論文の概要: "Ask Me Anything": How Comcast Uses LLMs to Assist Agents in Real Time
- arxiv url: http://arxiv.org/abs/2405.00801v1
- Date: Wed, 1 May 2024 18:31:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 20:32:52.701287
- Title: "Ask Me Anything": How Comcast Uses LLMs to Assist Agents in Real Time
- Title(参考訳): Ask Me Anything:ComcastがLLMを使ってエージェントをリアルタイムで支援する方法
- Authors: Scott Rome, Tianwen Chen, Raphael Tang, Luwei Zhou, Ferhan Ture,
- Abstract要約: エージェント対応のカスタマーサービスインターフェースにアドオン機能として"Ask Me Anything"(AMA)を導入します。
AMAは、顧客との会話を扱うため、エージェントが要求に応じて大きな言語モデル(LLM)に質問することを可能にする。
AMAと従来の検索体験のエージェントは、検索を含む会話に約10%の時間を費やしていることがわかった。
- 参考スコア(独自算出の注目度): 9.497432249460385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Customer service is how companies interface with their customers. It can contribute heavily towards the overall customer satisfaction. However, high-quality service can become expensive, creating an incentive to make it as cost efficient as possible and prompting most companies to utilize AI-powered assistants, or "chat bots". On the other hand, human-to-human interaction is still desired by customers, especially when it comes to complex scenarios such as disputes and sensitive topics like bill payment. This raises the bar for customer service agents. They need to accurately understand the customer's question or concern, identify a solution that is acceptable yet feasible (and within the company's policy), all while handling multiple conversations at once. In this work, we introduce "Ask Me Anything" (AMA) as an add-on feature to an agent-facing customer service interface. AMA allows agents to ask questions to a large language model (LLM) on demand, as they are handling customer conversations -- the LLM provides accurate responses in real-time, reducing the amount of context switching the agent needs. In our internal experiments, we find that agents using AMA versus a traditional search experience spend approximately 10% fewer seconds per conversation containing a search, translating to millions of dollars of savings annually. Agents that used the AMA feature provided positive feedback nearly 80% of the time, demonstrating its usefulness as an AI-assisted feature for customer care.
- Abstract(参考訳): カスタマーサービスとは、企業が顧客と対話する方法である。
顧客満足度全体に大きく貢献できます。
しかし、高品質なサービスは高価になり、可能な限りコスト効率を上げるインセンティブを生み出し、ほとんどの企業がAIアシスタント(チャットボット)を利用するように促す。
一方で、特に紛争や請求書支払いのようなセンシティブなトピックといった複雑なシナリオに関しては、顧客から人間へのインタラクションが依然として望まれています。
これにより、カスタマーサービスエージェントのバーが上がります。
顧客の質問や懸念を正確に理解し、受け入れがたいソリューションを特定し(そして会社の方針の中で)、同時に複数の会話を処理しなければなりません。
本稿ではエージェント対応のカスタマーサービスインターフェースにアドオン機能として"Ask Me Anything"(AMA)を導入します。
AMAは、エージェントが要求に応じて大きな言語モデル(LLM)に質問することを可能にする。
内部実験では、AMAと従来の検索体験のエージェントが、検索を含む会話の1秒あたり約10%短縮され、年間数百万ドルの貯蓄に変換されることがわかった。
AMA機能を使用したエージェントは80%近くを肯定的なフィードバックとして提供し、AIによるカスタマーケア機能としての有用性を示した。
関連論文リスト
- ProductAgent: Benchmarking Conversational Product Search Agent with Asking Clarification Questions [68.81939215223818]
ProductAgentは,戦略的明確化質問生成機能と動的製品検索機能を備えた対話情報探索エージェントである。
