Stemmebots er allerede blevet værdifulde medarbejdere, som kan yde bedre service til
En af mulighederne for at løse dette problem erforudindspillet manuskript til forskellige situationer, herunder en samtale med en vred samtalepartner. Det giver voice bot mulighed for at tilpasse sig situationen og yde relevant hjælp. Dette kan kaldes programmeret empati, hvis hovedtilstand er evnen til korrekt at genkende en persons følelser og reagere på dem. Og det nuværende niveau for teknologiudvikling øger EQ (fra den engelske. Emotional Quotient, "emotional intelligence" - "High-tech") af stemmebots betydeligt. For eksempel identificerer TWIN-robotter korrekt grundlæggende følelser i 96% af tilfældene: positive, negative eller neutrale.
Men at skabe empatiske bots, der kansimulering af EQ takket være forudindspillede scripts kræver stor computerkraft, hvilket betyder, at deres omkostninger automatisk stiger. Dette er ikke altid rentabelt for erhvervslivet. Det er derfor, robotten ofte skifter samtalen til en levende medarbejder, så snart dialogen kræver empatisk kommunikation.
Hvordan stemmesoftware genkender en persons humør
Stemmefølelsesdetektion er en mikrotjenestegradvist at lære ved eksempel. For at gøre dette indsamler de mange dialoger mellem botten og klienten og analyserer deres kvalitet og vurderer, hvor korrekt robotten genkendte følelsen. Fejl rettes og erstattes med den korrekte version i systemet.
Dette kan dog ikke lade sig gøre uden en person.Analysen og mærkningen af følelser udføres af lingvister, der klart definerer nuancerne af tale og reaktioner: positive, negative eller grundlæggende. De lytter til en masse dialoger, hvorfra de udvælger episoder med udtalte følelsesmæssige overtoner, kategoriserer dem og indtaster dem i den relevante database. Dette skaber et sæt datasæt eller modeller, der danner grundlaget for botens følelsesmæssige intelligens. Det er meget vigtigt, at mærkningen udføres af en professionel, da selv en lille fejl fuldstændig kan "dræbe" hele datasættet.
Efter den mærkede prøvemodelDataene er klar, den neurale netværkstræningsfase begynder. På dette stadium er der ud over kvaliteten af datasættene brug for de bedste ML-ingeniører (machine learning-specialister - Hi-Tech). Derudover er det værd at vælge teknologistakken omhyggeligt. Dette er den eneste måde, hvorpå systemet vil fungere perfekt, idet det genkender den følelsesmæssige farve af næsten enhver tale, med undtagelse af hvisken.
De største vanskeligheder ved at genkende følelser:
- Forskellige følelsesmæssige nuancer- Selv en person kan have svært ved at skelne mellem bekymring og irritation. Det er derfor, de i øjeblikket skelner mellem tre grundlæggende følelser: Dette giver os mulighed for at reducere fejlen.
- Udtryk for følelser— robotten er ofte afhængig aftil verbale formuleringer. Denne tilgang er dog ikke altid effektiv. For eksempel indikerer uanstændigt sprog i sig selv ikke nødvendigvis negativitet. Derfor opdelte TWIN to mikrotjenester til følelsesregistrering: Den ene er trænet i stemme og bruges i opkald, den anden trænes i tekster og bruges i chats.
I hvilke områder har bots brug for at kunne skelne mellem følelser?
Service support
Servicestøtte involverer oftesituationer, hvor klienten hurtigt skal overføres fra robotten til operatøren, især hvis personen har en negativ holdning. Virksomheder i transportbranchen står ofte over for et typisk opkald: en vred bruger ringer til et kontaktcenter, der ikke modtog en ordre til tiden. Efter at have modtaget opkaldet hører robotten en masse kritik mod virksomheden, men kan ikke reagere tilstrækkeligt. Vi lærte en lektion fra sådanne situationer: Nu overføres opkaldet automatisk til operatøren, så snart systemet identificerer negative følelser.
Følelsesmæssig intelligens bliver en del af tjenesteninden for e-handel. For eksempel lærte Amazon sin stemmeassistent Alexa at genkende følelser ved intonation. Funktionen hjælper sandsynligvis med at forbedre kommunikationskvaliteten for den smarte assistent og brugerne. Og Emotibot tilbyder en stemmeassistent til e-handelstjenester efter salg. Bot justerer svarene til samtalens stemning for at forhindre optrapning af klager.
Analytics
Callcentre begynder også at eksperimentere medfølelsesgenkendelsesteknologi for at evaluere kvaliteten af servicen. For eksempel kan systemet analysere operatørens tale for forekomsten af negative konnotationer af tale: dette styrer kommunikationen mellem medarbejdere og kunder og forhindrer regelmæssige overtrædelser af kommunikationsetik.
