🤝 Как доверить AI общение с клиентами
Если ИИ-ассистент предоставит неточный ответ о стоимости, характеристиках продукта или условиях услуги, это повлияет на решение и лояльность покупателя. Чтобы снизить риски и повысить качество ответов, можно использовать эти четыре техники:
1️⃣ Задать правила в системном промпте
Это инструкция, которая определяет поведение модели. Обычно в промпте описывают роль и задачу, допустимые действия и ограничения, правила работы с источниками, формат и стиль ответа.
Например, можно запретить модели использовать информацию вне контекста, попросить сообщать о нехватке данных и добавлять ссылку на источник после каждого утверждения.
2️⃣ Подключить базу знаний
RAG — подход, при котором LLM отвечает на запрос пользователя по внутренним данным компании. Система находит релевантные фрагменты текста и передаёт их модели вместе с вопросом.
Например, для интернет-магазина такой базой знаний могут стать каталог с описаниями и характеристиками товаров, информация о компании, условия заказа и доставки.
Данные нужно регулярно обновлять, очищать от дублей и проверять на противоречия. Чем больше в базе устаревшей и неоднозначной информации, тем сложнее системе подобрать релевантный контекст.
3️⃣ Показать примеры качественных ответов
Реальные диалоги помогают понять, какие формулировки использовать и как действовать. Соберите репрезентативный набор из частых вопросов клиентов и ответов сотрудников, которые решили задачу и соответствуют стандартам компании.
Перед запуском проверьте ассистента на этой выборке. Это поможет найти вопросы, на которых он ошибается, и доработать промпт, базу знаний или примеры.
4️⃣ Собрать нестандартные кейсы
Типовые обращения не охватывают инциденты, редкие условия и неожиданные запросы. Такие случаи стоит сохранять вместе с правильным сценарием действий и пополнять ими базу кейсов для LLM.
Перед ответом ИИ-ассистент оценивает, хватает ли ему данных. Если запрос выходит за рамки известных сценариев, диалог передаётся оператору. После решения новый кейс добавляют в базу, чтобы в следующий раз система могла обработать похожее обращение.
👉 В Smartbot AI можно настроить такой сценарий: ИИ-ассистент классифицирует входящие запросы и переводит диалог на сотрудника, если не может подготовить обоснованный ответ. Так компания автоматизирует коммуникации, но при этом сохраняет контроль человека в нужных точках.
#кирилл_роксман
Если ИИ-ассистент предоставит неточный ответ о стоимости, характеристиках продукта или условиях услуги, это повлияет на решение и лояльность покупателя. Чтобы снизить риски и повысить качество ответов, можно использовать эти четыре техники:
1️⃣ Задать правила в системном промпте
Это инструкция, которая определяет поведение модели. Обычно в промпте описывают роль и задачу, допустимые действия и ограничения, правила работы с источниками, формат и стиль ответа.
Например, можно запретить модели использовать информацию вне контекста, попросить сообщать о нехватке данных и добавлять ссылку на источник после каждого утверждения.
2️⃣ Подключить базу знаний
RAG — подход, при котором LLM отвечает на запрос пользователя по внутренним данным компании. Система находит релевантные фрагменты текста и передаёт их модели вместе с вопросом.
Например, для интернет-магазина такой базой знаний могут стать каталог с описаниями и характеристиками товаров, информация о компании, условия заказа и доставки.
Данные нужно регулярно обновлять, очищать от дублей и проверять на противоречия. Чем больше в базе устаревшей и неоднозначной информации, тем сложнее системе подобрать релевантный контекст.
3️⃣ Показать примеры качественных ответов
Реальные диалоги помогают понять, какие формулировки использовать и как действовать. Соберите репрезентативный набор из частых вопросов клиентов и ответов сотрудников, которые решили задачу и соответствуют стандартам компании.
Перед запуском проверьте ассистента на этой выборке. Это поможет найти вопросы, на которых он ошибается, и доработать промпт, базу знаний или примеры.
4️⃣ Собрать нестандартные кейсы
Типовые обращения не охватывают инциденты, редкие условия и неожиданные запросы. Такие случаи стоит сохранять вместе с правильным сценарием действий и пополнять ими базу кейсов для LLM.
Перед ответом ИИ-ассистент оценивает, хватает ли ему данных. Если запрос выходит за рамки известных сценариев, диалог передаётся оператору. После решения новый кейс добавляют в базу, чтобы в следующий раз система могла обработать похожее обращение.
👉 В Smartbot AI можно настроить такой сценарий: ИИ-ассистент классифицирует входящие запросы и переводит диалог на сотрудника, если не может подготовить обоснованный ответ. Так компания автоматизирует коммуникации, но при этом сохраняет контроль человека в нужных точках.
#кирилл_роксман