کسب‌و‌کارنو

چت‌بات ازکی نرخ ارجاع به اپراتور را از ۳۵ درصد به ۹ درصد رساند

رویداد امروز: نسل تازه چت‌بات ازکی با معماری جدید مبتنی بر مدل‌های زبانی، توانسته درخواست کاربران برای اتصال به اپراتور انسانی را از حدود ۳۵ درصد به تنها ۹ درصد کاهش دهد. این موضوع را محمود کهنسال، معاون تکنولوژی ازکی، در رویداد «هوش مصنوعی، بازاریابی و تبلیغات» اعلام کرد.

او در ابتدای ارائه خود با مرور مسیر چند دهه‌ای هوش مصنوعی توضیح داد که موج فعلی AI ادامه روندی است که از دهه‌های گذشته آغاز شده و نقطه عطف آن معرفی معماری ترنسفورمر در سال ۲۰۱۷ بوده است؛ معماری‌ای که مسیر توسعه مدل‌های زبانی بزرگ را باز کرد و سرعت تحول این حوزه را به‌طور چشمگیری افزایش داد.

چرا مدل‌سازی در ایران به‌صرفه نیست؟

کهنسال گفت بازیگران اصلی لایه‌های زیرساخت و مدل‌سازی شرکت‌های بزرگ جهانی هستند و برای شرکت‌های ایرانی، با توجه به محدودیت منابع، تمرکز روی لایه محصول و تجربه مشتری منطقی‌تر است. او تأکید کرد ارزش واقعی زمانی خلق می‌شود که هوش مصنوعی وارد فرآیند تصمیم‌گیری و تعامل با مشتری شود.

شکاف میان هیجان و ارزش واقعی AI

به گفته او، بررسی‌های مک‌کنزی نشان می‌دهد هرچند ۸۸ درصد شرکت‌ها از هوش مصنوعی استفاده می‌کنند، تنها ۴ درصدشان به ارزش‌آفرینی پایدار رسیده‌اند؛ موضوعی که به‌گفته او نشان‌دهنده شکاف میان هیجان اولیه و ارزش واقعی هوش مصنوعی است.

تجربه ازکی در ساخت چت‌بات؛ یک بار شکست، یک بار بازگشت

معاون تکنولوژی ازکی توضیح داد نخستین نسخه چت‌بات این پلتفرم در سال ۱۴۰۱ ساخته شد اما به‌دلیل بلوغ‌نیافتگی مدل‌های زبانی زمان خود، پروژه بسیار پرهزینه بود و در نهایت متوقف شد.

اما در سال ۱۴۰۳، ازکی با تکیه بر مدل‌های زبانی جدید، معماری تازه‌ای مبتنی بر LLM و RAG طراحی کرد. این ساختار امکان دسترسی دقیق‌تر چت‌بات به دانش بیمه‌ای و تولید پاسخ‌های کنترل‌پذیر را فراهم کرد و نتیجه آن کاهش چشمگیر نرخ ارجاع به اپراتور و بهبود تجربه کاربران بود.

پروژه Benefix و شخصی‌سازی پیشنهادهای بیمه‌ای

کهنسال در ادامه به پروژه شخصی‌سازی کارت‌های بیمه در صفحه مقایسه ازکی اشاره کرد؛ پروژه‌ای که با نام Benefix توسعه یافته است.

او گفت تعیین اینکه پس از استعلام قیمت، کدام کارت بیمه و با چه ترتیبی نمایش داده شود، تاثیر مستقیم بر نرخ خرید و حاشیه سود دارد. تیم ازکی ابتدا شاخصی با عنوان «مزیت مقایسه‌ای» تعریف کرد، سپس داده‌های لازم را ساخت و مدل پیش‌بینی احتمال خرید را توسعه داد. به‌دنبال چند مرحله A/B تست، این شاخص چند بار بهبود یافت و اثراتی تا حدود ۱۵ درصد نسبت به وضعیت اولیه به همراه داشت.

هوش مصنوعی، ابزار بازطراحی تجربه مشتری

کهنسال در پایان تأکید کرد که در ازکی، هوش مصنوعی یک ترند نیست و باید KPI داشته باشد. به‌گفته او، هرجا تصمیم‌گیری وجود دارد—از پاسخ‌دهی تا قیمت‌گذاری—AI می‌تواند ارزش خلق کند، اگر درست و با نگاه ارزش‌آفروده از آن استفاده شود.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا