Nutzen Sie die semantische Suche, um Antworten an der ersten Position zu erhalten

In dieser Sitzung wird Smart Answers vorgestellt, die auf Deep Learning und semantischen Vektoren basierende Lösung, die Chatbots und Suchfelder so antreibt, dass die Antworten an erster Stelle stehen. Sie müssen nicht mehr scrollen oder Ihre Fragen neu formulieren. Das Ergebnis sind weniger Supportfälle für Ihr Support-Team und zufriedenere Kunden, die schnelle Antworten auf ihre Fragen erhalten.

Präsentiert auf der Activate Customer Service 2021. Mit der Verbreitung von auf Deep Learning basierenden Produkten wie Alexa, Google Home und Siri sind Ihre Kunden und internen Benutzer daran gewöhnt, schnelle Antworten auf ihre Fragen zu erhalten. Stellen Sie sich vor, Sie hätten die gleiche Möglichkeit, die Fragen Ihrer Kunden auf Ihrer Website schnell zu beantworten, entweder über einen Chatbot oder über ein einfaches Suchfeld. Der Schlüssel liegt darin, die richtige Antwort an erster Stelle zu geben, unabhängig davon, wie die Frage gestellt wird. Der letzte Teil ist entscheidend, denn die meisten Fragen, die auf natürlicher Sprache basieren, können typische lexikalische Suchmaschinen sprengen.

In dieser Sitzung wird Smart Answers vorgestellt, die auf Deep Learning und semantischen Vektoren basierende Lösung, die Chatbots und Suchfelder so antreibt, dass die Antworten an erster Stelle stehen. Sie müssen nicht mehr scrollen oder Ihre Fragen neu formulieren. Das Ergebnis sind weniger Supportfälle für Ihr Support-Team und zufriedenere Kunden, die schnelle Antworten auf ihre Fragen erhalten. Ein weiterer Vorteil: Interne Supportmitarbeiter können dieselbe Lösung nutzen, so dass sie Fälle schneller und effektiver abschließen können.

Sprecher:
Brian Land, Lucidworks Direktor für Lösungsentwicklung

Abschrift:

Brian Land: Hallo und herzlich willkommen zu dieser Sitzung. Ich bin Brian Land und arbeite hier bei Lucidworks in der Solutions Engineering Group. Und heute werden wir über die Nutzung der semantischen Suche sprechen, um Antworten an erster Stelle im Bereich Kundenservice zu erhalten. Wir werden also eine kurze Präsentation halten und dann ein paar Demos zeigen, wie das funktioniert. Aber zunächst möchte ich ein wenig über mich und ein kleines Projekt erzählen, das ich während der COVID hatte.

Ich habe einen dieser maßgefertigten Sprinter-Vans gebaut, die Sie vielleicht auf den sozialen Netzwerken gesehen haben, aber ich habe viel gelernt, ich habe es geliebt. Unsere Familie liebt es, zu zelten, zu surfen, Mountainbike zu fahren und so weiter. Meine Mutter lebt in Santa Fe, also reisen wir auch dorthin. Aber was ich bei diesem Projekt gelernt habe, war das Studium von Blogs, Gruppen und YouTube, und das war eine ganze Menge, oder? Sie fangen mit der Installation an, dann sehen Sie diese vertikalen Ständer, an denen Sie Ihre Wand aufhängen können, Klempnerarbeiten, Elektrik, sogar natürliches Propangas mit bedarfsgesteuertem Warmwasserbereiter und dann die Herdplatte.

