Рольф: message-hub и умный чат-бот с ИИ

Компания «РОЛЬФ» — крупнейший дилерский холдинг РФ по объёмам продаж новых автомобилей. В сети компании из 60+ салонов в Москве и Санкт-Петербурге представлено более 20 марок автомобилей. В рейтинге крупнейших частных компаний Forbes 2019 РОЛЬФ признан лидером автомобильного ритейла в России. Компания уже 20 лет работает на отечественном рынке, и её штат насчитывает около 8000 сотрудников.

Мы создали единое информационное пространство по каждому медиапроекту для бренд-менеджеров компании РОЛЬФ и внешних подрядчиков и сделали единый месседж-хаб в рамках контакт-центра для обращений конечной b2c аудитории (Telegram, Whatsapp) на базе корпоративного решения 1С-Битрикс24.

В 2023 году мы создали и внедрили «умного» чат-бота с искуственным интеллектом на базе нейросетей и технологий машинного обучения.

Мы развернули корпоративный портал в компании из 8000 человек, внедрили меседж-хаб и настроили единое информационное пространство.

Внедрили многофункциональную чат-платформу, которая позволяет регламентировать и объединить в себе множество каналов b2c-коммуникаций с клиентами компании по разным продуктам.

Единый месседж-хаб интегирован в другие системы клиента для сбора статистики и эффективной работы существующих аналитических систем.

Агрегирование истории обращений b2c-клиентов в месседж-хабе позволяет выявлять самые эффективные команды/сотрудников дилерских центров и операторов колл-центра, анализировать обратную связь конечных клиентов компании РОЛЬФ.

Самая интересная и любимая часть проекта — умный чат-бот. При разработке мы прошли все стадии эволюции и развития чат-ботов, от диалогового интерфейса к распознаванию языковых конструкций (NLP), от использования API ChatGPT к созданию собственной модели на базе нейросети RASA.  

Чтобы понять как пользователи общаются с операторами компании, мы провели интервью и изучили тысячи диалогов. Исследовали особенности площадок и выделили ситуации, в которых подходит автоматизированный ответ, а также сценарии, в которых обязательно требуется консультация живого человека. Самым лучшими инструментами оказались диаграммы, с помощью которых мы смогли зафиксировать основные сценарии и спроектировать по ним работу алгоритмов.

Сначала мы разработали простого диалогового бота, который умел ходить по заранее заложеным сценариям или вызыавть «консультанта» передавая ему агрегированную информацию. 

Это сократило в 15 раз среднее время обработки обращения и разгрузило менеджеров (мы можем говорить о 20000 обращений в месяц)

Следующим этапом был уход от «простого» бота к распознаванию запроса пользователя на живом языке, выделяя интенты. Мы научили систему распознавать и квалифицировать целые формулировки, а также сложную терминологическую фактуру (названия марок и моделей автомобиля, артикулы автозапчастей, серийные номера)

Теперь бот стал не только выдавать справочную информацию, записывать клиентов на сервис, но также стал распознавать клиентов через контакты в базе CRM Битрикс24. При обращении, умный чат-бот сравнивает данные с базой и при необходимости обновляет их.

Третьим (промежуточным) этапом стала генерация ответов через API Open AI.

Ответы стали более дружелюбными и глубокими. 

Но у этого решения были и минусы: чат-бот слишком «разговорчивый», часто отвечал многословно, иногда теряя суть изначального запроса, либо слишком объемно выдавал ответы. 

Также нас не устраивала зависимость от внешнего, зарубежного коммерческого сервиса.

Финальным решением стало создание собственной модели на базе фреймворка RASA.

RASA - фреймворк для создания предметных диалогов с возможностью обучения. Использует библиотеку машинного обучения tensorflow. Написан фреймворк на языке Python. 

Состоит из двух частей NLU - обработка естественного языка и CORE - логика диалогов. 

NLU

Состоит из намерений (Intent), например фраза “Привет” и “Добрый день” будут относится к одному намерению - “greet”. 

Когда RASA обрабатывает входящий запрос (фразу), происходит определение к какому намерению он относится. 

При определении намерений используется вес текста, т.е. RASA распознает, к какому намерению какой вес подходит, и у кого этот вес больше, такое намерение и будет выбрано.

Также можно из текста извлекать определенные сущности (Entity), например имена, числа, города и т.д., которые определяются в конфигурации RASA и помогают понимать, какой сущности принадлежит то или иное слово.

Для определения намерения и выявления сущности, входные тексты превращаются в векторы (массивы) вещественных чисел (признаками). 

CORE

При определении намерения идет обработка возможных ответов (Responses), которые предопределяются в контексте того или иного намерения. 

В ответах определяются действия (Action), происходящие по логике историй (Stories). 

Истории - это примеры диалогов, где определяется последовательность намерений и действий. Благодаря историям, Rasa предсказывает, что нужно сделать в зависимости от тех или иных входящих запросов.

Действия могут в ответе отправлять, как текст, так и другие данные, например кнопку предопределенной формы в RASA или изображение.

Создаваются свои собственные действия на языке Python. Так мы кастомизируем логику и правила обработки сообщений

Базой для нашей модели стала модель машинного обучения Spacy.

Финальным этапом стало обучение и дообучение нашей модели. 

Теперь процесс ответов полностью соответствует изначально запланированным сценариям, а связь с CRM и message-hub позволила использовать исторические данные и более персонализировать взаимодействие пользователь-бот.