацию тикетов по любым полям, а также дополнительные действия. - Использование Wikibot в ваших любимых приложениях, например Google Sheets. - Пример интеграции Wikibot в Google Sheets Реализуем простой пример, в котором в первый столбец Google Sheets пользователь будет писать вопрос, а в соседней ячейке (второй столбец) получать ответ из своего бота Wikibot. Для повторения примера, необходимо зарегистрироваться в Wikibot и создать своего бота. Подробно процесс создания описан в документации. В настройках бота в разделе API ключи нужно добавить ключ. ## Пример интеграции Wikibot в Google Sheets Реализуем простой пример, в котором в первый столбец Google Sheets пользователь будет писать вопрос, а в соседней ячейке (второй столбец) получать ответ из своего бота Wikibot. Для повторения примера, необходимо зарегистрироваться в Wikibot и создать своего бота. Подробно процесс создания описан в [документации](https://docs.wikibot.pro/). В настройках бота в разделе API ключи нужно добавить ключ.  В примере будет использоваться бот https://t.me/Wikibot_support_bot, которой обучался на сайте Wikibot. Создадим новую связку, в которой будет получение значения ячейки из Google Sheets, передача вопроса в Wikibot, запись ответа в соседнюю ячейку Google Sheets (на скрине показан конечный вариант схемы).  Сейчас подробнее остановимся на каждом шаге. ### Добавим шаг “Google Sheets: Создана новая строка”. В настройках необходимо выбрать документ, в котором первый столбец – Вопрос, второй столбец – Генерация ответа. Для такой связки важно чтобы документ Google Sheets был расшарен на редактирование по ссылке. ### Добавим шаг “ Wikibot: Задать вопрос Wikibot”. Тут потребуется API ключ созданный в настройках бота.  В качества параметра Query зададим “Создана новая строка: Столбец Вопрос”. В поле Ticket ID установим 1, т.к. в данном примере оно не нужно.  ### Добавим шаг “Google Sheets: Обновить строку по номеру”. Зададим в качестве значения столбца с ответом “Задать вопрос Wikibot: Answer “.  ### Результат Запустите связку и набирайте вопросы в первом столбце документа, через 1-2 минуту во втором столбце начнут появляться ответы. Благодаря созданной связке, можно быстро собрать базу ответов вашего бота для дальнейшего анализа и улучшения качества его работы.  ### Итоги Задавайте в комментариях вопросы по возможностям применения языкового искусственного интеллекта в ваших продуктах. Специалисты Wikibot на связи [https://t.me/use_wikibot](https://t.me/use_wikibot)
Сравнение Wikibot c конкурентами в России
Чат-боты c искусственным интеллектом для поддержки пользователей в helpdesk стремительно набирают обороты. Кажется у популярных хелпдесков огрромный выбор чат-ботов с ИИ. Мы сравнили лидеров рынка и узнали что есть пару вариантов где можно попробовать создать и обучить бота на своих данных. В сравнении принимали участие следующие продукты: Wikibot, JustAI Aimylogic, Chatme.AI, AutoFAQ, SupportAI, Наносемантика. # Критерии сравнения - **Доступная большая языковая модель** (LLM): ChatGPT. YandexGPT, Собственная сеть. - **Возможности обучение бота**: тестирование бота на своих данных (в противном случае обучение в продукте - это заказная разработка и стоит дорого) парсинг сайтов, популярные для баз знаний (Notion, Confluence) и файлов. - Интеграции и с Helpdesk, чатами, меседжерами - **Ориентация на техподдержку**: Copilot, Суфлер, рабочие часы, гибкие шаблоны ответов.   # Выводы Большинство продуктов по созданию чат-ботов с ИИ - это на самом деле заказная разработка. У многих есть визуальный конструктор, но в нем можно создать только сценарных ботов. Бесплатно создать и обучить ИИ бота на своих данных можно только в Wikibot и JustAI Aimylogic. Напишите нам если вам не хватило характеристик сравнения или нужен анализ чат-ботов которых нет в сравнении. Мы сделаем анализ.
