Synology هي شركة تقدم حلول إدارة البيانات. مع قاعدة مستخدمين عالمية تبلغ 13 مليون عملية تثبيت، نتعامل مع ما يقرب من 280.000 تذكرة دعم فني سنويًا، من استفسارات المنتج البسيطة إلى استشارات التكوين المعقدة في بيئات تكنولوجيا المعلومات المؤسسية. لإنشاء تجربة خدمة عملاء عالية الجودة وسريعة، أنشأنا فريقًا للذكاء الاصطناعي قبل أربع سنوات واستخدمنا تقنيات التعلم الآلي لتوصية المواد المرجعية ذات الصلة للمستخدمين عندما يطرحون الأسئلة. يتيح هذا النهج حل حوالي 50.000 من حالات الدعم الفني السنوية لدينا بسرعة.
ثم جاء ظهور نماذج اللغة الكبيرة (LLMs) مثل GPT-3 في عام 2020 وChatGPT في نهاية عام 2022، والتي أحدثت ثورة في مجال معالجة اللغة الطبيعية. أظهرت هذه النماذج قدرات غير مسبوقة في فهم وتوليد نص يشبه النص البشري، مما فتح إمكانيات جديدة لتحسين أنظمة دعم العملاء.
لا تعد نماذج اللغة الكبيرة الحل الأمثل لتحسين خدمة العملاء، على الأقل ليس بشكل مباشر
على الرغم من اكتساب نماذج اللغة الكبيرة شعبية كبيرة، إلا أنها ليست مناسبة بشكل مباشر لمعالجة مشكلات الدعم لدينا. وهناك عدة أسباب لذلك. أولاً، تتضمن بيانات تدريب نماذج اللغة الكبيرة مزيجًا من المصادر، مثل المنتديات التابعة لجهات خارجية والمقالات القديمة والمحتوى الذي ينشئه المستخدم، والذي قد لا يعكس دائمًا أحدث المعلومات أو الدقة.
وعلاوة على ذلك، قد تكافح هذه النماذج أيضًا لتقديم المعرفة الفنية الدقيقة أو الحلول لحالات الدعم الفريدة التي تتطلب فهمًا محددًا للسياق. عندما يعرض المستخدم مشكلة، نحتاج إلى تحديد ما إذا كان يجب الإجابة بناءً على المعلومات المقدمة، أو طلب المزيد من التفاصيل، أو تحديد الأسئلة المناسبة لطرحها. وهذا لا يتطلب السياق الأوسع للمشكلة فحسب، بل يتطلب أيضًا فهمًا دقيقًا لممارسات الدعم والقيود التي تفرضها Synology.
وهنا يأتي دور Retrieval-Augmented Generation (RAG) كحل ممتاز. RAG هي تقنية تستخدم على نطاق واسع لتحسين دقة إخراج نموذج اللغة الكبيرة. يسترجع البيانات من قواعد بيانات خارجية موثوقة لتوفير معلومات سياقية دقيقة، والتي يستخدمها الذكاء الاصطناعي بعد ذلك لتوليد الاستجابات المناسبة. يساعد هذا النهج في الحفاظ على دقة النتيجة وارتباطها بالموضوع وضمان امتثال الاستجابات للسياسات الداخلية.
إعطاء الأولوية لخصوصية البيانات كأساس
يعتمد نظام الدعم القائم على RAG على بنية من أربع خطوات مصممة لضمان خصوصية العملاء ودقتهم وكفاءتهم. تبدأ العملية ببناء قاعدة بيانات RAG، حيث نستخدم بيانات الخدمة الفنية التاريخية من عام مضى حتى يومنا هذا. تتضمن هذه الخطوة الحاسمة عملية إزالة التعريف الشاملة لحماية خصوصية عملائنا.
بعد إزالة التعريف، نقوم بتقسيم البيانات وفهرستها لمعالجة أكثر كفاءة عند بناء قاعدة بيانات RAG الخاصة بنا. بالإضافة إلى ذلك، نطبق التضمين الدلالي على هذه الكتل، مما يتيح عمليات بحث متقدمة عن التشابه الدلالي من خلال تحديد واسترجاع المحتوى ذي الصلة بالسياق. من تجربتنا، من الأفضل الاحتفاظ بمزيد من البيانات السياقية عند إجراء التقسيم، مما يسمح ببعض التداخل بين كل جزء من البيانات. يؤدي هذا النهج إلى نتائج بحث تتوافق بشكل أفضل مع نية العميل.
تعليم الذكاء الاصطناعي “فهم” احتياجات العملاء
تتضمن المرحلة التالية معالجة تذاكر الدعم الجديدة. عندما يرسل العميل تذكرة، نقوم أولاً بإزالة التعريف لإخفاء هوية المعلومات الحساسة وحماية خصوصيته. ثم نقوم بتحليل التذكرة لفهم نية العميل وتحديد ما إذا كانت هناك حاجة إلى استجابة الذكاء الاصطناعي. على سبيل المثال، لنفترض أن تذكرة دعم العميل تتضمن طلب مستشار دعم فني، كما هو الحال عندما يطلب العميل بنشاط تشخيص الاتصال عن بُعد أو استكشاف الأخطاء وإصلاحها. في هذه الحالة، ليست هناك حاجة للذكاء الاصطناعي لتقديم إجابة.
