Ringg-ის აგენტები OpenAI-ით ზარების 65%-მდე აგვარებენ

როცა ზარების რაოდენობა იზრდება, მომხმარებელთა მომსახურების გასაფართოებლად, ჩვეულებრივ, თანამშრომლებს ამატებენ, თუმცა ეს ყოველი ინტერაქციის ხარჯსა და სირთულეს ზრდის. ხმოვანი და ჩატის აგენტების პლატფორმა Ringg⁠(იხსნება ახალ ფანჯარაში) ამ პრობლემას უშუალოდ წააწყდა ინდოეთის მსხვილ სამომხმარებლო ბიზნესებთან მუშაობისას.

ამ კომპანიებს არა მხოლოდ მეტი ზარის მიღება უჭირდათ — მათი მომსახურების თანამშრომლებიც დანაწევრებულ, ხელით სამართავ სისტემებში მუშაობდნენ, რათა მომხმარებლებს სხვადასხვა ამოცანის შესრულებაში დახმარებოდნენ, დაზღვევის შეძენიდან ვიზიტის დაჯავშნამდე.

ამ გამოცდილებამ Ringg-ს უბიძგა, შეექმნა კორპორაციული აგენტების პლატფორმა, რომელიც GPT‑5.6‑ის მსგავს მაღალეფექტიან მოდელებს ეფუძნება და ხმოვან კომუნიკაციას, ჩატს, WhatsApp-სა და ვებს მოიცავს. რეალურ დროში შესასრულებელი შესაბამისი ამოცანების GPT‑4.1‑დან GPT‑5.6‑ზე გადატანამ მოდელის ხარჯები დაახლოებით 90%-ით შეამცირა და ხარისხისა და დაყოვნების საჭირო მაჩვენებლები შეინარჩუნა.

Ringg-ის აგენტები ახლა ყოველთვიურად 7 მილიონზე მეტ შემდგარ ზარს ემსახურებიან, ხოლო მისი კლიენტების მომხმარებელთა კმაყოფილების საშუალო ქულა (CSAT) 4,8-ია.

მომხმარებლის მომართვის დასაკმაყოფილებლად აგენტს შესაძლოა დასჭირდეს პოლისის შემოწმება, ანგარიშის ჩანაწერის მოძიება, ვიზიტის დანიშვნა, CRM-ის განახლება ან საუბრის სპეციალისტთან გადამისამართება შესაბამისი კონტექსტის სრული შენარჩუნებით.

რეალურ დროში ურთიერთობისას Ringg იყენებს GPT‑5.6 Luna-სა და სხვა მოდელებს მომხმარებლის მომართვის გასაგებად, ხელსაწყოების შესარჩევად და მრავალსაფეხურიანი სამუშაო პროცესების გავლაში მის დასახმარებლად. Ringg-ის ორკესტრაციის შრე მოქმედებებს ასრულებს CRM-ებში, მომართვების მართვის პლატფორმებში, გადახდის სისტემებში, დაგეგმვის ხელსაწყოებსა და შიდა API-ებში. საჭიროებისას კი საკითხს საუბრის შეჯამებასთან ერთად თანამშრომელს გადასცემს.

Ringg-ის ცოდნის სისტემა სტრუქტურირებულ ფილტრაციას სემანტიკურ ძიებასთან აერთიანებს მონაცემთა ნაკრებებში, PDF-ებში, CSV-ებსა და ბიზნესდოკუმენტებში. ამით აგენტებს ეხმარება, შეკითხვებს შესაბამისი კორპორაციული ინფორმაციის გამოყენებით უპასუხონ.

Ringg-ს ასევე შეუძლია სამუშაო გადაანაწილოს სპეციალიზებულ ქვეაგენტებს შორის, რომლებიც პოტენციურ კლიენტებს აფასებენ, დახმარებას უზრუნველყოფენ, მონაცემებს ამოწმებენ, შეხვედრებს გეგმავენ და საკითხებს შესაბამის დონეზე გადასცემენ. პლატფორმა ამ ნაბიჯებს კოორდინაციას უწევს და მომხმარებელთან საუბრის თანმიმდევრულობას ინარჩუნებს ხმოვანი კომუნიკაციის, ჩატის, WhatsApp-ისა და ვების არხებში.

Ringg-მა OpenAI ალტერნატივებს შეადარა საუბრის ხარისხის, დაყოვნების, ინსტრუქციების დაცვის, ხელსაწყოების გამოძახების, მრავალენოვანი მუშაობის, საიმედოობისა და ხარჯის მიხედვით. შეფასებით დადგინდა, რომ რეალურ სამუშაო ამოცანებში ამ მახასიათებლების საუკეთესო საერთო ბალანსს OpenAI უზრუნველყოფდა.