Открытое письмо сервисам хостинга по боту для поддержки
У сервисов хостинга обычно отличная база знаний, поэтому ИИ чат-бот поможет им сократить время ожидания ответа клиентами. Этим письмом постараемся установить связь. Привет, ребята! Мы делаем Wikibot — умного помощника для службы поддержки, который обучается по вашей документации и отвечает на обращения пользователей в чате или по email, как специалист первой линии поддержки. Наше преимущество заключается в быстром старте и практически полном отсутствии «магических» настроек для начала работы. Просто предоставьте нам ссылку на базу знаний и в течение нескольких часов вы сможете задать вопросы боту и получить ответы. Особенность в том, что под капотом мы используем большую языковую модель LLM, поэтому вместо настроек у нас работа с речью, а в качестве единственного интерфейса мы используем обработку обычного естественного языка, на котором общаются все пользователи. Поэтому наш чат-бот понимает вопрос в любой формулировке, кроме действительно спорных или сложных, и отвечает как человек. Вне зависимости от формулировки вопроса чат-бот поймет вопрос → найдет информацию в базе знаний или FAQ → ответит пользователю. Предлагаю вам использовать Wikibot для техподдержки ваших клиентов. Это позволит: - **Сократить время ожидания** для клиентов благодаря мгновенным ответам на типичные вопросы. - **Повысит лояльность клиентов** за счет улучшения качества обслуживания и доступности поддержки в любое время дня и ночи. - **Высвободить ресурсы ваших специалистов** техподдержки для более сложных задач, повышая тем самым эффективность их работы. **Wikibot — умный помощник, сделанный с любовью к техподдержке** Мы слушаем клиентов и развиваем продукт вместе, за последние полгода мы добавили: 1. Список исключений — правила, когда необходимо переключать на оператора, например вопросы про «деньги». 2. Рабочие часы и нерабочие часы. 3. Интеграция с популярными Help Desk системами, базами знаний, чатами и меседжерами. 4. Настройки алгоритма ответа, работа в режиме суфлер и copilot. Пример чат-бота https://t.me/Excel_Wikibot (Помощник по Excel) Отзывы реальных пользователей о нашем продукте https://startpack.ru/application/wikibot Прошу переслать письмо руководителям организации. Предлагаю использовать Wikibot для поддержки ваших клиентов.
Сравнение конструкторов чат-ботов Botmother и Wikibot
Чат-боты отдельный тип приложений, который встраивается в мессенджеры и чаты поддержки клиентов на сайтах. Пользователям нравится выполнять нужные действие не выходя из любимого мессенджера. В статье рассмотрим кейсы применения двух популярных конструкторов чат-ботов Botmother и Wikibot. # Botmother — это конструктор для создания сценарных чат-ботов Для создания бота нужно описать сценарий работы бота в визуальном конструкторе. На каждом шаге сценария создается экран который видят пользователи с кнопками и текстами. Логика бота прописывается один раз и он одинаково работает на всех платформах: ВКонтакте, Telegram, WhatsApp и др. Botmother обладает обширными возможностями: - **Сбор анкет от пользователей** — позволяет настроить поля которые должен заполнить пользователь - **Прием оплат** — позволяет продавать товары и услуги и получать оплату сразу в мессенджере с помощью популярных платежных систем (Robokassa, PayOnline, bePaid, ЮKassa). - **Статистика** — даст полезную информацию о пользователях. Можно отследить, на каком этапе теряются пользователи - **Рассылки** — позволяют отправлять пользователям новости и предложения. - **Переключение на оператора** — нужны для подключения оператора в чат, чтобы не потерять клиента и не допустить негатива, если бот ничего не понял. - Интеграции с популярными CRM # Wikibot — это конструктор чат-ботов которые понимают естественный язык Cервис Wikibot позволяет создать бота, для автоматических ответов клиентам в чате на естественном языке и заменить специалиста первой линии технической поддержки. Использует для обучения существующую документацию по продукту или услугам компании. Преимущества использования сервиса: - **Начать просто**. Чтобы создать бота с ИИ, достаточно предоставить ссылку на базу знаний или сайт о продукте. - **Естественные ответы**. Чат-бот с помощью большой языковой модели понимает вопросы и дает ответы на естественном языке. - **Снижение затрат на персонал**, а для пользователей сокращение времени ожидания ответов. - **Улучшение базы знаний**. Сервис предоставляет аналитику по вопросам, на которые ИИ не нашёл ответов в документации. Эта информация является основой для улучшения базы знаний отдела сопровождения. - Бот автоматически обучается при изменении статей в базе знаний - Сервис поддерживает интеграцию с чатами на сайтах и helpdesk системами. # Итоги Таким образом функции Botmother и WikiBot практически не пересекаются. Если вам нужно собирать данные с пользователей, получать оплату, информировать пользователей, то используйте Botmother. Если вам нужен бот который снижает нагрузку на отдел поддержки и помогает пользователям решать проблемы используйте WikiBot Кстати некоторые конструкторы сценарных чат-ботов уже реализовали интеграцию с WikiBot, например Talk-me. Если сомневаетесь в выборе - пишите нам.