Ich musste eine Menge Löcher bohren, fünf verschiedene Löcher in den Van, was wirklich beängstigend ist. Da ist eines für das Fenster. Eines für einen Stromanschluss, eines für einen Ventilator und eines für eine Klimaanlage. Es ist heiß hier in Texas. Ich bin in Austin, Texas, und es sind diese Woche schon über 100 Grad, also ist das wirklich wichtig. Aber das ist eine großartige Marke, vom Hersteller. Aber ich habe herausgefunden, dass ich sechs bis acht Stunden gebraucht habe, um das Problem in verschiedenen Gruppen, auf YouTube, Facebook, in Chats und so weiter zu lösen. Viele Handbücher der Hersteller sind einfach nicht vorhanden. Es gibt nicht sehr viele davon. Sie werden nicht jede einzelne Frage beantworten.

Ich habe zwar eine Menge Erfahrung mit elektrischen Geräten, aber ich habe in den sechs bis acht Stunden, in denen ich mich damit beschäftigt habe, herausgefunden, dass die AC-Einheit mit 110 Volt betrieben wird und die Fernbedienung mit 12 Volt. Sie müssen sie separat an die Fernbedienung anschließen. Es gibt ein RJ11-Kabel, das wie ein Flugzeug aussieht. Erinnern Sie sich noch an die alten Telefonapparate, die einfachen alten Telefondienste? Das sind vier Drähte, RJ11. Ja, aber das funktioniert nicht, wie ich herausgefunden habe. Das nennt man Verpolung. Die ersten beiden Drähte sind also vertauscht. Als ich das alles herausgefunden hatte, brauchte der Kundendienst Tage, um sich bei mir zu melden, aber sie verwiesen mich sowieso immer wieder an andere Stellen. Aber ja, es waren viele Herausforderungen und es war nicht die beste Erfahrung.

Jetzt funktioniert alles, und ich bin wirklich zufrieden mit dem Lieferwagen, aber ich weiß aus Gesprächen mit anderen, dass der Kundensupport wirklich überlastet ist, oder? Millionen von Angestellten arbeiten jetzt von zu Hause aus, sogar die Support-Teams sind unterwegs. Wenn Sie also eine spezielle Frage haben, können Sie nicht einfach zu einer Kabine gehen, hier ist Ihr Experte, eine kurze Frage stellen und wieder gehen. Wir haben festgestellt, dass dies viele Schwachstellen der aktuellen Tools aufgedeckt und zu einer Explosion von Online-Supportanfragen geführt hat, die die Supportteams belasten.

Und deshalb sind wir heute hier: Wie können wir helfen? Wie können KI und maschinelles Lernen helfen? Hier ein Zitat von Gartner: „Gartner geht davon aus, dass Kundendienstorganisationen bis 2025 KI in ihre Multikanal-Plattform einbinden und ihre Effizienz um 25 % steigern werden.“ Das ist eine gewaltige Zahl, und ich kann mir das vorstellen. Ich sehe, was heute in der Technologielandschaft zur Verfügung steht und wie Kundendienstorganisationen heute arbeiten und wie maschinelles Lernen dabei helfen kann. Und wir werden uns einige Demos dazu ansehen.

Deshalb möchte ich Ihnen ein paar Fragen stellen. Was wäre, wenn Ihre Kunden ihre Frage einfach stellen könnten und die Antwort gleich an erster Stelle bekämen, oder? Sie müssen sich nicht durch Suchergebnisse, Seiten und verschiedene Blogs kämpfen. Und wir denken darüber nach, dass es Unternehmen gibt, die das heute schon tun, oder? Wir stellen Siri schon seit Jahren eine Frage und erhalten in der Regel keine lange Liste von Ergebnissen. Ich glaube, ich habe das anfangs getan, aber jetzt bekommen sie die Frage wahrscheinlich an erster Stelle beantwortet. Google Home, Alexa, dasselbe. Da gibt es eine Menge Automatisierung. Wie machen sie es also?

