Разделы

Цифровизация ИТ в банках Открытое ПО Российское ПО

Искусственный интеллект в «Открытии» занялся техподдержкой

Искусственный интеллект в банке «Открытие» автоматизировал обработку 800 тысяч заявок, получаемых службой Service Desk по электронной почте ежегодно. Он работает быстрее и качественнее человека, поэтому банк собирается поставить робота еще и на прием заявок по телефону. О том, как ИИ повысил уровень внутренних сервисов, рассказывает Арсен Благов, директор направления по контролю и управлению качеством ИТ услуг банка «Открытие».

CNews: Зачем банку понадобилась автоматизация Service Desk?

Арсен Благов: Мы начали заниматься автоматизацией всех процессов банка еще в 2012 году. В качестве платформы мы создали очень масштабное и мощное решение на базе OTRS (OpenSource Ticket Request System). Это известный ITSM-продукт с открытым кодом, работающий в ряде крупных компаний, но у него не было некоторых функциональных возможностей, чтобы отвечать всем нашим требованиям, поэтому мы стали его дополнять новыми модулями.

Служба ИТ банка предоставляет пользователям около 1700 сервисов, доступных через единый портал. При этом портал используется не только айтишниками, но и бухгалтерией, HR, юристами, АХО и другими подразделениями: если вам нужны, например, визитки или стулья, вы оформляете заявку через него.

Часть обращений сотрудников – это заявки на техническую поддержку. В Service Desk они поступают по трем каналам: через портал, по электронной почте и по телефону. На портал приходится только 33% всех заявок, на телефон – 18%. Зато почта – это 49% всех заявок, потому что людям так проще. Но «проще» не значит «удобнее» – в этом плане как раз лучше пользоваться порталом, потому что там поля заполняются только нужными данными, и заявка автоматически отправляется сразу к нужным исполнителям. На втором месте – телефон, потому что оператор спросит у человека все данные и формализует заявку.

CNews: А заявки по электронной почте – это для вас проблема?

Арсен Благов: Да, потому что в год мы обрабатываем 1 млн 600 тыс. заявок, из которых 800 тыс. – письма в свободной форме. Очень часто письма в техподдержку не дают полную информацию. Сотрудник может написать два слова: «Не работает» и приложить скриншот. То есть при составлении заявки люди думают не о том, что им нужно донести суть проблемы, а о том, чтобы быстро сообщить о ней и вернуться к своей работе, что абсолютно логично.

Арсен Благов: В год мы обрабатываем 1 млн 600 тыс. заявок, из которых 800 тыс. – письма в свободной форме. Очень часто письма в техподдержку не дают полную информацию
Фото: Margarita Blagova (mbfoto.ru)

Сотрудникам первой линии поддержки – их всего 20 человек в смене – приходится им перезванивать, уточнять информацию. Причем первая линия – это наименее квалифицированные сотрудники, они тоже могут ошибиться и направить заявку не тому исполнителю.

CNews: Как бороться с этим?

Арсен Благов: Самое простое решение – увеличить долю заявок, приходящих через портал. Для этого можно ограничить число сервисов, доступных по электронной почте и тогда, если вы отправите письмо, вам придет автоматический ответ «пожалуйста, подайте заявку через портал». Но при этом мы потеряем качество обслуживания, так как откажем клиентам в одном из каналов предоставления сервисов. Мы принципиально не хотели этого делать, потому что ориентированы на качество.

Поэтому было решено что-то сделать с этими 49%. То есть нужно было убрать ручной труд, увеличить скорость и точность исполнения заявок. И мы начали искать робота, который мог бы автоматизировать разбор заявок, потому что по-другому эта задача не решается.

Примерно представляя, что нам нужно, мы начали искать подходящие предложения на рынке, обратились даже в Российскую Академию Наук, где нам посоветовали обратиться в «Преферентум» – компанию, которая специализируется на разработке искусственного интеллекта.

Что нам сразу понравилось – у «Преферентума» была одноименная система, способная понимать и категоризировать произвольный текст. Именно это нам и требовалось: взять письмо, выявить в нем существенную информацию, определить категорию заявки и отправить исполнителю. Так мы нашли программу, которая должна была автоматизировать эту работу и стать одним из модулей нашего решения на базе OTRS – мы назвали ее лингвистическим модулем.

CNews: Как работает этот модуль?