Создать ИИ чат-бота теперь можно в Google Sheets
1. Зайдите в Google Sheet по ссылке https://bit.ly/create_wiki 2. Сделайте копию документа (Файл -> Создать копию). 3. Заполните документ своими вопросами и ответами 4. Откройте доступ к документу для всех (Настройки доступа -> Общий доступ -> Всем у кого есть ссылка). Нажмите кнопку «Копировать ссылку». 5. Откройте в телеграме Wikibot https://t.me/tom_test_wikibot, нажмите “ЗАПУСТИТЬ”, а затем нажмите кнопку “Я хочу создать нового бота”. 6. Вставьте скопированную ссылку и отправьте. Через несколько минут бот обучится и вы сможет задавать ему вопросы. Создать бота в Google Sheet возможно благодаря сервису Wikibot.
Открытое письмо BI компаниям — проект DashboardAI
Привет, аналитики, руководители и основатели Business intelligence компаний! Я создаю сервис Wikibot, который обучается по документации и консультирует пользователей в чате, как специалист первой линии поддержки. Наш чат-бот понимает вопрос и отвечает как человек. Весь мир двигается в сторону использования ИИ-помощников. Людям нравится получать результаты просто давая команды на родном языке. Предлагаю вам, совместно с моей командой, создать продукт Dashboard.AI, который будет обладать следующим функционалом: - **Поиск отчетов.** Менеджер может попросить бота найти нужный отчет. Например: ”Найди отчет о расходах на рекламу за прошлый год”. Бот, на основе списка отчетов, которые находятся в дата-каталоге, конфлюенс или другой вики, присылает ссылку в чат. - **Написание SQL-запросов.** Вместо поиска нужного отчета, менеджер пишет в чате боту: "прибыль по Москве по электронике с мая по июль". Бот присылает нужные показатели и ссылку на нужный отчет, c установленными фильтрами. Если подходящего отчета нет, то сам пишет sql запрос. - **Автоматическое создание дашбордов**. Менеджер может попросить чат-бота создать дашборд. Бот, задав несколько уточняющих вопросов, выберет оптимальный шаблон и соберет в нем все необходимые SQL-запросы и фильтры. ## Реализация **Поиск отчетов.** Список отчетов обычно располагаются в базе знаний, документации или каталоге данных. Современные продукты, такие как SiteGPT, ChatBase, WonderChat, Wikibot (далее агент) отлично умеют делать семантический поиск: Документация индексируется и сохраняется в векторную базу данных. Когда пользователь вводит запрос, в векторной базе находится 5-10 наиболее близких векторов (семантический поиск). Каждый вектор это название и описание отчета. Запрос пользователя и топ близких векторов отправляются в LLM - большую языковую модель (LLaMA, Falcon, Google Bard, Anthropic Claude) и она выбирает отчёты которые подходят пользователю. **Написание SQL-запросов** Современные LLM уже неплохо пишут SQL (статья с сравнением GPT, Claude, Bard https://www.linkedin.com/pulse/great-sql-bot-bake-off-comparing-big-llm-beasts-code-ian-thomas/) для этого им нужно задать вопрос и в промпте передать описание таблиц. Получив запрос пользователя, агент может взять название таблиц из документации, а все поля таблицы из метаданных СУБД. Сейчас набирают обороты проекты: - DB-GPT - позволяет генерировать запросы к базам данных используя локальные LLM - PandasAI - делает pandas (и другие популярные библиотеки анализа данных) разговорными, позволяя вам задавать вопросы к вашим DataFrame на естественном языке. **Автоматическое создание дашбордов** GPT, получив таблицу данных, уже может выбрать из нее наиболее значимые и подходящие для визуализации столбцы. Комплексный пример, как это делать, описан в в статье “Create AI-powered dashboards” https://www.luzmo.com/blog/ai-powered-dashboards-tutorial. Добавив к этому шаблоны дашбордов, различные best practice в виде эвристик и уточняющие запросы от бота, можно получить Junior BI-разработчика. ## Взгляд в будущее В разделе реализации я описал то, что