Nun, erstens: Die Schlüsseltechnologie heißt Dense Vector Semantic Search. Wir werden Ihnen ein paar Demos dazu in unserem Produkt Fusion zeigen. Lassen Sie uns für diejenigen, die es noch nicht wissen, kurz darüber sprechen, was das ist. Anstelle einer lexikalischen Suche oder eines umgekehrten Indexes – falls es da draußen Suchingenieure gibt, die das hören – sammeln wir nicht nur alle Wörter und Dokumente und aggregieren sie. Der dichte Vektor hält die Begriffe in diesem Beispiel, der dreidimensionalen Grafik hier, fest – das Pferd ist nah an einem Tier und auch nah an einem Hund. Es gibt Orte, New York, Peking und Paris, ich bin in Austin. Nächste Woche fliege ich mit dem Flugzeug, aber auch andere Dinge. Sie können also Fragen stellen und es ist speziell für natürlichsprachliche Fragen entwickelt worden, ähnlich wie bei Google, oder? Sie erhalten Antworten, während Sie in das Google-Suchfeld tippen; es ist ein dichter Vektor, aber es sammelt auch Signale. Wer Sie sind? Was haben Sie in der Vergangenheit getan? Wohin Sie gehen? Sie schalten Ihr Auto an, Sie wollen irgendwohin fahren und Google sagt: „Oh, Sie fahren wahrscheinlich zur Arbeit. Es gibt eine 12-minütige Verspätung“, oder so ähnlich.

Sie können also Fragen stellen wie: Wie oft regnet es in Seattle, richtig? Wie viele Pferde gibt es in den Vereinigten Staaten? Da ist der Kontext, da ist die Absicht. Und dafür ist es einfach großartig. In meinem Beispiel geht es darum, wie man eine Dometic-Klimaanlage an eine Fernbedienung für einen Sprinter-Van anschließt, richtig? Ich habe diese Art von Fragen immer wieder gestellt und Google hat mir geholfen, indem ich sechs verschiedene Blog-Seiten zusammengefügt habe, aber Unternehmen können viel besser sein. Sie besitzen die Domain, Unternehmen, Hersteller, Distributoren, Einzelhändler in jedem Vektor, richtig, oder jedem Markt. Sie können diese dichte semantische Vektorsuche einsetzen. Sie besitzen also das Handbuch, die FAQs, die Glossarbegriffe, die Experten und bieten ein besseres Erlebnis. Und das ist der nächste Teil der Signale.

Sie verschmelzen also die semantische Vektorsuche mit Signalen, richtig? Sie verstehen Ihre Kunden. Ich war ein Kunde dieses Klimageräts. Es weiß, was ich gekauft habe, es weiß, wonach ich in der Vergangenheit gesucht habe, und es kann auch Informationen aus anderen Systemen wie ERP- und Handelssystemen einbeziehen, richtig? Es sollte in der Lage sein, meine Fragen viel schneller zu beantworten. Welche Art von umgekehrter Polarität? Welche Art von Kabeln sollte mit dem von mir gekauften Gerät funktionieren? Darüber sprechen wir also heute.

Das Produkt von Lucidworks heißt Smart Answers. Wir werden Ihnen gleich eine Demo zeigen. Es handelt sich also um ein fortschrittliches semantisches Deep Learning-Add-on nicht nur für Suchfelder, sondern auch für Chatbots. Es ist also kein Chatbot, aber es kann Chatbots unterstützen. Chatbots sind wirklich großartig für die Benutzeroberfläche und Rollen und Arbeitsabläufe und Dinge wie „Wie ist der Status meiner Bestellung?“. Aber für die Beantwortung langer Fragen in natürlicher Sprache wie „Wie schließe ich meine Dometic AC-Fernbedienung an meinen Sprinter an?“ ist es normalerweise nicht geeignet. Es eignet sich also hervorragend für kontextbezogene Antworten in natürlicher Sprache, und wir zeigen Ihnen, wie Sie es sowohl aus der Sicht des Kunden als auch aus der Sicht des Agenten einsetzen können. Es kann für beides verwendet werden, und das ist auch die Überleitung zur nächsten Folie.

