Розробка AI-IVR (інтелектуальне голосове меню)

Ми часто бачимо, як клієнти втрачають терпіння, пробиваючись через 4–7 рівнів тонального меню. «Натисніть 1, щоб... натисніть 2...» — такий DTMF-IVR дратує та відсіює до 40% дзвінків. Дослідження показують: 60% користувачів надають перевагу мовленнєвому інтерфейсу. Наш підхід — AI-IVR: система розуміє вільну мову, визначає намір за 1–2 запитання і маршрутизує дзвінок без кнопок. Ми впроваджуємо такі рішення останні 5 років, і замовники відзначають зниження часу обробки дзвінка на 30–50% та зростання задоволеності на 20 процентних пунктів. Це не просто заміна кнопок — це перехід від жорсткого дерева сценаріїв до адаптивного діалогу на основі LLM.

Проблеми, які вирішує AI-IVR

Традиційне тональне меню (DTMF) не справляється з нестандартними запитами, складно оновлюється та вимагає запам'ятовування послідовностей. AI-IVR на базі NLP (Natural Language Processing) та ASR замінює жорстке дерево сценаріїв гнучким діалогом. Клієнт каже: «У мене проблема з оплатою» — система сама розуміє, що потрібно в billing, і переводить.

Порівняння DTMF-IVR та AI-IVR

Важливо: AI-IVR не вимагає повної заміни інфраструктури — ми інтегруємо його поверх існуючої АТС через SIP або API.

Як AI-IVR розуміє намір клієнта?

В основі — LLM (Large Language Model), наприклад GPT-4o або LLaMA 3, яка отримує розшифровку мовлення (ASR) і визначає намір. Ми використовуємо few-shot prompting: у промпт передаємо список доступних напрямків і приклади фраз. Модель повертає JSON з destination та confidence. Якщо впевненість нижча за 0.75 — система ставить уточнювальне запитання. Цей підхід обробляє 95% запитів без залучення оператора.

class AIIVR: def __init__(self, routing_config: dict): self.destinations = routing_config["destinations"] self.llm = AsyncOpenAI() async def handle_call(self, call: IncomingCall) -> str: """Обробляємо вхідний дзвінок — повертаємо destination""" # Привітання await call.say( "Добрий день! Вас вітає {company}. Як я можу вам допомогти?" ) # Слухаємо намір (до 8 секунд) user_input = await call.listen(timeout_sec=8, silence_threshold_ms=800) if not user_input: return await self.handle_silence(call) # Розпізнаємо намір та маршрутизуємо route = await self.recognize_intent(user_input) if route["confidence"] >= 0.75: return await self.route_call(call, route["destination"]) else: return await self.clarify_intent(call, user_input) async def recognize_intent(self, user_input: str) -> dict: destinations_description = "\n".join( f"- {d['id']}: {d['description']}" for d in self.destinations ) response = await self.llm.chat.completions.create( model="gpt-4o-mini", messages=[{ "role": "system", "content": f"""Визнач куди направити дзвінок. Доступні напрямки: {destinations_description} Поверни JSON: {{"destination": "id", "confidence": 0.0-1.0}}""" }, {"role": "user", "content": user_input}], response_format={"type": "json_object"} ) return json.loads(response.choices[0].message.content) async def route_call(self, call: IncomingCall, destination: str) -> str: dest = next(d for d in self.destinations if d["id"] == destination) # Підтвердження маршрутизації await call.say(dest.get("routing_message", f"Переводжу вас у {dest['name']}...")) if dest["type"] == "queue": await call.transfer_to_queue(dest["queue_id"]) elif dest["type"] == "extension": await call.transfer(dest["extension"]) elif dest["type"] == "bot": await call.transfer_to_bot(dest["bot_id"]) return destination 

Конфігурація напрямків (YAML/JSON)

Шляхи маршрутизації задаються в простому конфігу — додати новий напрямок можна без передеплою.

destinations: - id: technical_support name: "Технічна підтримка" description: "Проблеми з сервісом, помилки, не працює" type: queue queue_id: tech_support_q routing_message: "З'єдную з технічною підтримкою. Зачекайте, будь ласка." - id: billing name: "Оплата та рахунки" description: "Питання оплати, рахунки, заборгованості, тарифи" type: bot bot_id: billing_bot - id: sales name: "Продажі та нові підключення" description: "Підключити послугу, новий договір, тарифи" type: queue queue_id: sales_q 

Які бізнес-показники покращує AI-IVR?

За даними Gartner, впровадження інтелектуального IVR знижує навантаження на першу лінію підтримки на 40–60%. AI-IVR обробляє до 80% дзвінків без участі оператора — це в 3 рази більше, ніж DTMF. Середній час розмови скорочується вдвічі. Економія на операторах досягає 50% при масштабуванні. За рахунок зниження навантаження ви можете перерозподілити персонал на складніші завдання.

Як AI-IVR інтегрується з існуючою АТС?

Інтеграція виконується через SIP trunk або REST API. Ми підключаємось до Asterisk, 1С-Бітрікс24, Cisco, Genesys та інших без повної заміни інфраструктури. Система працює як проміжний шар: приймає дзвінок, обробляє діалог і передає управління назад до АТС. Для on-premise використовуємо vLLM з квантизацією INT4 — це знижує витрати на GPU до 4 разів порівняно з FP16.

Чому latency критична для AI-IVR?

Якщо ASR + LLM займає більше 3 секунд, користувач кидає трубку. Ми використовуємо streaming ASR (наприклад, Whisper у реальному часі) та кешування інтентів для частих запитів. Типова latency p99 — 1.5–2 секунди. Для зниження затримок застосовуємо квантизацію моделей та інференс на Triton Inference Server.

Процес роботи

Ми впроваджуємо AI-IVR у кілька етапів:

Загальний термін для типового проекту — 4–6 тижнів. Для пілота з 3–5 напрямками — 2–3 тижні.

Що входить у роботу

• Документація: архітектурна схема, опис промптів, інструкція з додавання напрямків.
• Доступи: до системи логування та моніторингу (Grafana, ELK), до API для самостійного оновлення конфігів.
• Навчання: воркшоп для команди (4 години) з управління AI-IVR та донавчання на нових сценаріях.
• Підтримка: 2 тижні після запуску — щоденні стендапи та фікс багів за пріоритетом.

Типові помилки при впровадженні

1. Занадто багато напрямків у промпті (більше 10) — знижує точність. Оптимально 5–7.
2. Відсутність fallback-сценарію при тривалому мовчанні — система має перепитувати або переводити на оператора.
3. Ігнорування latency: якщо ASR + LLM займає більше 3 секунд, користувач кидає трубку. Ми використовуємо streaming ASR та кешування інтентів.
4. Погана обробка неоднозначних запитів — без уточнювального запитання клієнт може потрапити не туди.

Замовте демонстрацію AI-IVR під ваш сценарій — ми оцінимо проект за один день і запропонуємо рішення з гарантією результату. Отримайте консультацію інженера: наші спеціалісти допоможуть підібрати оптимальну архітектуру.