Арсен Благов: Модуль «видит» в письме слова, выражения, термины, цифры. Он их распознает, классифицирует и каждому из них присваивает определенный «вес». Затем он обрабатывает текст с учетом этих «весов» и определяет, какому сервису соответствует полученный результат.

Есть еще очень важная функциональная возможность модуля – он умеет распознавать изображения. К нам «прилетает» заявка со скриншотом, модуль «видит» на нем логотипы в верхнем левом углу информационных систем, стандартные диалоговые окна и текст в них. По логотипу он определяет, какая система изображена на картинке и, соответственно, поднимает ее «вес» в заявке, чтобы отправить в отдел, отвечающий за эту систему. А для более точного определения он распознает текст в диалоговом окне, сообщающем об ошибке.

CNews: Как проходило внедрение?

Арсен Благов: Лингвистический модуль требовал обучения на наших данных, чтобы полноценно включиться в работу. У нас были исторические данные – это старые заявки в письмах и известные результаты: кто исполнитель, какое решение принято и т.д. Так что мы взяли примерно 400 тыс. заявок за последний квартал и «отдали» их лингвистическому модулю. Он, пользуясь заложенной в него логикой, разобрал эти письма, увидел зависимости между определенными словами в тексте и назначенными сервисами и обработал, то есть распределил по условным исполнителям.

CNews Analytics: Рейтинг операторов фискальных данных 2024
ритейл

Получилось, что он без нашего вмешательства правильно распознал 50% заявок. Это неплохой результат, но программа была способна на большее – нашей целью были 85%. И началась плотная совместная работа с коллегами из «Преферентума» – нужно было продолжить обучение модуля.

Коллеги посоветовали не обрабатывать неинформативную часть писем – приветствия и подписи. Второй круг обучения с учетом этой рекомендации дал уже 68% правильно распознанных заявок. Затем мы убрали два типа заявок: те, в которых было слишком мало текста или слишком много – они одинаково трудны для автоматического распознавания. Длинные письма, как правило, содержат сразу несколько тем и требуют внимания человека. Третий тест дал 73%

После этого мы занялись тонкими настройками системы и добились целевого показателя, чтобы лингвистический модуль правильно распознавал 85% всех почтовых заявок. За 5 месяцев мы вместе с «Преферентумом» выпустили 3 или 4 версии модуля, после чего наши сотрудники провели его интеграцию с системой и запустили.

CNews: Какой результат получил банк от этого проекта?

Арсен Благов: Автоматическое распределение 85% заявок дало нам возможность ускорить их рассмотрение, потому что у нас больше нет маршрутизации на первой линии поддержки – модуль справляется с письмом за доли секунды.

Александр Осипов, МегаФон: Эффективность киберзащиты вырастет, если снизится рутинная нагрузка на специалистов
безопасность

Из 20 сотрудников смены на первой линии 6 мы освободили от обработки почты и перенаправили на работу с качеством оказания сервисов: связаться с клиентами, ускорить выполнение заявок и т.п. В результате у нас повысился показатель first call resolution, снизился процент ошибок. Мы до этого знали, что первая линия неправильно маршрутизировала заявки в 6-7% случаев. Робот же ошибается только в 2,5% случаев.

Положительный эффект связан даже с нераспознанными письмами, потому что в них модуль все равно предлагает несколько вариантов, кому нужно направить заявку, и среди них всегда есть правильный ответ. Это значительно облегчает и ускоряет работу сотрудника, разбирающего почту после робота.

CNews: Вы будете развивать это решение?

Арсен Благов: Да, причем в определенном смысле оно уже идет. Лингвистический модуль продолжает самообучение во время работы на наших данных. Оно идет самостоятельно, хотя наши администраторы при необходимости делают небольшие ручные настройки.

В будущем мы планируем внедрить распознавание речи. Если сотрудник звонит в техподдержку и все операторы заняты, то IVR предложит ему надиктовать заявку и даже задаст необходимые вопросы типа «какая у вас система», «в чем заключается проблема» и т.д. В результате звонка будет создана заявка, к которой робот приложит файл с записью голоса. Но главное, что голос будет переведен в текст, и этот текст, как и письма, пройдет через лингвистический наш модуль. Это позволит нам автоматизировать обработку заявок, поступающих в Service Desk по всем каналам.

То, что мы на правильном пути, признают, как наши пользователи, так и коллеги-специалисты – за этот проект мы получили награду в номинации «Инновационность» на самой престижной российской конференции по управлению ИТ – ITSMF 2017.

Павел Притула