Stellen Sie sich Ihren digitalen Kundenbetreuer in der Mitte vor. Er bedient in der Regel viele verschiedene Kanäle, wie Web, E-Mail, Chat, Q&A. Und sie wissen vielleicht nicht einmal, was vor sich geht, bis ein Fall erstellt wird und sie ihn in ihrem CRM-System auftauchen sehen. Auf der rechten Seite haben wir also das Kundenerlebnis, wenn Kunden suchen und stöbern, wenn sie kaufen, wenn sie Wissensdatenbanken durchsuchen und wenn sie vielleicht auch einige Empfehlungen erhalten. Übrigens sind das alles Fähigkeiten von Fusion. Sie könnten auf Chatbots und Fragen und Antworten stoßen und sich die Inhalte der Community ansehen.

Wenn sie keine Antwort finden, werden sie einen Fall erstellen. Die Fälle, die an den Agenten, den Kundendienstmitarbeiter, weitergeleitet werden, sehen Sie auf der linken Seite in der Erfahrung des Agenten. Sie haben auch ihre eigenen Tools. Sie haben ihr CRM, ihre Wissensdatenbank und möglicherweise auch Q&A-Systeme. Es gibt also noch andere Sitzungen von Lucidworks, die sich mit dieser ganzen Erfahrung oder anderen Teilen befassen. Aber heute werden wir darüber sprechen, wie die semantische Suche dem Chatbot, den Fragen und Antworten und der Suche sowohl aus Kundensicht als auch aus Agentensicht helfen kann, ihre Effektivität zu steigern.

Lassen Sie uns also zur Demo gehen. Hier sehen Sie also eine Demo von Databak. Databak ist eine Software zur Datenwiederherstellung und Datensicherung. Lassen Sie mich meine Notizen holen. Und wir haben viele verschiedene Artikel der Wissensdatenbank, Glossare und FAQs aufgenommen. Das ist es, was Fusion wirklich gut kann: die Indizierung von mehreren Datenquellen und die Bereitstellung einer einheitlichen Erfahrung. Sie können auf der linken Seite dieser Facetten filtern, indem Sie sich die Foren ansehen, aber lassen Sie uns damit beginnen, einige schwierigere Fragen zu stellen, die einige Suchmaschinen da draußen sprengen könnten.

Lassen Sie uns also mit einem Chatbot beginnen. Ich werde Ihnen eine Frage stellen. Hier wurde sowohl die Suche als auch der Chatbot von Databak integriert. Dabei handelt es sich übrigens um den Dialogflow-Chatbot von Google. Es ist nicht unser Chatbot, aber wir betreiben ihn in diesem Beispiel. Lassen Sie uns also eine Frage stellen: „Was passiert, wenn der Upload der privaten Analysen fehlschlägt?“ Lassen Sie uns also fortfahren.

-[Chatbot]: Wenn der Daten-Upload fehlschlägt, versucht der Dienst nach 60 Minuten erneut, die Daten hochzuladen. Fehlgeschlagene Uploads werden in der Datei DBD.log gemeldet.

Brian: In Ordnung, das ist eine natürliche Art, diese Frage zu beantworten oder zu stellen. Ich werde einen anderen Weg gehen. Ich werde diese Sprache in Text umwandeln, also schalte ich das Mikrofon ein. [„Der Upload funktioniert nicht für den Analyseserver.“ In Ordnung, das ist die Antwort.
-[Chatbot]: Wenn der Upload von Daten fehlschlägt, versucht der Dienst nach 60 Minuten erneut, die Daten hochzuladen. Fehlgeschlagene Uploads werden in der Datei DBD.log gemeldet.

Brian: Also gut, der Unterschied zwischen der ersten und der zweiten Frage ist, dass ich „gescheitert“ und „funktioniert nicht“ verwendet habe, es geht darum, den Kontext und die Absicht zu verstehen. Lassen Sie uns also eine dritte Möglichkeit fragen. [„Was soll ich tun, wenn das Hochladen auf den Analyseserver fehlgeschlagen ist?“

-[Chatbot]: Wenn der Daten-Upload fehlschlägt, versucht der Dienst nach 60 Minuten erneut, die Daten hochzuladen. Fehlgeschlagene Uploads werden in der Datei DBD.log gemeldet.

