Intercom-ის სამი გაკვეთილი AI-ში მდგრადი უპირატესობის შესაქმნელად

როცა ChatGPT 2022 წელს გაეშვა, Intercom⁠(იხსნება ახალ ფანჯარაში) მხოლოდ სათაურებს არ დაჰკვირვებია — მათ მობილიზება მოახდინეს. GPT‑3.5‑ის გამოსვლიდან რამდენიმე საათში, მომხმარებელთა მომსახურების პროგრამული უზრუნველყოფის კომპანიამ ექსპერიმენტების დაწყება შეძლო და მხოლოდ ოთხი თვის შემდეგ გამოუშვა Fin — მათი AI აგენტი, რომელიც ახლა ყოველთვიურად მილიონობით მომხმარებლის მოთხოვნას აგვარებს.

ეს ადრეული იმპულსი შემთხვევითი არ ყოფილა. როცა LLM-ები სწრაფად განვითარდა, Intercom-მა დაინახა, რომ AI მომხმარებლის გამოცდილებას შეცვლიდა. ხელმძღვანელობამ სწრაფად იმოქმედა: შექმნა მრავალფუნქციური სამუშაო ჯგუფი, გააუქმა არა-AI პროექტები და ბიზნესის AI-ზე გადასაწყობად 100 მილიონი დოლარის ინვესტიცია ჩადო.

ამ გადაწყვეტილებამ მთელი კომპანიის მასშტაბით ცვლილებები გამოიწვია: რეორგანიზებული პროდუქტის გუნდები, ახალი AI-first helpdesk სტრატეგია და პლატფორმა, რომელიც Fin-ს დიდი მოცულობისა და რთული მომხმარებლის მოთხოვნების დამუშავებაში ეხმარება.

ქვემოთ მოცემულია სამი გაკვეთილი Intercom-ის გზიდან, რომლის გამოყენებაც ნებისმიერ გუნდს — მიუხედავად იმისა, საიდან იწყებთ — უკვე ახლა შეუძლია.

Intercom მოდელებს ადრეულ ეტაპზე და ხშირად ამოწმებს და თავისი მუშაობიდან ღრმად სწავლობს.

გუნდმა გენერაციული მოდელების გამოცდა ადრევე დაიწყო და ამ პრაქტიკულმა გამოცდილებამ მათ მოდელის შეზღუდვების რუკირება და შესაძლებლობების დანახვა შეაძლებინა. როცა GPT‑4 2023 წლის დასაწყისში ხელმისაწვდომი გახდა, ისინი მზად იყვნენ. ოთხ თვეში მათ Fin გამოუშვეს — და მას შემდეგ ტემპი არ შეუნელებიათ.

„ჩვენ GPT‑3.5‑ის გამოყენებით შევძელით ბუნებრივი დიალოგების წარმოება, მაგიის ელემენტებით, მაგრამ ის ჯერ კიდევ საკმარისად სანდო არ იყო, რომ ჩვენი მომხმარებლებისთვის მიგვენდო,“ — ამბობს ინჟინერიის უფროსი ვიცე-პრეზიდენტი, ჯორდან ნილი. „რადგან ეს სამუშაო უკვე გაკეთებული გვქონდა, როცა GPT‑4 გამოჩნდა, ვიცოდით, რომ ის მზად იყო, და Fin გავუშვით.“

იგივე ცოდნა დაეხმარა Intercom-ს Fin Tasks-ის შექმნაში — სისტემის, რომელიც ავტომატიზაციას უკეთებს რთულ სამუშაო პროცესებს, როგორიცაა თანხის დაბრუნება და ტექნიკური მხარდაჭერა. მიუხედავად იმისა, რომ გუნდი თავდაპირველად მსჯელობის მოდელზე დაფუძნებულ სტეკს გეგმავდა, მათმა შეფასებებმა აჩვენა, რომ GPT‑4.1-ს საქმის დამოუკიდებლად შესრულება შეეძლო — მაღალი სანდოობითა და დაბალი დაყოვნებით.

დღეს GPT‑4.1 Intercom-ის AI გამოყენების მზარდ ნაწილს ამუშავებს, მათ შორის Fin Tasks-ის შიგნით არსებულ მთავარ ლოგიკას. გუნდმა ისიც აღმოაჩინა, რომ არა-მსჯელობის მოთხოვნებში აზროვნების ჯაჭვის მოთხოვნის დამატებამ წარმადობის სხვაობა შეამცირა.

