Responsa: un’unica intelligenza, un mondo di possibilità.

Obiettivo principale di una piattaforma di AI conversazionale come Responsa è quello di offrire un primo livello di assistenza automatizzata 24/7 agli utenti finali, simulando una conversazione con un agente umano. Sono molti infatti i processi standardizzati e poco variabili, basati sull’elaborazione di informazioni facilmente identificabili, che potrebbero ad esempio essere gestiti da un chatbot, sgravando così il Servizio Clienti dell’azienda da una grande mole di richieste semplici e ripetitive. Tra le sfide principali nello sviluppo di un assistente virtuale c’è quello di rendere il più possibile fluida e naturale l’interazione con l’utente. L’assistente virtuale deve avere una propria personalità^[1], dimostrare empatia^[2], sapere quando mettere in campo le proprie conoscenze^[3], e soprattutto saper mescolare con maestria tra loro queste capacità^[4]. Nel momento in cui tali funzionalità vengono messe a disposizione di un’azienda, l’aspettativa è quella di poterle personalizzare e adattare alle proprie esigenze, così da integrarle sinergicamente all’interno del proprio processo produttivo.

Il Chatbot.

Il chatbot è la modalità preferita e consigliata per la fruizione dei contenuti della Knowledge Base e per automatizzare qualsiasi tipo di processo aziendale grazie alla possibilità di integrarsi con i sistemi del cliente. Questo agente conversazionale riunisce tutte le funzionalità necessarie per un Customer Service intelligente, multicanale e disponibile in ogni momento.

Particolare la possibilità di creare dei flussi personalizzati a integrazione della modalità di conversazione “libera”, tramite i quali interrogare servizi ed API esterne per completare le informazioni servite all’utente, o utilizzarle per guidarlo nella risoluzione del quesito. L’integrazione con servizi esterni è completata dalla possibilità di utilizzare degli hooks per scatenare, all’occorrere di precisi eventi, determinate azioni, all’interno della conversazione stessa o verso sistemi esterni (webhooks).

Il chatbot può essere impostato con delle domande di follow up, che oltre a rendere lo stile del bot più empatico e proattivo, hanno lo scopo di rifinire l’informazione necessaria al reperimento della risposta migliore. È inoltre in grado di capire e memorizzare il contesto della conversazione, processando i messaggi degli utenti in maniera consequenziale, evitando in questo modo di trattarli come elementi privi di un legame logico tra loro: il contesto è fondamentale per la simulazione di una sofisticata e quanto più reale conversazione con un agente umano, e permette di adattare le domande e risposte del chatbot in maniera dinamica.

Un sistema di feedbacks consente al chatbot di migliorare in base alle interazioni con gli utenti, inoltre una apposita sezione di live training all’interno della dashboard di amministrazione consente di testare il bot, ispezionare le informazioni estratte, ed allenarlo a fornire le risposte desiderate.

Un aspetto molto importante del chatbot è la sua multicanalità: dal sito web e applicazione mobile, alle principali app di messaggistica istantanea (come Facebook Messenger e WhatsApp), fino ad arrivare a smart speakers ed al canale telefonico, dando all’utente la possibilità di scegliere il canale di contatto con l’azienda in base alle sue preferenze.

La Knowledge Base.

La scelta di un sistema per la gestione del know-how è una fase decisiva e strategica: un sistema centralizzato pensato per l’organizzazione dei contenuti e la loro fruibilità immediata per tutti gli stakeholder accresce il valore di un’azienda, trasformando in veri e propri asset quelle singole conoscenze altrimenti rimangono peculiari dei soli singoli attori.

La soluzione di Knowledge Base proposta da Responsa permette di organizzare i contenuti per aree tematiche, ottimizzandone il reperimento in fase di ricerca. La modalità più semplice, basata sulla creazione di domande e risposte, è integrata dalla possibilità di caricare immagini e documenti, anch’essi ricercabili, oppure utilizzabili sotto forma di allegati. Per aziende più strutturate che facciano già uso di piattaforme collaborative (come ad esempio, Confluence), Responsa offre opportunità d’integrazione che permettono di reperire i contenuti direttamente da tali sistemi terzi.