можно сделать уже сейчас. Пара идей на будущее: Если научить проект “Dashboard_AI” создавать дашборды, то следующем шагом станет возможным переносить дашборды из одной системы в другую. Сейчас требуется громадное количество ресурсов, чтобы перенести аналитическую отчетность компании в альтернативный BI-продукт. Кроме того, станет возможным создавать дашборды сразу для нескольких популярных продуктов (Tableau, Power BI, Superset, Metabase, Redash) Персональный аналитик который помогает менеджерам быстро получать нужные показатели и искать инсайты может стать супер востребованным продуктом. Свяжитесь со мной если: - Вам интересно добавить в свой продукт описанный выше функционал - Вы хотите создать похожий продукт совместно с нашей командой, на основе популярных BI-продуктов (Tableau, Power BI, Superset, Metabase, Redash). Весь мир двигается в сторону использования ИИ-помощников. Людям нравится получать результаты просто давая команды на родном языке.
В октябре 2023 Wikibot стал Продуктом недели #1 на ProductRadar
# Как пришла идея Сложно было не заметить бум ChatGPT и искуственного интеллекта в целом. Мы начали экспериментировать с языковыми моделями и возможностями, пытались понять что может и чего не может ИИ, преимущества и ограничения. Поняли, что сходу получается крайне неплохой результат и есть огромный задел по улучшению. Дальше начали продумывать конкретные продуктовые кейсы, так и пришли к решению для отдела поддержки. # Сколько времени заняло от идеи до первого клиента Первой нашей целью было найти трех клиентов за первый месяц. Примерно так и получилось. Среди этой тройки оказался Skillbox. Нам очень повезло с ними. Мы начали свои продажи с рассылки предложения на почты потенциальным клиентам, и одним из адресатов был публичный ящик hello@skillbox.ru. К нашему удивлению, нам ответили! Было примерно так: - Мы делаем крутого чат-бота с ИИ, предлагаем вам попробовать. - Ок, давайте пробовать! Так мы и погрузились в «прод-прод» и реальные кейсы пользователей 🙂 Так что не бойтесь таких простых путей, как прямые продажи! # Самый сложный момент и как его преодолели Самый сложный момент мы проходим сейчас и связан он, как ни странно, с ИИ 😀 Мы очень близки к четкому пониманию как нам закрыть первую линию так, чтобы мы могли отмасштабироваться. Есть реальное понимание, что мы нащупываем p/m fit, но представьте, что ИИ — это ребенок, хоть и гениальный, от которого мы зависим. Поэтому приходится периодически работать с его капризами. Но мы справимся, и наши старания окупятся. [](https://www.youtube.com/watch?v=LRgREgbPIg)
Copilot для улучшения качества ответов в чатах техподдержки
Copilot — в широком смысле концепция, в которой человек и ИИ взаимодополняют друг друга (в биологии — симбиоз). Обычно человек формулирует задачу, а ИИ делает её части. В статье рассмотрены варианты взаимодействия ИИ и специалиста, в чатах хелпдесков. В первую очередь, helpdesk - это диспетчерская, которая помогает клиентам решать животрепещущие для них вопросы. Обычно helpdesk - это интернет сервис который включает в себя: - Инструменты получения вопросов пользователей из разных каналов (Сайт, Телеграм, Почта и т.д.) - Единый инструмент ответа на обращения пользователей и настройки флоу для разных типов вопросов. Вопросы пользователей обычно называют инцидентами, они проходят ряд стадий и в конце, когда проблема пользователя решена, закрываются. - Инструменты аналитики по операторам, типам вопросов, источников проблем. Благодаря аналитики компания улучшает всю систему поддержкой которой занимается. - База знаний в которую руководители служб поддержки добавляют ответы на часто задаваемые вопросы и другую информацию для унифицированных и качественных ответов всех операторов - Средства автоматизации - триггеры, интеграции, боты. Подробнее остановится на последнем пункте, а именно созданию чат-ботов для тех поддержки. Чтобы обеспечить высокий уровень тех поддержки компаниям нужно иметь отдел тех поддержки готовый к пиковым нагрузкам, но тогда в не пиковое время специалисты техподдержки будут простаивать. Обычно 70% вопросов и более - это типовые вопросы когда пользователю просто не охота изучать документацию: Старые сценарные боты работаю по правилам ЕСЛИ ..