Brian: In Ordnung, Sie sehen also, dass der dritte Weg viel länger war. Was soll ich tun, wenn das Hochladen auf den Analyseserver erfolglos ist? Erfolglos versus Fehlschlag versus funktioniert nicht, drei verschiedene Arten, dieselbe Frage zu stellen, aber wir haben die richtige Antwort. Das ist also die semantische Suche. Ich werde eine weitere Frage stellen.

Dieses Mal werde ich das Suchfeld verwenden. Also: „Was ist eine DataCell-Gruppe?“ Und DataCell Groups sind eine Gruppe von DataCell Umgebungen. Dies ist eine weitere Datenquelle, die ich aus einem Glossar entnehme. Sie sehen das Glossar auf der rechten Seite, wir haben Formulare, eine Datenquelle, die aussieht wie eine Wissensdatenbank auf der linken Seite. Es gibt verschiedene Datenquellen, die wir nutzen.

Aber wenn wir eine andere Frage stellen wie „Wer kann Daten in einem DataCell-Speicherort lesen?“ Hier ist sie. Jeder Administrator im Unternehmen, der über ein Databak Cloud-Konto verfügt, kann das Dashboard und die Berichte sehen. Beachten Sie auch, dass dies jetzt auf eine FAQ verweist. Wir nehmen also auch Daten aus einer FAQ-Datenquelle auf und beantworten diese Frage in natürlicher Sprache. Lassen Sie uns also zum Chatbot zurückkehren und ein wenig hin und her gehen. „Was ist eine Client-Computergruppe?“

-[Chatbot]: Eine logische Gruppierung von Client-Computern, in der ausgewählte Optionen für alle Mitgliedsclients gelten können.

Brian: In Ordnung, das ist gut. „Warum sollte ich eine Client-Computer-Gruppe verwenden?“

-[Chatbot]: Einmal erstellt, können Client-Computergruppen dazu verwendet werden, die folgenden Aufgaben für alle ihre Mitglieder auszuführen: geplante Aufgaben erstellen, Benutzersicherheit einstellen, Auftragshistorie einsehen, Berichte erstellen.

Brian: In Ordnung, großartig. Sie sehen also, wie die Frage formuliert ist: Es geht um die Absicht, warum. Warum sollte ich eine Client-Computergruppe verwenden? Das ist eine schwierige Frage, mit der viele Suchmaschinen nicht zurechtkommen würden, aber da sie semantisch basiert ist, kann sie diese Frage auf Anhieb beantworten.

Lassen Sie uns fortfahren und eine weitere Frage hier im Suchfeld stellen. Wir gehen hin und her, aber ich werde weiter nach einem Experten suchen: „Wer kann mir mehr über Client-Computergruppen sagen?“ Und schon geht’s los. Oh, es sieht so aus, als gäbe es noch eine weitere Datenquelle, Leute. Alea Abed wird es wahrscheinlich wissen. Sie ist auf Netzwerk-Clientcomputergruppen und virtuelle Maschinen spezialisiert. Und wenn Sie an einer unserer anderen Sitzungen teilgenommen haben, haben wir auch etwa 25 Jobs zum maschinellen Lernen. Dies ist kein Job, sondern wir präsentieren hier die dichte semantische Vektorsuche. Aber eine dieser Aufgaben des maschinellen Lernens besteht darin, Experten, Fachleute, auf der Grundlage der Erstellung von Inhalten, Autoren und Ähnlichem zu finden. Wenn Sie also einige unserer anderen Demos gesehen haben, finden Sie auf der Folie eine Menge Hinweise. Wenn Sie nach einem bestimmten Dokument oder Thema suchen, finden Sie auf der rechten Seite einige KMUs.