Intercom-ის მთავარი დასკვნა: რაც უკეთ იცნობთ თქვენს მოდელებს, მით სწრაფად შეძლებთ ადაპტირებას, როცა ტექნოლოგიის მოწინავე დონე ვითარდება.

სწრაფად გადაადგილებისთვის უნდა გაზომოთ, რა მუშაობს — და რატომ.

Intercom-ის უნარი სწრაფად მიიღოს ახალი მოდელები, მოდალობები და არქიტექტურები ეფუძნება მათ მკაცრ შეფასების პროცესს. ყოველი ახალი OpenAI მოდელი — იქნება ის Fin Voice-ისთვის, რომელსაც Realtime API ამუშავებს, თუ Fin Tasks-ისთვის, რომელსაც GPT‑4.1 ამუშავებს — გადის სტრუქტურირებულ ოფლაინ ტესტებსა და ცოცხალ A/B ცდებს, რათა დანერგვამდე შეფასდეს ინსტრუქციების შესრულება, ხელსაწყოს გამოძახების სიზუსტე და საერთო თანმიმდევრულობა.

მაგალითად, გუნდი მოდელებს ადარებს რეალური მხარდაჭერის ინტერაქციების ტრანსკრიპტებს და აფასებს, რამდენად კარგად უმკლავდებიან ისინი მრავალსაფეხურიან ინსტრუქციებს, როგორიცაა თანხის დაბრუნება, რამდენად ინარჩუნებენ Fin-ის ბრენდის ხმას და რამდენად საიმედოდ ასრულებენ ფუნქციურ გამოძახებებს. ეს შედეგები გამოიყენება ცოცხალი A/B ტესტებისთვის, რომლებიც მოდელებს შორის, მაგალითად GPT‑4‑სა და GPT‑4.1‑ს შორის, გადაწყვეტის მაჩვენებლებსა და მომხმარებლის კმაყოფილებას ადარებს.

ამ მიდგომამ Intercom-ს GPT‑4‑იდან GPT‑4.1‑ზე გადასვლა სულ რამდენიმე დღეში შეაძლებინა. მას შემდეგ, რაც ინსტრუქციების დამუშავებასა და ფუნქციების შესრულებაში გაუმჯობესება დაადასტურეს, მათ GPT‑4.1 Fin Tasks-ში დანერგეს და დაუყოვნებლივ მიიღეს გაუმჯობესება როგორც წარმადობაში, ისე მომხმარებლის კმაყოფილებაში.

„როცა GPT‑4.1 გამოვიდა, 48 საათში უკვე შეფასების შედეგები გვქონდა და მალევე — დანერგვის გეგმაც,“ — ამბობს Pedro Tabacof, Intercom-ის მთავარი მანქანური სწავლების მეცნიერი. „მაშინვე დავინახეთ, რომ GPT‑4.1 ინტელექტსა და დაყოვნებას შორის ჩვენი მომხმარებლების საჭიროებებისთვის კარგ ბალანსს იძლეოდა.“

Fin Voice-ისთვის იგივე შეფასების პროცესი დაეხმარა Intercom-ს ახალი ხმოვანი მოდელების snapshot-ების დადასტურებაში და დაყოვნებაში, ფუნქციების შესრულებასა და სკრიპტის დაცვაში გაუმჯობესებების ზუსტად გამოვლენაში — ყველაფერი აუცილებელია ადამიანის ხარისხის სატელეფონო მხარდაჭერის მიწოდებისთვის.

Intercom-მა თავისი შეფასებები გააფართოვა, რათა დაეფიქსირებინა ის დამატებითი განზომილება, რომელიც ხმას ინტერაქციებში შემოაქვს. ისინი სისტემატურად აფასებენ Fin Voice-ს ისეთ ფაქტორებზე, როგორიცაა პიროვნულობა, ტონი, შეწყვეტებთან გამკლავება და ფონური ხმაური, რათა მომხმარებლის მაღალი ხარისხის გამოცდილება უზრუნველყონ.

Intercom თავიდანვე ცვლილებისთვის აშენებდა სისტემას და ქმნიდა საკმარისად მოქნილ არქიტექტურას, რომ ის მასზე დამოკიდებულ მოდელებთან ერთად განვითარებულიყო.

