What’s next.

Beständiger Fortschritt im Neu-Erfinden der Beziehung zwischen Mensch und Technik.

What’s next:
In der Entwicklung

×

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
KI für den Kundendienst
KI für den Kundendienst – der humangestützte virtueller Agent

Künstliche Intelligenz und Maschinelles Lernen tragen zu tiefgreifenden Veränderungen in vielen Bereichen bei. Eine ist 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 sehr 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 könnten sich sowohl menschliche als auch automatisierte Agenten durch die Suche der richtigen Antwort in Datenbanken relativ einfach kümmern. Die komplexeren Anliegen erfordern dagegen den Zugriff auf mehrere Backend-Datenbanken. Sowie der Zugriff auf individuelle Kundendaten und die Durchführung von Transaktionen. Z.B. „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

Wie läuft so ein Gespräch ab?

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. Er sucht z.B. in entsprechender Dokumentation, um automatische Antworten generieren zu können. Diese schlägt er dann dem menschlichen Agenten vor. Beispielsweise 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. Anliegen, die seine Wissensbank nicht abdeckt oder bei denen er sich seiner Antwort unsicher ist, kann er  einen menschlichen Agenten fragen. Die tatsächliche Antwort übermittelt der virtuelle Agent allerdings selbst. Der Vorteil: Selbst in der Lernphase bekommt der Kunde die „Unsicherheit“ des virtuellen Agenten nicht mit. Vielmehr hat er vom ersten Tag an den Eindruck eines scheinbar perfekten Systems. Gleichzeitig lernt der virtuelle Agent kontinuierlich weiter. Im Verlauf seiner Lernfortschritte wird er immer seltener Hilfe benötigen. Die Erfahrung des Kunden aber bleibt unverändert.

Welche Probleme löst der virtuelle Assistent?

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.
  3. 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.

Den ganzen Artikel lesen

Mehr aus der Redaktion

Dragon nutzt Deep Learning - für genauere Spracherkennung
Zielgerichtete Anwendung von neuronalen Netzen führt zu einer Steigerung der Produktivität
Neue Technologie, die Meetings transkribiert
Es ist nicht immer so einfach wie es scheint