Gut, das war also unsere Demo zu Databak. Wir schwenken schnell um und haben nur noch ein paar Minuten Zeit, aber hier ist eine weitere Demo für die interne Seite. Übrigens, diese Databak könnte auch für Kunden sein. Ich habe vergessen, das zu erwähnen. Sie können Fragen stellen und versuchen, Ihr Problem so schnell wie möglich zu lösen. Wenn ich das Problem nicht lösen kann, erstelle ich einen Fall, der dann wahrscheinlich in ein CRM-System wie Salesforce oder Zendesk und dergleichen einfließt.

Und dies ist ein Beispiel für ein Portal für Kundendienstmitarbeiter. Wir fassen also viele verschiedene Daten aus Salesforce, Confluence, JIRA, Wissensdatenbanken, einigen Analysen und ähnlichen Dingen zusammen. Wir haben Plug-ins für Salesforce und andere, aber ich möchte Ihnen nur diese ganzheitliche Umgebung zeigen. Ich habe also ein Add-On für einen Agenten und versuche, mein Problem so schnell wie möglich zu lösen. Und so können Sie natürlich suchen, Sie können facettieren. Es gibt ein maschinelles Lernen für die beliebtesten Suchanfragen. Für meine offenen JIRA-Tickets werden Wissensdatenbanken empfohlen, die auf meinen offenen Tickets basieren, aber darüber wollen wir hier nicht sprechen. Das ist ein Empfehlungsjob, ein weiterer unserer maschinellen Lernjobs aus der Box.

Aber wenn ich eine Frage stelle, würde ich hier eine Demo zeigen, damit ich Smart Answers zeigen kann, richtig? Das hier rechts ist die semantisch dichte Vektorantwort. Die auf der linken Seite ist die Standardsuche, die lexikalische Suche mit einem umgekehrten Index. Wenn ich also eine Frage stellen würde, z.B. „Wie kann ich die Relevanz von Suchanfragen durch Umschreiben verbessern? Auf der linken Seite war die Standardsuche. Sehen wir mal, Erste Schritte mit Fusion Server ist nicht wirklich das, wonach ich suche. Verbessern Sie die Relevanz ist hier, das sieht nach einer großen Verbesserung aus. Verwenden Sie Predictive Merchandiser Search Rewrites, das kommt dem schon ziemlich nahe. Und ja, das wird einiges von dem enthalten, was ich suche. Aber denken Sie auf der rechten Seite an die Absicht, an das Wie. Und Query Rewrite ist übrigens ein Begriff aus dem Bereich des maschinellen Lernens. Predictive Merchandiser ist unser Tool, mit dem wir diese Query Rewrites durchführen. Aber ich frage mich, wie ich die Relevanz mithilfe von maschinellem Lernen in diesen Abfrageumformungen verbessern kann.

Das erste Element, das angezeigt wird, ist die Aktivierung und Deaktivierung von Abfrageumschreibungsstrategien, um zu sehen, wie die Relevanz bei jeder einzelnen Strategie beeinflusst wird. Das sieht nach einer wirklich guten Lösung aus. Ich versuche einfach zu verstehen, wie maschinelles Lernen mir helfen kann, die Relevanz meiner Website zu verbessern. Und natürlich, Predictive Merchandiser. Das ist unser Tool, ein weiteres sehr gutes Tool, das auch hier auf der linken Seite zu finden ist. Es gibt noch mehr für die Relevanz und die Umschreibung von Suchanfragen.

Das sind also nur ein paar kurze Demos. Ich weiß, dass unsere Zeit fast um ist. Ich höre jetzt auf zu erzählen und übergebe das Wort an das Team, damit Sie am Ende Fragen stellen können, aber es war mir ein Vergnügen, durch die Präsentation und die Demo zu gehen. Ich übergebe jetzt das Wort an Sie, vielen Dank.