Zendesk निराकरण-केंद्रित, अनुकूलन करून घेणारे सेवा एजंट्स तयार करण्यासाठी OpenAI वापरते

Zendesk ने एक दशकाहून अधिक काळ व्यवसायांना उत्कृष्ट ग्राहक अनुभव देण्यास मदत केली आहे. त्यांचा प्लॅटफॉर्म दरवर्षी 4.6 अब्जांहून अधिक निराकरणे शक्य करतो.

2023 च्या सुरुवातीला, AI सेवा आणि उत्पादन विकासाला कसे बदलू शकते हे शोधण्यासाठी Zendesk ने OpenAI सोबत मिळून काम सुरू केले. आज Zendesk AI एजंट्सच्या नवीन प्रकाराची पायलट चाचणी करत आहे⁠(नवीन विंडोमध्ये उघडेल), जे OpenAI मॉडेल्सवर चालतात आणि फक्त संपूर्ण संभाषणेच हाताळत नाहीत, तर आपोआप प्रतिसादांचे नियोजन आणि अंमलबजावणीही करतात: 

• सेटअपचा कालावधी दिवसांवरून मिनिटांवर आणणे.
• ऑटोमेशनचा दर वाढवून 80% कडे नेणे.
• AI कसे वागेल यावर टीम्सना संपूर्ण नियंत्रण देणे.

सर्वात प्रगत सेवा प्लॅटफॉर्मनाही पारंपरिक ऑटोमेशनबाबत मर्यादा असतात. स्टँडर्ड मॉडेल हेतूच्या वर्गीकरणावर अवलंबून होते: उद्देशाचा अंदाज लावा, पूर्वनिश्चित संवाद किंवा वर्कफ्लो सुरू करा आणि ग्राहक स्क्रिप्टप्रमाणे वागेल अशी अपेक्षा ठेवा.

हा सेटअप संरचित संवादांसाठी योग्य होता, पण बारकावे, पुढील प्रश्न किंवा अपवादात्मक प्रकरणांमध्ये तो लगेच अपुरी पडत असे.

“जुन्या पद्धतीत संदेश आत येईल, प्रतिसाद बाहेर पडेल असे होते,” Zendesk चे CTO Adrian McDermott म्हणतात. “खऱ्या ग्राहकांचे मत बदलते, ते स्पष्टीकरणासाठी प्रश्न विचारतात आणि AI ने नैसर्गिकरित्या त्यांच्यासोबत पुढे जावे अशी अपेक्षा करतात. सेवेमध्ये फक्त निराकरण महत्त्वाचे असते आणि आत्तापर्यंत बॉट्सची ते साध्य करण्याची क्षमता काहीशी मर्यादित होती.”

Zendesk ने OpenAI सोबत काम सुरू करत रिट्रीव्हल-ऑगमेंटेड जनरेशन (Retrieval-Augmented generation - RAG) वापरून मूलभूत FAQ संवादांसाठी जनरेटिव्ह दृष्टिकोन स्वीकारला. आज त्यांचा भर जनरेटिव्ह रीझनिंगवर आहे, ज्यामुळे AI एजंट्सना स्वतंत्रपणे कामांचे नियोजन आणि अंमलबजावणी करता येते.

Zendesk चे नवीन एजंटिक AI एजंट्स सेवेसाठी खास तयार केलेले आहेत. GPT‑4o सारख्या OpenAI मॉडेल्सद्वारे संचालित हे एजंट्स फक्त प्रश्नांची उत्तरे देत नाहीत. ते संभाषणांना योग्य दिशा देतात, संदर्भावर रीझनिंग करतात आणि निराकरणाकडे वाटचाल करतात.

हा प्लॅटफॉर्म खालीलप्रमाणे विशेष एजंट्स असलेल्या बहु-एजंट आर्किटेक्चर वापरतो:

• काम ओळखणारा एजंट: मॅन्युअल प्रशिक्षणावर अवलंबून राहण्याऐवजी हा AI एजंट वापरकर्त्याला काय हवे आहे हे समजण्यासाठी खरे संभाषण करतो, स्पष्टीकरणात्मक प्रश्न विचारतो आणि अशाच इतर समस्यांमधील फरक ओळखतो.
• संभाषणात्मक RAG एजंट: आळी-पाळीच्या संभाषणांचा आधार घेऊन पारंपरिक RAG चा विस्तार केला जातो. उदाहरणार्थ, वापरकर्त्याने पेमेंटच्या पर्यायांबद्दल विचारल्यास, प्रदेश-विशिष्ट धोरणे मिळवण्यापूर्वी एजंट हे विचारू शकतो की वापरकर्ता कुठे आहे.
• कारवाई अनुपालन एजंट: स्वायत्तता आणि नियंत्रण यांचा समतोल राखत, Zendesk चा कारवाई अनुपालन एजंट (प्रोसीजर कम्प्लायंस एजंट) व्यावसायिक नियमांचे रूपांतरण नैसर्गिक भाषेतील नियमांतून संरचित प्रवाहात करतो आणि खात्री करतो की AI ला कंपनीच्या प्रक्रिया कशा अंमलात आणायच्या हे समजते आणि दृश्यरूपात दाखवता येते.
• कारवाई अंमलबजावणी एजंट: व्यवसायाने परिभाषित केलेल्या तर्कांच्या चौकटीत APIs कॉल करून, वर्कफ्लो ट्रिगर करून आणि सिस्टम्स अपडेट करून कृती अंमलात आणतो.