يكمن مفتاح مرحلة تحليل النية في معايير الاستجابة، حيث من الأهمية بمكان تحديد استراتيجيات استجابة النظام لنوايا العملاء المختلفة وتحديد متى يجب على النظام إما الانتقال إلى أخصائي خدمة أو طلب المزيد من المعلومات من العميل أو استخراج المحتوى وتوليده مباشرة من قاعدة البيانات.
استرداد المعلومات ذات الصلة من قاعدة بيانات RAG
بمجرد أن يفهم الذكاء الاصطناعي السياق بشكل أكثر شمولاً، تتضمن الخطوة الثالثة إنشاء آلية بحث قوية. تتم إعادة كتابة سؤال العميل لتحسينه لاستخراج المعلومات من قاعدة بيانات RAG الخاصة بنا. نستخدم أيضًا طريقة البحث الدلالي التي تسمح لنا باستخراج التذاكر السابقة من الأنواع ذات الصلة وتوفير سياق غني لتوليد الاستجابات.
تعتمد جودة نتائج البحث لدينا بشكل كبير على نهج تقسيم البيانات لدينا. لمعالجة هذه المشكلة، نعمل على تطوير نموذج متقدم لإعادة الترتيب يستخدم التعلم العميق لإعادة معايرة نتائج البحث استنادًا إلى درجات التشابه المحسوبة. تهدف طبقة المعالجة الإضافية هذه إلى تعزيز أهمية ودقة المعلومات التي نقدمها، مما يؤدي في النهاية إلى تحسين قدرتنا على تلبية احتياجات عملائنا بدقة أكبر.
إنشاء استجابات متوافقة مع السياسات بإشراف بشري
في الخطوة الأخيرة، نقوم بإنشاء إجابات بناءً على المعلومات المعالجة. نقوم بإنشاء مطالبة باستخدام النية التي تم تحليلها والسؤال المعاد كتابته والبيانات ذات الصلة المستخرجة. ثم تخضع الاستجابة الناتجة لسلسلة من فحوصات السياسات والمزيد من الحواجز الواقية لضمان عدم تقديم معلومات حساسة مثل أوامر وحدة التحكم أو تفاصيل الوصول عن بُعد أو أي شيء دقيق من الناحية السياقية ولكنه قد لا يكون متاحًا أو قابلاً للتطبيق في سيناريوهات معينة. تساعد هذه الفحوصات في الحفاظ على الأمان والحفاظ على الاستجابات ضمن النطاق المناسب للدعم بمساعدة الذكاء الاصطناعي.
أخيرًا، سيساعد الحاجز الواقي في تحديد ما إذا كانت الاستجابات الناتجة صالحة للرد الآلي. إذا قرر الحاجز الأمني أن التذاكر تتطلب تدخل موظفي الدعم، فإننا نقدم الاقتراح الذي تم إنشاؤه بواسطة الذكاء الاصطناعي إلى موظفي دعم العملاء لدينا. يتخذ موظفو الدعم هؤلاء الحكم النهائي بشأن ملاءمة ودقة الاستجابة قبل وصولها إلى العميل.
استجابة أسرع بمقدار 20 مرة، وكفاءة أكبر
تسمح لنا الهندسة المعمارية بدمج الذكاء الاصطناعي التوليدي مع الحفاظ على المعايير العالية للدقة والأمان التي يتوقعها عملاؤنا من دعم Synology. من خلال تسخير قوة LLM وRAG أثناء أتمتة الردود على الاستفسارات الروتينية، حققنا أوقات استجابة أسرع بما يصل إلى 20 مرة من ذي قبل.
مع استمرارنا في تحسين نظام الدعم الذي يعمل بالذكاء الاصطناعي، فإننا نركز على تعزيز دقة الاستجابة وأهميتها لقاعدة المستخدمين العالمية المتنوعة لدينا. سنستمر في التكيف مع الاختلافات الإقليمية في تفضيلات المنتج والقضايا المشتركة وسياسات الامتثال. يضمن هذا النهج أن اقتراحاتنا التي تم إنشاؤها بواسطة الذكاء الاصطناعي دقيقة من الناحية الفنية ومتوافقة مع اللوائح والممارسات المحلية. من خلال توفير استجابات أكثر دقة، نهدف إلى تحرير المزيد من فريق الدعم لدينا للتعامل مع القضايا الأكثر صعوبة والأكثر إلحاحًا والتي تتطلب لمسة إنسانية. يساعدنا هذا على العمل بكفاءة أكبر مع الاستمرار في تقديم المساعدة عالية الجودة والمخصصة لعملاء Synology والتي يتوقعونها من فريق دعم العملاء لدينا.