Hvordan kan generativ KI og samtalebaserte grensesnitt forbedre kundereisen? Dette ønsket Color Line å utforske, og sammen med Bouvet ble det utviklet en KI-assistent i form av en chatbot. Les hvordan assistenten har gjort arbeidshverdagen mer effektiv.
Formålet med prosjektet var å utforske om kundeserviceopplevelsen for både kundeservicesmedarbeidere og kunder hos Color Line kunne forbedres ved å benytte generativ KI-teknologi.
Den nyutviklede KI-assistenten er fortsatt under testing og utvikling, men erfarne kundeservicemedarbeidere gir allerede positive tilbakemeldinger:
- Assistenten gjør at de sparer tid som kan brukes på andre oppgaver.
- Med fem marked å holde seg oppdatert på mener de verktøyet er genialt med én arbeidsflate for informasjon.
- Assistenten har godt språkøre og oversetter perfekt. Noe som er en stor fordel for medarbeidere som håndterer fire språk.
- Assistenten finner og synliggjør eventuell inkonsistent informasjon, slik at dette blir oppdaget og kan bli korrigert
- Ikke minst er medarbeiderne begeistret og imponert.
Sluttproduktet vil være en assistent som kan besvare alle mulige spørsmål
Min hypotese er at vi ved hjelp av KI-assistenten kan redusere 15 % tidsbruk på informasjon, fakta, produktsøk og språk, og 20% tidsbruk på opplæring av nye medarbeidere.
Avdelingsleder Kundesenter i Color Line.Slik ble KI-assistenten til
Teamet fra Bouvet jobbet tett med kundeservice i Color Line og følgende forutsetninger ble satt for utviklingen av KI-assistenten:
Gjenbruk av eksisterende data og informasjon
- Tilgang til tilstrekkelig data og informasjon for at det skal gi verdi
- Bruk av eksisterende innsikt, det vil ikke bli innhentet ny innsikt
Bruke Microsoft Copilot Studio
- Hyllevare som lar oss komme raskt i gang
- Snakker fint sammen med eksisterende systemer (også ikke-Microsoft)
Tilgang til nødvendige ressurser fra Color Line
- For sparring, avklaringer og validering underveis
- Basert på dette ble det bygd en smart assistent som benytter generativ KI for å sammenstille, oversette og tilgjengeliggjøre informasjon til medarbeidere på kundesenteret.
- Vi utarbeidet to hypoteser basert på formålet med prosjektet.
- Vi laget en chatbot i MS Copilot Studio.
- Chatboten var satt til å finne og hente informasjon fra Color Line sine nettsider (alle land) og andre relevante interne datakilder.
- Utvalgte kundeservicemedarbeidere (testere) benyttet chatboten i sitt daglige arbeid (skarpt) gjennom en to ukers pilotperiode.
- Under pilotperioden gjorde vi fortløpende feilrettinger og forbedringer basert på tilbakemeldinger fra testerne på kundesenteret.
Med de nye verktøyene i Microsoft Copilot Studio er det nå betydelig enklere å utvikle Copilot-løsninger for både ekstern og intern bruk. Den innebygde funksjonaliteten for grounding (RAG), tilpassede språkmodeller og generative funksjoner gjør det enkelt å bygge nye grensesnitt mot systemer og kundeflater. Disse grensesnittene kan integreres sømløst med en rekke kunnskapsbaser og systemer.
Philip Havig, avdelingsleder og KI-entusiast hos Bouvet.
Løsningen er kjempespennende og har stort potensiale for å forbedre hverdagen for kundeservicearbeiderne.
Kundeservicemedarbeider, Color LineKan KI forbedre kundeserviceopplevelsen?
Løsningen har bekreftet at KI effektiviserer kundebehandlingen, i tillegg til å gi bedre informasjon. Løsningen er fortsatt i test, men foreløpig er tilbakemeldingene fra testerne gjennomgående positive og de mener det er stort potensiale i løsningen.
De som har testet løsningen opplever at de har blitt mer effektive og at de får gjennomgående gode svar på et kvalitativt godt språk. Største gevinst per nå er språkhjelpen der kundeservicebehandlerne kan be om svar på andre språk, noe som er veldig tidsbesparende både for kundeservicebehandlerne og for kundene.
En annen gevinst med stor verdi er at mangel på struktur og datakvalitet ikke lenger blir et like stort problem. KI ser sammenhengene i ustrukturert informasjon og setter det i system, som betyr at man ikke er avhengig av at struktur og datakvalitet er på plass i forkant. Man hopper rett og slett over ledd i prosessen som historisk har vært både tidkrevende og kostbart.
.png)
Supert å kunne gå ett sted for å finne riktig informasjon.
Kundeservicemedarbeider, Color LineVeien videre
Bouvet bistår nå Color Line med å sette chatbotten i drift og gjøre den tilgjengelig for alle kundeservicemedarbeiderne. I veikartet ligger det også planer om å tilgjengeliggjøre en smart chatbott også direkte for kundene.
Dette er RAG (Retrieval Augmented Generation)
Veldig enkelt forklart er RAG en teknikk som gjør det mulig å bruke de ferdigtrente store språkmodellene med egne data.
Forklart på en annen måte:
Retrieval (Hente): Systemet søker først etter relevant informasjon fra en database eller dokumenter. For å gjøre dette brukes noe som kalles embeddings og vektordatabase.
Embeddings (innbygginger) er numeriske representasjoner av tekst som fanger betydningen og konteksten til ord eller uttrykk. De hjelper AI med å forstå og sammenligne relevansen av ulike informasjonsbiter.
En vektordatabase er der embeddings lagres. Når AI trenger å hente informasjon, søker den i denne databasen etter de mest relevante embeddings (dvs. den mest relevante informasjonen).
Augmented (Forsterket): Genereringen av svar forsterkes av spesifikk data.
Generation (Generere/Lage): Den bruker deretter denne innhentede informasjonen til å lage et mer nøyaktig og kontekstuelt passende svar
Dette er Generativ AI/KI
Generativ AI er en type kunstig intelligens som kan lage nytt innhold, som tekst, bilder, musikk eller videoer. Den lærer fra eksisterende eksempler og bruker den kunnskapen til å skape noe nytt som ligner på det den har lært.
For eksempel kan en generativ AI skrive en ny historie eller lage et bilde som ser ut som et maleri.