GPT‑5.6 და OpenAI-ის სხვა მოდელები ასევე უფრო სტაბილურად ასრულებდნენ რთულ ინსტრუქციებსა და ხელსაწყოების გამოძახებებს, უკეთ ინარჩუნებდნენ საუბრის კონტექსტს და საიმედოდ მუშაობდნენ კორპორაციულ მასშტაბზე.

Ringg სამუშაოს OpenAI-ის კონკრეტულ მოდელს ამოცანის საჭიროებების მიხედვით გადასცემს. GPT‑4.1 რეალურ დროში ხმოვანი და ჩატის ტრაფიკის უმეტესობას ამუშავებს. GPT‑5.6 Luna მოქმედ სისტემაში რჩება და გამოიყენება მაშინ, როცა მისი წარმადობა, დაყოვნება ან ფასისა და წარმადობის თანაფარდობა მომართვას უკეთ შეესაბამება. GPT‑5.6 Terra ზარის შემდგომ ანალიზს ასრულებს, მათ შორის შეჯამებასა და ემოციური ტონის კლასიფიკაციას. GPT‑5.6 Sol კი გამოიყენება შეფასებისთვის, მოთხოვნების გასაუმჯობესებლად და ისეთ პროცესებში, სადაც მოდელი შემფასებლის როლს ასრულებს.

როცა მომხმარებელი ხმოვანი ზარისას საუბრობს ან ჩატში შეტყობინებას გზავნის, Ringg-ის ორკესტრაციის სისტემა ამ მონაცემებს აგენტის ინსტრუქციებს, საუბრის ისტორიას, კონკრეტული მომხმარებლის მონაცემებს, ცოდნის ბაზის შესაბამის კონტექსტსა და ხელმისაწვდომ ხელსაწყოებს აერთიანებს. შემდეგ Ringg-ის მარშრუტიზაციის შრე შესაბამის მოდელსა და კონფიგურაციას ირჩევს. მოდელის პასუხი ორკესტრაციის სისტემას გადაეცემა და მომხმარებელს მის მიერ არჩეული არხით მიეწოდება.

ხანგრძლივი ურთიერთობისას სისტემა სტრუქტურირებულ შეჯამებას ქმნის, როცა კონტექსტი დაახლოებით 80 000 ტოკენს უახლოვდება. ამის შემდეგ საუბარი მნიშვნელოვანი ინფორმაციის შენარჩუნებით გრძელდება, მთელი ისტორიის ხელახლა გაგზავნის გარეშე.

დანერგვამდე Ringg მოდელებს წარსული საუბრებისა და მომხმარებელთა ურთიერთობის სიმულირებული სცენარების მეშვეობით ამოწმებს. მისი შეფასების პლატფორმა ამ შედეგებით სუსტ მხარეებს ავლენს და მოთხოვნების გაუმჯობესების რეკომენდაციებს იძლევა. ასე იქმნება აგენტებისა და კონფიგურაციების უწყვეტი გაუმჯობესების ციკლი.

ერთ-ერთი შეფასება Ringg-ის ზარის შემდგომი ანალიზის პროცესს შეეხებოდა. კომპანიამ GPT‑5.6 Terra შეადარა ისეთ ალტერნატივებს, როგორიცაა Gemini 2.5 Flash, და საუკეთესო შედეგი Terra-მ აჩვენა. Ringg-მა შეჯამება და ემოციური ტონის კლასიფიკაცია GPT‑5.6 Terra-ს გადააბარა. Terra-მ შეჯამებისა და ემოციური ტონის ანალიზის მაღალი სიზუსტე შეინარჩუნა და ამავდროულად თითოეული ამოცანის შესრულების ეკონომიკური ეფექტიანობა მნიშვნელოვნად გააუმჯობესა.

კომპანია მოდელებს ენობრივი და რეგიონული ვარიაციების მიხედვითაც ამოწმებს, მათ შორის საუბრებში, სადაც ენები მონაცვლეობს ან ინგლისური ადგილობრივი ენის ფრაზებს ერწყმის — ეს გავრცელებული პრაქტიკაა იმ ბაზრებზე, რომლებსაც კომპანია ემსახურება. GPT‑5.6 Terra-მ Gemini 2.5 Flash-ს აჯობა და გავრცელებულ რეგიონულ ენებზე 97%-მდე სიზუსტეს მიაღწია. ამით GPT‑5.6 უფრო შესაფერისი აღმოჩნდა იმ აგენტებისთვის, რომლებიც Ringg-ის კლიენტებს ემსახურებიან.