我々は,製品特徴の要約,クエリ生成,製品検索のための戦略を持ったエージェントを開発する。
実験の結果,ProductAgentはユーザとポジティブに対話し,対話のターンの増加に伴う検索性能の向上を図っている。
論文 参考訳(メタデータ) (2024-07-01T03:50:23Z) - Question Suggestion for Conversational Shopping Assistants Using Product Metadata [24.23400061359442]
本稿では,Large Language Models (LLMs) を用いて,製品に関する文脈的,有用な,応答可能な,流動的で多様な質問を自動的に生成するフレームワークを提案する。
これらの質問を顧客に対して、会話の開始と継続の両方に役立つ提案やヒントとして提案することは、よりスムーズで高速なショッピング体験をもたらす。
論文 参考訳(メタデータ) (2024-05-02T21:16:19Z) - Can AI Assistants Know What They Don't Know? [79.6178700946602]
AIアシスタントが知らない質問に答えることを拒否したことは、幻覚を減らし、アシスタントを真実にする重要な方法である。
モデル固有の"Idk"データセット(Idk)を構築し、その既知の未知の質問を含む。
Idkデータセットに合わせると、アシスタントは未知の質問のほとんどに答えることを拒否した。
論文 参考訳(メタデータ) (2024-01-24T07:34:55Z) - Salespeople vs SalesBot: Exploring the Role of Educational Value in
Conversational Recommender Systems [78.84530426424838]
既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。
このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。
私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
論文 参考訳(メタデータ) (2023-10-26T19:44:06Z) - A system for Human-AI collaboration for Online Customer Support [16.22226476879187]
本稿では,人間支援エージェントがAIエージェントとリアルタイムで協調して顧客の質問に満足して答えるシステムを提案する。
本稿では,AIエージェントに関わる機械学習技術とともに,ソリューションのユーザインタラクション要素について述べる。
論文 参考訳(メタデータ) (2023-01-28T11:07:23Z) - INSCIT: Information-Seeking Conversations with Mixed-Initiative
Interactions [47.90088587508672]
InSCItは、混合開始型インタラクションによる情報探索会話のためのデータセットである。
ユーザーエージェントは805対人会話から4.7Kである。
対話型知識認識とオープンドメイン質問応答の最先端モデルに基づく2つのシステムの結果を報告する。
論文 参考訳(メタデータ) (2022-07-02T06:18:12Z) - TWEETSUMM -- A Dialog Summarization Dataset for Customer Service [13.661851509322455]
6500人近い注釈付き要約を含む,最初の大規模,高品質,顧客ケアダイアログ要約データセットを紹介した。
データは現実世界のカスタマーサポートダイアログに基づいており、抽出と抽象の両方の要約を含んでいる。
また,ダイアログに特有な非教師付き抽出要約手法も導入した。
論文 参考訳(メタデータ) (2021-11-23T14:13:51Z) - TWEAC: Transformer with Extendable QA Agent Classifiers [46.53093713855772]
文献には多岐にわたる専門的なQAエージェントが存在すると論じる。
したがって、特定の質問に適したQAエージェントを効率的かつ効率的に特定する方法に関する中央研究の質問に対処します。
TWEACが94%の精度で総合的に最高のパフォーマンスを達成できることを実証し、この課題に対処するための監督されたアプローチと監督されていないアプローチの両方を研究します。
論文 参考訳(メタデータ) (2021-04-14T19:06:11Z) - Unsupervised Contextual Paraphrase Generation using Lexical Control and
Reinforcement Learning [3.2811284938530636]
自己回帰モデルを用いた文脈パラフレーズ生成のための教師なしフレームワークを提案する。
また, 意味的類似性, テクスト的含意, 表現の多様性, フラレンシに基づく自動測定法を提案し, 文脈的パラフレーズの質を評価する。
論文 参考訳(メタデータ) (2021-03-23T18:22:03Z) - Evaluating Empathetic Chatbots in Customer Service Settings [6.523873187705393]
顧客からの質問に応答する混合スキルチャットボットモデルは、感情を認識し、適切な共感を示すように訓練された場合、実際のエージェント応答によく似ている。
分析には、20の有名なブランドから顧客サービスコンテキストで数百万の顧客->エージェントダイアログの例を含むTwitterのカスタマーサービスデータセットを活用します。
論文 参考訳(メタデータ) (2021-01-05T03:34:35Z) - Can You be More Social? Injecting Politeness and Positivity into
Task-Oriented Conversational Agents [60.27066549589362]
人間エージェントが使用する社会言語は、ユーザーの応答性の向上とタスク完了に関連しています。
このモデルは、ソーシャル言語理解要素で拡張されたシーケンスからシーケンスまでのディープラーニングアーキテクチャを使用する。
人的判断と自動言語尺度の両方を用いたコンテンツ保存と社会言語レベルの評価は,エージェントがより社会的に適切な方法でユーザの問題に対処できる応答を生成できることを示している。
論文 参考訳(メタデータ) (2020-12-29T08:22:48Z)
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。