RAG आणि रीझनिंग एकत्र करून Zendesk चे AI एजंट्स आता बहु-टप्प्यांच्या संभाषणांत सहभागी होऊ शकतात, पुढील प्रश्न विचारू शकतात आणि वापरकर्त्याच्या इनपुटनुसार प्रतिसाद बदलू शकतात. यामुळे शिस्तबद्ध संवाद प्रवाहांवर अवलंबून न राहता प्लॅटफॉर्मला जटिल समस्या आपोआप सोडवता येतात.

“गुणवत्ता आणि अचूकतेसाठी Zendesk च्या नियमांप्रमाणे काम करताना आम्ही संभाषणांत मार्गदर्शन करण्यासाठी बॉटला अधिक स्वायत्तता दिली आहे,” McDermott म्हणतात. “ही प्रक्रिया ग्राहकाची समस्या समजून घेण्यापासून सुरू झाली, ज्यात निराकरणाकडे वाटचाल करण्यावर मोठा भर होता.”

Zendesk च्या AI एजंट डेव्हलपमेंटमधील सर्वात मोठ्या बदलांपैकी एक म्हणजे त्यांचा हायब्रिड डेव्हलपमेंट मॉडेलकडे झालेला प्रवास, जिथे एजंट्स एकाच संभाषणात संवाद प्रवाह आणि जनरेटिव्ह प्रक्रियांमध्ये विनासायास जाऊ शकतात.

नवीन AI एजंट बिल्डर वापरून व्यवसाय नैसर्गिक भाषेत प्रक्रियांची परिभाषा तयार करू शकतात. त्यानंतर AI एजंट अनुकूलनात्मक रीझनिंग वापरून कृती आराखडा तयार करतो आणि लाइव्ह होण्यापूर्वी प्रस्तावित पायऱ्यांचे पूर्वावलोकन दाखवतो. 

AI रीझनिंग नियंत्रणांमुळे AI एजंट्स कसे विचार करतात याची रीअल टाइम माहिती मिळते, ज्यामुळे टीम्सना निर्णय कसे घेतले गेले हे समजण्यासाठी एजंटचे चेन-ऑफ-थॉट (chain of thought - CoT) पाहून प्रत्येक संभाषणाचे ऑडिट करता येते.

या बदलामुळे सेटअपचा कालावधी काही दिवसांवरून काही मिनिटांवर येतो आणि जनरेटिव्ह ऑटोमेशन Zendesk च्या खूप व्यापक ग्राहकवर्गासाठी सुलभ होते.

आतील स्तरावर, Zendesk प्रत्येक वापर प्रकरणासाठी सर्वोत्तम मॉडेल निवडून तैनात करण्यासाठी आणि प्रॉम्प्ट्स ट्यून करण्यासाठी कठोर अंतर्गत बेंचमार्किंग कार्यक्रम चालवते. ही टीम लॅटन्सी, खर्च आणि गुणवत्ता विचारात घेते आणि RAG पासून पार्श्वभूमीतील रीझनिंगच्या कामांपर्यंतच्या वापर प्रकरणांमध्ये OpenAI च्या o3‑mini सारख्या नवीन मॉडेल्सची चाचणी करते.

या प्रक्रियेमुळे Zendesk ला 24 तासांपेक्षा कमी वेळेत नवीन मॉडेल्सचे मूल्यांकन, चाचणी आणि तैनाती करता येते.

Zendesk तैनातीपूर्वी आणि तैनातीनंतर दोन्ही वेळची कामगिरी ट्रॅक करते आणि यासाठी ऑफलाइन मूल्यांकने, तसेच निराकरणाचा दर, एडिटचा दर आणि लॅटन्सी यांसारखे लाइव्ह मेट्रिक्स वापरते. प्रत्येक मॉडेलबद्दलचा निर्णय दस्तऐवजीकरण केलेला आणि ऑडिट करण्यायोग्य असतो, ज्यामुळे सिस्टम विकसित होत असताना पारदर्शकता आणि विश्वासार्हता यांची खात्री होते.

या वर्षी Zendesk आणखी एक पाऊल पुढे जाण्याची योजना करत आहे: सेल्फ-सर्व्हिस बेंचमार्किंग प्लॅटफॉर्म सुरू करणे, ज्यामुळे Zendesk मधील कोणतीही इंजिनिअरिंग टीम मशीन लर्निंगच्या तज्ज्ञांच्या प्रत्यक्ष मदतीशिवाय मॉडेल्सची चाचणी आणि तैनाती करू शकेल.

Zendesk सध्या लवकर स्वीकार करणाऱ्या ग्राहकांसोबत नवीन एजंटिक AI प्लॅटफॉर्मची पायलट चाचणी करत आहे. हा प्लॅटफॉर्म विद्यमान सेटअप्समध्ये सहज इंटीग्रेट होण्यासाठी तयार केला आहे, ज्यामुळे ग्राहकांना सुरुवातीपासून पुन्हा सुरुवात न करता 80% ऑटोमेशनकडे झटपट वाटचाल करता येते.

2025 नंतर अधिक व्यापक मेट्रिक्स येणार असले, तरीही सुरुवातीचा अभिप्राय फार चांगला आहे: अधिक जलद सेटअप, अधिक अचूक प्रतिसाद आणि प्रत्येक चॅनेलवर अधिक सुरळीत वापरकर्ता प्रवास.