論文の概要: Contact Complexity in Customer Service
- arxiv url: http://arxiv.org/abs/2402.15655v1
- Date: Sat, 24 Feb 2024 00:09:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 17:43:22.519094
- Title: Contact Complexity in Customer Service
- Title（参考訳）: 顧客サービスにおけるコンタクト複雑性
- Authors: Shu-Ting Pi, Michael Yang, Qun Liu
- Abstract要約: カスタマーサービスサポートに手を差し伸べる顧客は、複雑さのさまざまな問題に直面している可能性がある。
これに取り組むために、顧客の問題の複雑さを正確に予測する機械学習モデルが非常に望ましい。
我々は,接触複雑性を定義するための新しい機械学習手法を開発した。
- 参考スコア（独自算出の注目度）: 21.106010378612876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Customers who reach out for customer service support may face a range of
issues that vary in complexity. Routing high-complexity contacts to junior
agents can lead to multiple transfers or repeated contacts, while directing
low-complexity contacts to senior agents can strain their capacity to assist
customers who need professional help. To tackle this, a machine learning model
that accurately predicts the complexity of customer issues is highly desirable.
However, defining the complexity of a contact is a difficult task as it is a
highly abstract concept. While consensus-based data annotation by experienced
agents is a possible solution, it is time-consuming and costly. To overcome
these challenges, we have developed a novel machine learning approach to define
contact complexity. Instead of relying on human annotation, we trained an AI
expert model to mimic the behavior of agents and evaluate each contact's
complexity based on how the AI expert responds. If the AI expert is uncertain
or lacks the skills to comprehend the contact transcript, it is considered a
high-complexity contact. Our method has proven to be reliable, scalable, and
cost-effective based on the collected data.
- Abstract（参考訳）: カスタマーサービスのサポートに手を差し伸べる顧客は、複雑さの異なるさまざまな問題に直面します。
ジュニアエージェントに高複雑さのコンタクトをルーティングすることは、複数の転送や繰り返しのコンタクトにつながるが、上級エージェントに低複雑さのコンタクトを指示することは、プロの助けを必要とする顧客を支援する能力に負担を与える可能性がある。
これに取り組むために、顧客の問題の複雑さを正確に予測する機械学習モデルが非常に望ましい。
しかし、非常に抽象的な概念であるため、接触の複雑さを定義することは難しい作業である。
経験豊富なエージェントによるコンセンサスベースのデータアノテーションは可能な解決策であるが、時間とコストがかかる。
これらの課題を克服するために,接触複雑性を定義する新しい機械学習アプローチを開発した。
人間のアノテーションに頼る代わりに、エージェントの振る舞いを模倣するAI専門家モデルを訓練し、AI専門家の反応に基づいて、各コンタクトの複雑さを評価しました。
AIの専門家が不確実か、あるいは連絡先を理解できない場合、高い複雑さの接触と見なされる。
本手法は, 収集したデータに基づいて信頼性, スケーラビリティ, 費用対効果を実証した。
関連論文リスト
- Teacher-Student Learning on Complexity in Intelligent Routing [19.32977689162711]
我々は、顧客の連絡先の複雑さを予測する機械学習フレームワークを開発し、それらを適切なエージェントにルーティングする。
実験によると、このようなフレームワークは成功しており、顧客のエクスペリエンスを大幅に改善できる。
本稿では、顧客サービスの有効性を統計的に評価する、複雑性AUCと呼ばれる有用な指標を提案する。
論文 参考訳（メタデータ） (2024-02-24T00:40:40Z) - ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。
エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。
引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
論文 参考訳（メタデータ） (2023-12-15T18:20:15Z) - In-Context Ability Transfer for Question Decomposition in Complex QA [6.745884231594893]
複雑な問合せ課題を解決するために,icat(In-Context Ability Transfer)を提案する。
複雑な質問を単純な質問に分解したり、ステップバイステップの合理性をLSMに生成することができる。
本研究では, 数値推論, 構成複素QA, 不均一複素QAを含む多種多様な複雑なQAタスクについて大規模に実験を行った。
論文 参考訳（メタデータ） (2023-10-26T11:11:07Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳（メタデータ） (2023-04-30T22:51:31Z) - Intent Recognition in Conversational Recommender Systems [0.0]
会話における入力発話を文脈化するためのパイプラインを導入する。
次に、逆機能エンジニアリングを活用して、コンテキスト化された入力と学習モデルをリンクして、意図認識をサポートするための次のステップを踏み出します。
論文 参考訳（メタデータ） (2022-12-06T11:02:42Z) - Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。
我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
論文 参考訳（メタデータ） (2022-03-19T03:22:57Z) - Towards Collaborative Question Answering: A Preliminary Study [63.91687114660126]
我々は、モデレーターによって調整された複数の専門家エージェントが協力して、単一のエージェントだけでは答えられない質問に答える新しいQAタスクCollabQAを提案する。
専門家に分散可能な,大規模な知識グラフの合成データセットを作成する。
専門家が完璧で均一でない限り,コラボレーション構造を導入することなく,この問題が解決可能であることを示す。
論文 参考訳（メタデータ） (2022-01-24T14:27:00Z) - PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via
Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。
提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
論文 参考訳（メタデータ） (2021-06-09T14:10:50Z) - Towards an AI assistant for human grid operators [59.535699822923]
電力システムは、デジタル時代の運用がより複雑になっている。
人間のオペレーターがより多くの情報を扱う必要があるため、リアルタイムの意思決定はますます困難になっている。
より統一的でインタラクティブなフレームワークの下で、ヒューマンマシンインターフェースを再考する必要がある。
論文 参考訳（メタデータ） (2020-12-03T16:12:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。