Partie 1 – L’IA appliquée au service client : comment tirer parti des assistants virtuels supervisés

L’automatisation du service client est l’un des cœurs de cible des développeurs de solutions d’intelligence artificielle (IA) et de machine learning (apprentissage automatique). Au-delà des centres d’appel, cette automatisation peut désormais s’étendre aux divers canaux de communication utilisés par les consommateurs, comme le Web et les chats. Elle n’implique pas nécessairement d’exclure toute intervention humaine. D’ailleurs, chez Nuance, nous pensons que c’est en associant l’homme à des agents de service client automatisés que les entreprises ont le plus de chances d’améliorer leur expérience client, autrement dit, en ayant recours à des assistants virtuels supervisés (Human-Assisted Virtual Agent, HAVA).
Par

Cet article est le premier d’une série consacrée aux assistants virtuels supervisés et aux potentiels d’amélioration de l’expérience client des technologies de machine learning et d’intelligence artificielle.

L’automatisation du service client est l’un des cœurs de cible des développeurs de solutions d’intelligence artificielle (IA) et de machine learning (apprentissage automatique). Au-delà des centres d’appel, cette automatisation peut désormais s’étendre aux divers canaux de communication utilisés par les consommateurs, comme le Web et les chats. Elle n’implique pas nécessairement d’exclure toute intervention humaine. D’ailleurs, chez Nuance, nous pensons que c’est en associant l’homme à des agents de service client automatisés que les entreprises ont le plus de chances d’améliorer leur expérience client, autrement dit, en ayant recours à des assistants virtuels supervisés (Human-Assisted Virtual Agent, HAVA).

Avant de nous intéresser aux deux usages possibles d’un tel système, examinons de plus près les tâches concernées. Tout d’abord, il convient de prendre en compte la variété des demandes potentielles des clients ou, en d’autres termes, leurs intentions. On peut en distinguer des centaines, de complexité variable. A titre d’exemple, les demandes d’informations (sur des produits, sur le fonctionnement d’un appareil, etc.) sont particulièrement faciles à satisfaire. Une simple recherche dans une base de données documentaire suffit, et cette opération peut être réalisée aussi bien par le personnel de service client que par un système automatisé. Mais les services client peuvent également être amenés à répondre à des demandes plus complexes, qui impliquent d’interroger plusieurs bases de données en back-end et de réaliser des transactions spécifiques (passer du prélèvement mensuel au prélèvement trimestriel, etc.). Les scénarios qui suivent illustrent comment automatiser (progressivement) la gestion de ces intentions.

three-way-chat-conversation

Dans notre premier scénario, l’assistant virtuel opère en coulisses tandis que l’agent chatte avec un client. Il suit les conversations et suggère à l’agent toute réponse qu’il trouve aux questions du client (en les affichant dans la fenêtre de conversation de l’agent, par exemple). Ainsi, l’agent gagne du temps et peut se concentrer sur les questions les plus complexes. L’assistant virtuel peut également vérifier si les réponses offertes sont pertinentes et se baser sur ces évaluations pour gagner progressivement en efficacité (nous y reviendrons).

two-way-conversation

Dans le second scénario, le chat avec le client est géré par l’assistant virtuel, qui répond à toutes les questions auxquelles il peut répondre. En cas de questions non résolues par sa base de connaissances ou de doute sur la réponse à fournir, il peut faire intervenir un agent mais demeure le seul interlocuteur du client tout au long de la procédure. Cette approche présente l’avantage d’offrir aux clients un service immédiatement optimal, même en phase de rodage de l’assistant virtuel, lequel sollicitera de moins en moins le personnel à mesure qu’il développera sa base de connaissances, en totale transparence pour les clients.

Cette optimisation progressive suppose de recourir à des technologies de machine learning, qui exigent pour la plupart une certaine supervision humaine, pour recueillir les (innombrables) données composant la base de connaissances du système et les associer entre elles pour générer des réponses pertinentes. Dans le cas d’un réseau neuronal de reconnaissance faciale, par exemple, il s’agit d’associer des photographies au nom des personnes qui y figurent. Les systèmes de reconnaissance vocale nécessitent quant à eux des milliers d’heures d’enregistrements vocaux « annotés ». En revanche, dans nos deux scénarios, l’assistant virtuel fait directement le lien entre les demandes des clients et les réponses pertinentes des agents.

Contrairement aux assistants virtuels classiques, l’approche HAVA :

  1. Limite les risques de mauvaise expérience client en faisant intervenir un agent en cas de doute

  2. N’implique aucune surcharge de travail pour le personnel de service client. Il est Inutile de relier entre elles d’innombrables informations pour créer l’assistant virtuel. Celui-ci enrichit sa base de connaissances automatiquement, au fil des échanges entre le personnel et les clients. Les réponses aux questions des clients sont enregistrées sous forme d’informations annotées exploitables par les technologies de deep learning sophistiquées, qui permettent au système de se perfectionner constamment.

Dans le second article de cette série, nous verrons comment automatiser la gestion de deux demandes de client type grâce aux techniques de machine learning.

Sources:

Étiquettes : , , , , ,