Разработка AI-системы автоматического подбора ответа из базы знаний для оператора
Agent Assist — AI-система, которая в реальном времени подбирает релевантные статьи и готовые ответы для оператора поддержки. Оператор видит предложения рядом с диалогом и может принять или адаптировать их одним кликом.
Принцип работы
Система работает параллельно с диалогом оператора: каждое новое сообщение клиента — триггер для поиска. Latency критична: предложение должно появляться до того, как оператор начнёт печатать ответ. Цель: < 1 секунда.
[Новое сообщение клиента]
→ [Intent detection: тема обращения]
→ [Parallel search]:
├── Векторный поиск по базе знаний
├── BM25 поиск по FAQ
└── Поиск по архиву аналогичных решённых тикетов
→ [Re-ranking по релевантности]
→ [Генерация предложения ответа (опционально)]
→ [Отображение в панели оператора]
Источники для подбора
- База знаний (Confluence, Notion, внутренняя вики): статьи и инструкции
- Архив тикетов: аналогичные решённые обращения — практические примеры
- Шаблоны ответов: готовые формулировки для типовых ситуаций
- Документация продукта: технические спецификации, API-документация
Интерфейс в панели оператора
Боковая панель показывает 3–5 наиболее релевантных статей с краткими анонсами. Клик → вставка содержимого в поле ответа с возможностью редактирования. Кнопка «Вставить как есть» для готовых шаблонов.
Метрики принятия: suggestion acceptance rate (цель > 55%), modification rate (как часто оператор редактирует предложение перед отправкой), AHT (Average Handling Time) до/после внедрения.
Обучение на принятых/отклонённых предложениях
Каждый acceptance/rejection — сигнал для переобучения ранжировщика. A/B тест разных алгоритмов ранжирования на подмножестве операторов. Через 3–6 месяцев acceptance rate вырастает с 40% до 60–70% за счёт обучения на данных.