Teil 1 – KI für den Kundendienst: Humangestützte virtuelle Agenten

Künstliche Intelligenz und Maschinelles Lernen tragen zu tiefgreifenden Veränderungen in vielen Bereichen bei – dazu gehört auch die Automatisierung des Kundendienstes. Das gilt nicht nur für Call Center, sondern auch für Kanäle wie die Interaktion im Netz, per SMS oder per Chat, denn Nutzer erwarten heute ein Angebot auf allen diesen Kanälen. Natürlich kann man sich die Frage stellen, ob ein Mensch oder ein automatisierter Agent der bessere Kundenberater ist. Für uns von Nuance ist das aber keine „Entweder-Oder“-Frage. Vielmehr sind wir davon überzeugt, dass eine Mischung aus menschlichen und automatisierten Kundendienst-Mitarbeitern die beste Lösung sein kann. In anderen Worten: ein humangestützter virtueller Agent.
Von

Dieser Blogbeitrag ist Teil einer Serie, die sich mit humangestützten virtuellen Agenten befasst und der Frage nachgeht, wie Maschinelles Lernen und Künstliche Intelligenz die Kundenerfahrung verbessern können.

Künstliche Intelligenz und Maschinelles Lernen tragen zu tiefgreifenden Veränderungen in vielen Bereichen bei – dazu gehört auch die Automatisierung des Kundendienstes. Das gilt nicht nur für Call Center, sondern auch für Kanäle wie den Kundendienst im Netz, per SMS oder per Chat, denn Nutzer erwarten heute einen Kundendienst auf allen Kanälen. Natürlich kann man sich die Frage stellen, ob ein Mensch oder ein automatisierter Agent der bessere Kundenberater ist. Für uns von Nuance ist das aber keine „Entweder-Oder“-Frage. Vielmehr sind wir davon überzeugt, dass eine Mischung aus menschlichen und automatisierten Kundendienst-Mitarbeitern die beste Lösung sein kann. In anderen Worten: ein humangestützter virtueller Agent.

Es gibt zwei unterschiedliche Herangehensweisen, um die Zusammenarbeit zwischen automatisiertem und menschlichem Kundenberater zu realisieren. Kunden haben in der Regel unterschiedliche Anliegen, mit denen sich der Kundendienst befassen muss. Diese können nicht nur wahnsinnig unterschiedlich sein, sondern auch bezüglich ihrer Komplexität weit auseinandergehen. Fragt ein Kunde etwa nach Informationen („Haben Sie nähere Informationen über das Produkt X?“, „Wie schalte ich die Funktion Y ein?“), dann ist das ein einfaches Anliegen, um das sich sowohl menschliche als auch automatisierte Agenten durch die Suche der richtigen Antwort in Datenbanken und Dokumenten relativ einfach kümmern können. Die komplexeren Anliegen erfordern dagegen den Zugriff auf mehrere Backend-Datenbanken und individuelle Kundendaten, sowie die Durchführung von Transaktionen („Stellen Sie meinen Zahlungsplan bitte von monatlich auf vierteljährlich um.“). In den folgenden Szenarien betrachten wir die Automatisierung einiger, aber (noch) nicht aller Anliegen.

three-way-chat-conversation

Stellen wir uns einen Chat zwischen einem Kunden und einem Kundendienstmitarbeiter vor. Der virtuelle Agent läuft im Hintergrund und durchsucht die Konversation permanent nach Anliegen, zu denen er automatisch Antworten generieren kann, etwa durch die Suche in entsprechender Dokumentation. Diese schlägt er dann dem menschlichen Agenten vor (zum Beispiel, indem eine Meldung im Display des menschlichen Agenten erscheint). So kann sich der menschliche Kundendienstmitarbeiter auf komplexere Anfragen konzentrieren und wesentlich effizienter arbeiten. Außerdem kann er die Meldungen, die der virtuelle Agent ihm anzeigt, überprüfen und ihm positives Feedback geben, sodass dieser seine Aufgaben immer besser erfüllt. Denn maschinelles Lernen ist auf das Vorhandensein von Daten angewiesen, für die die richtige Antwort bereits bekannt ist.

two-way-conversation

Im zweiten Szenario führt der virtuelle Agent die Chat-Konversation mit dem Kunden. In weniger komplexen Fällen kann er die Anfrage sofort und direkt beantworten. Bei Anliegen, die seine Wissensbank nicht abdeckt oder bei denen er sich seiner Antwort nicht sicher ist, kann er dagegen einen menschlichen Agenten fragen. Die tatsächliche Antwort übermittelt der virtuelle Agent allerdings selbst an den Kunden. Der Vorteil: Selbst in der Lernphase bekommt der Kunde die „Unsicherheit“ des virtuellen Agenten nicht mit, sondern hat vom ersten Tag an den Eindruck eines scheinbar perfekten Systems. Gleichzeitig lernt der virtuelle Agent kontinuierlich weiter und wird im Verlauf seiner Lernfortschritte immer seltener Hilfe benötigen –  die Erfahrung des Kunden aber bleibt unverändert.

Der virtuelle Agent nutzt also maschinelles Lernen dazu, seine Aufgaben immer besser zu lösen. Die meisten Techniken arbeiten im so genannten „überwachten“ Modus. Dabei dienen große Datenmengen als Lernbasis, die allerdings immer noch mehr oder weniger manuell mit der richtigen Antwort getaggt werden müssen. Sollen neurale Netze etwa trainieren, Gesichter zu erkennen, muss man ihnen Bilder zeigen, die mit den Namen der entsprechenden Person getaggt sind. Das gleiche gilt auch für die Sprecherkennung. Der Vorteil beider beschriebener Szenarien der Zusammenarbeit zwischen Mensch und Maschine: Wir bekommen alle Daten, die wir für das Maschinelle Lernen brauchen, „kostenlos“. Denn: der virtuelle Agent hat nicht nur Zugriff auf die Daten der Kundenanfragen, sondern auch auf die von einem menschlichen Agenten gelieferten richtigen Antworten.

Indem also der virtuelle Agenten vom menschlichen Kundendienstmitarbeiter fortwährend weiter geschult wird, lassen sich gleich mehrere Probleme von virtuellen Agenten lösen: 1.) Negative Kundenerfahrungen lassen sich reduzieren, da immer noch ein menschlicher Agent bei Fehlern eingreifen kann. 2) Menschliche Kundendienstmitarbeiter korrigieren den virtuellen Assistenten, indem sie einfach ihre Arbeit tun, quasi als Nebenprodukt, und haben so auch keinen Mehraufwand. Mit jeder Beantwortung von Kundenfragen generiert der Kundendienstagent annotierte und präzise Trainingsdaten in dem Format, das für hochentwickelte Deep-Learning-Technologien benötigt wird. Das Ergebnis ist ein virtueller Assistent, dessen Leistung sich immer auf dem aktuellen Stand der Technik befinden wird.

Im zweiten Teil dieser Blog-Serie werden wir in diesem Zusammenhang zwei spezifische Aufgaben und deren Lösung durch Techniken des Maschinellen Lernens, die diese Daten verwenden, näher betrachten.

Sources:

Schlagwörter: , , , , ,