ТО и не могут отвечать на вопросы на естественном языке. Создание специальной нейросети - это очень дорого и сложно. Доступно только гигантам. Держать отдел тех поддержки готовый к пиковым нагрузкам дорого и обычно не рентабельно. В 2023 появилось новое решение задачи обеспечение качественных ответов в чате на естественном языке без больших вложений в разработку - это боты на основе больших языковых моделей (таких как ChatGPT, LLaMA). Они из коробки понимают естественный язык и им достаточно скормить базу знаний компании по технической поддержке. Такие чат-боты легко ответы на типовые вопросы, а сложные должны будут передать оператору. Как работают такие боты мы подробно рассказали в этом видео. И тут мы подходим к концепции симбиоза или Copilot. Многие профессионалы считают что в ближайшие годы ИИ радикально не заменит человека, но Copilot будет появится в куче профессий: - Github сделал супер крутой помощник для разработчиков Github Copilot - который дописывает функции, проверяет код, генерирует несложную логику. - Midjourney сделал тоже самое для дизайнеров и копирайтеров - быстрая помощь в создании рисунка или его прототипа - Тесла сделали Copilot для водителей ChatGPT - это Copilot без специализации, для всех кто работает с текстами В Google Workspace появился Duet которые помогает бизнес пользователям решать типичные задачи с документами и письмами Чат-бот и специалист тех поддержки вместе В самом простом случае чат-бот работает так: ЕСЛИ нашел статью с ответом на вопрос пользователя в базе знаний ТО дай ответ пользователю на основе информации в статье ИНАЧЕ переключи на оператора Конечно имеется много нюансов: обработка приветствий, прощания, мата, уточняющих вопросов и др. Однако есть и более интересные варианты симбиоза. Например когда оператор получает вопрос, в его текстовое поле ответа бот пишет ответ, а оператор решает отправить так или поправить. Также ИИ бот может подключаться к обычному сценарному боту на одной из веток. Например это удобно сделать когда на одном из шагов флоу слишком много вариантов ответа. Любопытно что один из наших клиентов самостоятельно изобрел Copilot, клиент опасался включать бота на реальных пользователей, поэтому изначально обязал специалистов тех поддержки посылать все вопросы пользователей боту. Благодаря этой идеи за месяц были выявлены проблемные вопросы, база знаний была доработана, а чат-бота выпустили в реальный процесс поддержки. И так я привел три варианта Copilot в чатах тех поддержки: 1. ИИ отвечает на простые вопросы, человек на сложные 2. ИИ генерирует ответ, человек решает отправить или дополнить 3. ИИ встраивается в сценарные боты Я думаю что любой хелпдеск должен обладать функциями ИИ, чтобы в будущем конкурировать на рынке. Было бы круто организовать открытую дискуссию о развитие хелдесков Присоединяйтесь к посту и расскажите свое видение Как считаете Copilot нужен в хелпдесках? Вы добавляете ИИ в ваш хелпдеск? Как планы на развитие хелпдеска в 2024? Я знаю что большинство пользователей не любит старых чат-ботов. Автомобиль раньше тоже был медленнее и не стабильнее лошади. Мы делаем новых умных чат-ботов чтобы быстрее решать ваши проблемы. Буду рад вашим ответам: - Расскажите о своем последнем опыте общения с ботом - Были ли случае когда бот хорошо ответил на ваши вопросы - Вы хотите знать что общаетесь с ботом или всё равно лишь бы дали нормальный ответ на ваш вопрос?