Stemmeteknologi med følelsesgenkendelseDe hjælper også med at analysere dynamikken i kundesentimentet: for eksempel at afgøre, om kunder generelt er blevet mere irriterede eller omvendt har fundet mere brandloyalitet. Dette giver en forståelse af, om automatiseringen af callcenteret går godt, eller om nogle processer skal forbedres. For eksempel blev en lignende teknologi testet af Rosbank. Som et resultat af analysen af dialogen mellem bot og klient modtager lederen en statistisk rapport for hvert opkald, der afspejler sådanne data som dynamikken i forbrugertilfredshedsindekset og en sammenlignende indikator for serviceeffektivitet.
salget
Følelsestilstand påvirker direktekøbers vilje til at foretage et køb. Det er nemmere for en person at sælge noget, når han er i godt humør. Forskning bekræfter dette: for eksempel viste et hviderussisk eksperiment en direkte forbindelse mellem positive følelser og viljen til at kommunikere med en salgschef samt overordnet brandloyalitet.
At genkende følelser kan øge indkomsten frabots, der håndterer blybehandling. Så for eksempel ved at stole på denne markør er en sælgerrobot i stand til straks at overføre et opkald til en "live" medarbejder for ikke at gå glip af en "hot" lead. I fremtiden vil dette værktøj sandsynligvis blive brugt af de fleste virksomheder, hvor bots er involveret i at kalde en kold eller varm base.
Udviklingsindustrien har allerede foreslåetonline forhandlere en guide-bot, der kan fungere som digital konsulent og opbygge en dialog med brugeren ud fra hans karakter (botten bestemmer ham ud fra hans følelser). Sådanne løsninger er dog først lige kommet ind i undersøgelses- og teststadiet af markedet, så de har endnu ikke modtaget massedistribution.
Skulle robotten genkende samtalens køn
Kunder ønsker at se en individuel tilgang tilservice i enhver branche. I en SmarterHQ-undersøgelse indrømmede to tredjedele af forbrugerne, at de kun engagerer sig i samtaler, når de modtager personlige beskeder. Dette dikterer behovet for at fortsætte med at arbejde på at gøre stemmebots smartere, segmentere samtalepartnere baseret på forskellige kriterier, hvoraf det mest åbenlyse er køn.
Kønsgenkendelse giver dig mulighed for at opbygge tale medunder hensyntagen til dette kriterium og også reducere procentdelen af fejl ved opkald til en abonnent. For eksempel, hvis Natalia er opført i databasen, og en mandlig samtalepartner tog telefonen, vil boten være i stand til med det samme at reagere og sige: "Kan jeg tale med Natalia?" i stedet for "Hej, Natalia".
Det er det samme med opkald.Lad os simulere situationen: Robotten rekrutterer en klient, hvis navn i databasen er Natalya. Derfor skifter han til kommunikationsmåden med en kvinde. Men pludselig tager Natalyas mand eller bror telefonen og siger: "Undskyld, jeg er ikke Natalya." Hvis robotten ikke bestemmer samtalepartnerens køn med stemmen, kan der opstå en sjov situation: klienten vil bevise, at han ikke er Natalya, og robotten vil fortsætte med at kommunikere med Natalya, og samtalen vil højst sandsynligt ende meget hurtigt.
Selvfølgelig kan du helt opgive navne oghenvende sig til alle på en samlet måde, for i cirka 3 % af tilfældene tager en person, der ikke er opført under registreringen, telefonen. Men for forhandlere vil det for eksempel koste et par loyalitetspoint. Forestil dig bare: du har bestilt et produkt fra en onlinebutik, og før du sender det, ringer en bot og spørger, om det vil være praktisk at modtage din ordre i den nærmeste fremtid. En navnløs adresse vil gøre samtalen kold, mens et simpelt "Hej, Sergey!" vil blødgøre det meget. Det er meget nyttigt at huske Dale Carnegies slagord: "En persons navn er den sødeste og vigtigste lyd for ham på ethvert sprog." Dette bekræftes af forskerne Dennis P. Carmody og Michael Lewis, som beviste, at vores hjerne går i ekstase, når vi hører vores navn, som øjeblikkeligt fokuserer opmærksomheden på lyden.
Så for at undgå akavede situationer,mens det ikke ofrer forbrugerlojalitet, er det nødvendigt at skelne mellem mænd og kvinder med stemmen. Vores bots bestemmer for eksempel korrekt en persons køn i 98% af tilfældene. I Vesten er en lignende funktion udstyret med My Voice AI, som også kan bestemme den omtrentlige alder og følelsesmæssige tilstand.
Robotter er lige begyndt at udforske dybetmenneskelig tale og skelne klientens humør eller køn. Teknologi vil sandsynligvis komme hurtigere fremover. Gartner forudsiger, at 10% af alle enheder vil være udstyret med følelsesmæssig diagnostik om to år. Dette vil uundgåeligt stimulere udviklingen af markedet for systemer til analyse og følelsesgenkendelse: ifølge MarketsAndMarkets vil det vokse fra 21,6 mia. $ I 2019 til 56 mia. Dollar i 2024 med en gennemsnitlig årlig vækstrate på 21%.
Se også:
Astronomer har fundet en exoplanet med en underlig bane
Dommedagsbreen viste sig at være farligere end forskere troede. Vi fortæller det vigtigste
Jorden er i gang med den sjette udryddelse. Hvordan vil dette påvirke menneskeheden