მოდელები, რომლებიც იზოლირებულ გარემოში ტესტირებას გაივლიან, თავდაპირველად რეალური ტრაფიკის მცირე ნაწილზე ინერგება, შემდეგ კი მათი გამოყენება ფართოვდება. მოქმედ სისტემაში Ringg-ის მარშრუტიზატორი სხვადასხვა რეგიონში დაყოვნებასა და საბოლოო წერტილების გამართულობას აკონტროლებს. თუ საბოლოო წერტილი მიუწვდომელია ან დაყოვნება ზღვრულ მნიშვნელობას აჭარბებს, ის ტრაფიკს სხვაგან მიმართავს. სპეციალიზებული კვანძები, შეტყობინებები და ვერსიების მიხედვით დანერგვა პრობლემების იზოლირებასა და მათი გავლენის შეზღუდვას უწყობს ხელს.

ეს მიდგომა Ringg-ს თითოეული ამოცანის შესრულების ეკონომიკური ეფექტიანობის გაუმჯობესებაშიც ეხმარება. რეალურ დროში შესასრულებელი ზოგიერთი ამოცანის GPT‑4.1‑დან GPT‑5.6 Luna-ზე გადატანამ მოდელის ხარჯები დაახლოებით 90%-ით შეამცირა.

Ringg-ის აგენტები მისი კლიენტებისთვის მომხმარებელთა რუტინული მომართვების 65%-მდე აგვარებენ, მომსახურების თანამშრომლის ყოველგვარი ჩარევის გარეშე.

Policybazaar, ინდოეთის ერთ-ერთი უდიდესი ონლაინ სადაზღვევო პლატფორმა, Ringg-ს მომხმარებელთა 57 000-ზე მეტ მომართვაზე დასაკავშირებლად იყენებს. ზარების 67% ადამიანის ჩარევის გარეშე მუშავდება. Policybazaar-ის რეაგირების საშუალო დრო 8–12 წუთიდან 60 წამზე ნაკლებამდე შემცირდა — დაახლოებით 88%-ით გაუმჯობესდა.

ჯანდაცვის გლობალურ პლატფორმაზე Practo Ringg-ის აგენტები მომხმარებლებს სამედიცინო ვიზიტების დაჯავშნასა და მომსახურების მოთხოვნების შესრულებაში ეხმარებიან. დანერგვის შემდეგ Practo-მ პირველივე ზარზე საკითხების მოგვარების 85%-იან მაჩვენებელს მიაღწია, რეაგირების დრო კი სამ წამზე ნაკლები გახდა. ადამიანების მიერ მართულ წინა პროცესთან შედარებით საოპერაციო ხარჯები 70%-ით შემცირდა. Ringg ახლა ყოველდღიურად 1 000-ზე მეტ ვიზიტს ჯავშნის.

ონლაინ საინვესტიციო პლატფორმა Groww Ringg-ის მეშვეობით აქციების პირველად საჯარო შეთავაზებებთან (IPO), ფიუჩერსებსა და ოფციონებთან დაკავშირებული შემოსული მომართვების 72%-ს სრულად თვითმომსახურებით აგვარებს. დამუშავების საშუალო დრო ორი წუთია.

OpenAI-ის კომპიუტერის გამოყენების შესაძლებლობებით Ringg ქმნის ბრაუზერის აგენტებს პლატფორმაზე საწყისი გამართვისა და ათვისებისთვის, მომხმარებლის იდენტიფიკაციისა და შემოწმებისთვის (KYC), IT-პრობლემების აღმოსაფხვრელად, მორიგეობისას ინციდენტებზე რეაგირებისა და სადაზღვევო მოთხოვნების დასამუშავებლად.

კომპანია ასევე ქმნის კონტექსტის შრეს, რომელსაც სხვადასხვა არხსა და ინტერაქციას შორის ინფორმაციის შენარჩუნება შეეძლება. მომხმარებელს შეეძლება, მომართვა ხმოვანი კომუნიკაციით დაიწყოს, WhatsApp-ში გააგრძელოს და ბრაუზერში დაასრულოს ისე, რომ ყოველ ჯერზე ერთი და იმავე დეტალების გამეორება არ დასჭირდეს.

Ringg-ის ხედვით, მომავალი თაობის მომხმარებელთა მომსახურება მიღწეული ბიზნესშედეგებითა და ავტომატიზაციის სიღრმით შეფასდება და არა ზარების ან თანამშრომლების რაოდენობით.