Создаем самообучаемый чат-бот, используя LLM, Vector DB и парсер сайта
Самая полезная и моя любимая площадка для DATA специалистов на русском – DataLearn. Я несколько раз хотел выступить на ней, но каждый раз стеснялся, поскольку очень плохо говорю (инвалид с детства – ДЦП) В этот раз нашёл силы преодолеть себя. Мы сделали классный проект в котором создаем самообучаемый чат-бот, используя большую языковую модель, Vector DB и парсер сайта. В итоге получается чат-бот который индексирует сайт и отвечает на вопросы по нему как человек. Все исходники в открытом доступе. Будем рады вашим лайкам и репостам в любых соц сетях. [](https://www.youtube.com/watch?v=8IRKx3d7tZY) Исходники https://github.com/TomLetoAI/chat-example
Пробуем Automatic.chat – сервис по созданию ИИ чат-бота по сайту
Сервисов, решающих задачу создания ИИ консультанта по базе знаний, становится все больше. Мы создаем сервис Wikibot — чат-бот с ИИ для поддержки клиентов. С учетом нашего опыта мы разберем самые интересные продукты и сервисы, представленные на рынке. Сравнение производится в августе 2023, функциональность сервисов постоянно изменяется, стоит это учитывать при прочтении статьи. Сегодня протестируем сервис automatic. chat и посмотрим его функционал. Поехали!  Главная Пробуем создать ИИ чат-бота по нашей документации за 10 сек. Отмечу что на главной странице лендинга — создать бота. Если мы ориентируемся на помощь службе поддержки компаний, то тут более широкое применение: ориентация на знания по сайту.  На портале очень удобный, анимированный мастер создания бота, который ведет пользователя по процессу. +1!  Тарифные планы Не пакеты сообщений на месяц, а тарифные планы. Пока не понятно, что делать в случае, когда наступит лимит по диалогам. Тариф сопоставимый с нами стоит 149$. В Августе 2023 года наша цена около 80$. Но у нас сейчас цена за ответ, а тут за диалог. Можно говорить, что этот сервис клиентам выйдет дешевле. Семь дней триала. Удобно и понятно. +1. По-нашему опыту клиенты за 2-3 дня принимают решение будут они пользоваться сервисом или нет. «Удаляемый подвал» — вероятнее всего про рекламу чат-бота и ссылка на сервис. +1  Портал Выбор бота, текущий тариф по нему и понятная статистика по остаткам диалогов с ботом, меню, выбор тарифа, настройки и данные. Очень минималистичный дизайн. Ничего лишнего.  Кастомизация Сообщение при входе на сайт и приветственное сообщение при открытии диалога разделены. Отдельная настройка сообщения в поле для ввода. Картинка аватара. Сделана удобно и понятно. Показывать источники, как опция. Выглядят как кнопки в отдельном блоке после ответа. Раскраска ответа от бота в цвет по выбору пользователя. Удобно. Настройка кнопки вызова чата по размеру и цвету. Есть настройка системного сообщения. Видимо это часть «Промта«, которое помогает боту лучше работать на конкретном сайте. По умолчанию стоит такое: »Вы — полезный помощник с искусственным интеллектом. Ваша цель — любезно помочь клиентам ответить на любой вопрос, который у них возникает о нашем веб-сайте, используя предоставленный контекст. Если ответ не соответствует контексту, скажите только «Хм… я не знаю». Игнорируйте историю чата, если это не важно.» Нет настройки языка ответа. Скорее всего определяется язык вопроса и ответ формируется соответствующий. Добавил в системное сообщение фразу «Give me an answer in French» и получил ответ на французском. Это очень гибкий инструмент индивидуальной настройки бота. +1  История сообщений Просмотр общений с ботом в виде выбора чата и отображения диалога, как его видел пользователь. Нет фильтров, даже поиска по сообщениям. Выгрузка истории разговоров в Excel. Просто лог вопросов и ответов.  Настройка источников Возможность индексировать сайт в автомате, работать по файлу или выбирать конкретные ссылки и страницы. Кнопка обучить повторно. Нет опции автоматического переобучения чат-бота по расписанию.  Встраивание Скрипты для встраивания на сайт. Возможность кастомизации, различные варианты встраивания: в виде кнопки или отдельным окном. Возможность расшарить бота отдельной страницей по индивидуальной ссылке.  Запросы на новый функционал Запросы о пользователей по ошибкам и новому функционалу доступны с портала. Можно увидеть процесс разработки в реальном времени, доступна доска с задачами команды разработки. Тестируем ответы GPT  Информацию по сайту ищет, ссылки выдает верно. В заблуждение не вводит.  Поиск по смыслу тоже работает. На сайте нет понятия “создатель”, но есть “основатель”. ИИ чат-бот сработал верно.  Под капотом GPT. Понимает и решает школьные задачи. Общий вывод. Работает. Получилось за 1 минуту создать ИИ чат-бота, который будет понимать вопросы и отвечать, выдавая ссылки на нужные документы. На что стоит обратить внимание и рассмотреть, как возможности: На первую страницу лендинга кнопка создать бота и сбор ссылки на документацию. Мастер создания бота с обучением и пояснением, как им пользоваться. Не пакеты ответов, а тариф. Это гораздо проще для клиента. Семь дней триала. Понятная для пользователя история Футер с информацией по нашему сервису, который удаляется на более дорогих тарифах. Свой чат, встраиваемый на сайт. Мы же интегрируемся с уже существующими популярными чатами. Системное сообщение для гибкой настройки ИИ под конкретного пользователя Автоматическое определение языка для ответа. Нет автоматического переобучения. Максимальная близость к пользователям и открытость в разработке. Сервис развивается вместе с клиентами.