Fin-ის სისტემა დიზაინით მოდულარულია და მხარს უჭერს მრავალ მოდალობას, როგორიცაა ჩატი, ელფოსტა და ხმა — თითოეულს აქვს დაყოვნებისა და სირთულის განსხვავებული კომპრომისები. ეს არქიტექტურა Intercom-ს საშუალებას აძლევს, მოთხოვნები კონკრეტული საქმისთვის საუკეთესო მოდელზე გადაამისამართოს და მოდელები ძირეული სისტემის ხელახალი ინჟინერიის გარეშე შეცვალოს.

ეს მოქნილობა გააზრებულია და მუდმივად ვითარდება. Fin-ის არქიტექტურა ახლა უკვე მესამე დიდ იტერაციაზეა, შემდეგი კი უკვე დამუშავების პროცესშია. როცა მოდელები უმჯობესდება, გუნდი საჭიროებისამებრ სირთულეს ამატებს ახალი შესაძლებლობების გასახსნელად და სადაც შესაძლებელია, ამარტივებს.

ეს ადაპტირებადობა კრიტიკული აღმოჩნდა Fin Tasks-ის შემთხვევაში. თავიდან გუნდს ეგონა, რომ Fin Tasks-ის მხარდასაჭერად მსჯელობაზე დაფუძნებული მოდელები დასჭირდებოდათ — ფუნქცია, რომელიც Fin-ს რთული მომხმარებლის მოთხოვნების მოგვარებისა და მრავალსაფეხურიანი პროცესების შესრულების საშუალებას აძლევს, როგორიცაა თანხის დაბრუნება, ანგარიშის ცვლილებები ან ტექნიკური პრობლემების დიაგნოსტიკა.

მაგრამ ტესტირებისას GPT‑4.1‑ის ინსტრუქციების შესრულების შესაძლებლობამ მოლოდინს გადააჭარბა და იგივე სანდოობა დაბალი დაყოვნებითა და ხარჯით უზრუნველყო.

„სიმართლე გითხრათ, მგონია, რომ GPT‑4.1‑ზე ადამიანები საკმარისად არ საუბრობენ,“ — ამბობს Intercom-ის მთავარი მანქანური სწავლების ინჟინერი, Pratik Bothra. „გულწრფელად გაგვაოცა დაყოვნებისა და ხარჯის პროფილმა. ეს საშუალებას გვაძლევს, ჩვენი არქიტექტურა შევცვალოთ და ბევრი სირთულე მოვაშოროთ.“

გუნდი ახლა მხოლოდ იწყებს. მოწინავე მოდელებით გაძლიერებული და მოდულარულ, მოდელისგან დამოუკიდებელ არქიტექტურაზე აგებული Intercom მომხმარებელთა მხარდაჭერის ფარგლებს სცდება და ბიზნესის მასშტაბით სამუშაო პროცესებს ამუშავებს, რაც უფრო სწრაფ გადაწყვეტებსა და უკეთეს მომხმარებლის გამოცდილებას იძლევა:

• მხარდაჭერის გუნდები: შემომავალი მოთხოვნების უმეტესობის მოგვარება ჩატში, ელფოსტაში, ხმაში და სხვა არხებში Fin AI აგენტით
• ოპერაციების გუნდები: რთული სამუშაო პროცესების ავტომატიზაცია, როგორიცაა თანხის დაბრუნება, ანგარიშის ცვლილებები და გამოწერის განახლებები, Fin Tasks-ით
• პროდუქტის გუნდები: Intercom-ის MCP Server-ის გამოყენებით, AI ხელსაწყოებს, როგორიცაა ChatGPT, შეუძლიათ მომხმარებლის საუბრებზე, ტიკეტებსა და მომხმარებლის მონაცემებზე წვდომა — რაც ბიზნესის სხვადასხვა გუნდს ეხმარება ხარვეზების აღმოჩენაში, roadmap-ების ფორმირებაში, მესიჯინგის დახვეწასა და QBR-ებისთვის მომზადებაში.

Intercom-მა შექმნა მასშტაბირებადი AI პლატფორმა შეფასებებში სიმკაცრის, წარმადობაზე დაფუძნებული მიდგომისა და დიზაინში მოქნილობის შენარჩუნებით — ხელახლა განსაზღვრა მხარდაჭერა და მნიშვნელოვანი გაკვეთილები შესთავაზა ნებისმიერ კომპანიას, რომელიც AI-ით ქმნის.