La Knowledge Base è interrogabile attraverso il chatbot, di cui ne è per l’appunto la base di conoscenza, oppure attraverso un widget, grazie al quale è possibile integrare all’interno di qualsiasi sito web e applicazione mobile un sistema di FAQs intelligente e sempre aggiornato.

Escalation a ticket e live chat.

Ci sono richieste che non potranno mai essere gestite da un chatbot e casi in cui contesto della conversazione può richiedere una escalation, in questi casi il ChatBot può trasferire la conversazione a un agente di live chat,  garantendo una transizione trasparente dall’agente virtuale a quello umano, oppure guidare l’utente nell’apertura di un ticket. Responsa offre anche la possibilità di integrazione via API con piattaforme di ticketing e live chat di terze parti.

Il Motore Di Ricerca Semantica.

Al cuore delle funzionalità di ricerca, il motore semantico di Responsa offre una serie di specifiche funzionalità attivatibili e personalizzabili in maniera modulare per ottenere sempre il massimo a seconda delle specifiche esigenze e peculiarità di ogni azienda. In particolare, un’analisi di Natural Language Processing e Understanding permette il riconoscimento di intenti ed entità personalizzabili, smalltalks (tramite le quali è possibile definire lo stile conversazionale del chatbot anche nel momento in cui la conversazione diventi informale o generica), ed un sofisticato sistema di gestione dei sinonimi.

Una pipeline di elaborazione documentale permette non solo di estrarre informazioni strutturate da documenti e immagini, ma anche di restituire in fase di ricerca l’estratto più significativo del file identificato.

Una pipeline di elaborazione documentale permette non solo di estrarre informazioni strutturate da documenti e immagini, ma anche di restituire in fase di ricerca l’estratto più significativo del file identificato.

Uno speciale encoder consente di effettuare ricerche in modalità multilingua.

Tutte le impostazioni di ricerca sono altamente configurabili in autonomia dalla dashboard: dalla semplice attivazione di moduli specifici, come l’analisi NLP legata ad intenti/entità o la modalità di ricerca preferita (quest’ultima basata su keywords e tecniche statistiche o in alternativa affidata esclusivamente a modelli di deep learning), alla configurazione di specifici valori e parametri, come i singoli termini utili all’identificazione di intenti ed entità, le stopwords, e tutti quei parametri numerici in definizione di determinate soglie di confidenza o severità nei criteri di classificazione.

Perchè Responsa?

Da anni evolviamo insieme alle esigenze dei nostri clienti, mettendo a disposizione di tutti le possibilità dell’intelligenza artificiale. Crediamo fortemente che l’elasticità del nostro approccio, l’accuratezza dei risultati e le diverse possibilità di integrazione e personalizzazione del servizio offrano la soluzione più completa per quanti credano nel valore dell’importanza di uno scambio fluido, dinamico e fruibile di tutto il patrimonio informativo aziendale.

Riferimenti:

[1] Saizheng Zhang, Emily Dinan, Jack Urbanek, Arthur Szlam, Douwe Kiela, Jason Weston, Personalizing Dialogue Agents: I have a dog, do you have pets too?, 2018.

https://arxiv.org/abs/1801.07243

[2] Hannah Rashkin, Eric Michael Smith, Margaret Li, Y-Lan Boureau, Towards Empathetic Open-domain Conversation Models: a New Benchmark and Dataset, 2018.

https://arxiv.org/abs/1811.00207

[3] Emily Dinan, Stephen Roller, Kurt Shuster, Angela Fan, Michael Auli, Jason Weston, Wizard of Wikipedia: Knowledge-Powered Conversational agents, 2018.

https://arxiv.org/abs/1811.01241

[4] Eric Michael Smith, Mary Williamson, Kurt Shuster, Jason Weston, Y-Lan Boureau, Can You Put it All Together: Evaluating Conversational Agents’ Ability to Blend Skills, 2020.

https://arxiv.org/abs/2004.08449