Чат-бот с ИИ для службы поддержки
## Идея По мнению основателя Microsoft - Билла Гейтса, ИИ-помощники, которые будут разработаны в скором будущем, изменят привычки и потребности пользователей настолько, что используемые ныне сервисы поиска, онлайн-ритейл и другие знакомые нам способы онлайн-взаимодействия изменятся до неузнаваемости и совсем не факт, что нынешние технологические гиганты выиграют эту новую гонку. «Вы никогда больше не зайдете на сайт поиска, вы никогда не зайдете на сайт продуктивности, вы никогда больше не зайдете на Amazon», — сказал он, описывая потенциальных виртуальных ассистентов. В этом году мы стали свидетелями того как Большие языковые модели (LLM, GPT) стали почти обязательным инструментом для аналитиков, разработчиков, дизайнеров, менеджеров. Большую часть жизни мы занимались созданием аналитических систем для бизнеса, поэтому захотелось дать бизнесу мощь GPT. ## Продукт У хороших сервисов обычно есть нормальная документация, но пользователи B2B продуктов зачастую предпочитают просто спросить у тех поддержки в чате чем искать решение самому. Большую часть времени тех поддержка продукта обычно завалена простыми вопросам, обсуждая это проблему с одним из клиентов мы нашли идею для продукта. WikiBot - Чат-бот с ИИ, который индексирует документацию по продукту и может отвечать на типовые вопросы клиентов в тех поддержку. Цель WikiBot - сделать простое решение которое позволяет компаниям сократить расходы на зарплату технической поддержки и уменьшить среднее время ожидания ответа. ## Как это работает? - Вы дает ссылку на документацию по продукту - WikiBot индексирует вашу документацию или сайт по продукту и затем отвечает на вопросы пользователей как человек. Под капотом ChatGPT или другая большая языковая модель. - Вы выбираете через какой интерфейс WikiBot будет общаться с пользователем. Сейчас доступны Telegram, Jivo, почта (скоро будет больше) - Когда пользователь задает вопрос, сначала с помощью семантического поиска в базе знаний находятся документы наиболее подходящие по смыслу, затем из найденных документов с помошью LLM формируется ответ. ## Что сделано в первый месяц жизни Наша команда впервые собралась и приняла решения делать продукт 29 мая 2023, так что нам всего один месяц!! Что мы сделали за это время: - Проработали идею, нашли аналоги на западе, проанализировали их. - Разработали сервис, сайт - Сделали пример чат-бота - [Помощник по Excel](https://t.me/Excel_WikiBot) - Сделали рассылку друзьям в linkedin и телеграм 200+ писем - Сделали почтовую рассылку по компаниям 250+ писем - в основном это ИТ сервисы которые уже используют чаты для тех поддержки пользователей - Разработали 3 пилота и выходим с этими компаниями на договор ## Что дальше? Хотим демократизировать ИИ, делая четкие инструменты быстро дающие отдачу даже в небольших компаниях. Проиндексировать Вашу документацию и подключить к ней чат-бота можно прямо сейчас у нас на сайте.