Agente virtual de Genesys

El volumen de los centros de contacto crece a un ritmo vertiginoso. Contratar Agentes para equilibrar ese volumen es caro y no lo suficientemente rápido. Los centros de contacto buscan ofrecer a los consumidores experiencias similares a las de un agente de forma rápida y eficaz. A medida que las preferencias de los consumidores y las opciones de autoservicio cada vez más avanzadas desplazan las preguntas "fáciles" fuera del centro de contacto, los agentes se quedan con cuestiones complejas que resolver, para clientes cuyas expectativas son más altas que nunca.  Esto puede dar lugar a un aumento de las transferencias de interacción. ¡Virtual Agents are here to help! Using the power of Generative AI and Large Language Models (LLMs). Tpueden imitar una conversación más natural, como un agente, y pueden resolver los problemas complejos que puedan surgir. 

Virtual Agent permite a nuestros clientes iniciar de forma autónoma, y conversaciones completas en tiempo real. La VA utilizará los LLM para comprender lo que el cliente desea lograr, guiarle a través de una tarea siguiendo un proceso de negocio o mostrarle los artículos de conocimiento apropiados para realizar el trabajo. Virtual Agents pueden desplegarse tanto en canales de voz como digitales, todo ello construido en un editor sin código dentro de Genesys Architect. Los agentes virtuales pueden formarse a partir de transcripciones de clientes existentes mediante la herramienta Intent Miner para empezar a trabajar más rápidamente. Después de que una VA complete una conversación , utilizará la IA Generativa para realizar las mismas actividades de trabajo posteriores a la llamada, como redactar un resumen, etiquetar un código de envoltura y proporcionar los siguientes pasos. El autoservicio basado en IA permite a las empresas ampliar sus interacciones con los clientes al tiempo que mejoran la experiencia. Esto, a su vez, mejora los índices de resolución en el primer contacto y reduce los traslados. 

El auge de los canales digitales y de voz ha dado lugar a un aumento de las expectativas de los clientes y a un incremento significativo del volumen de interacciones que las empresas deben gestionar cuando prestan servicios a sus clientes. A medida que las organizaciones adoptan cada vez más la Inteligencia Artificial (IA), muchas están implementando agentes virtuales para relacionarse con los clientes. Los agentes virtuales responden a consultas y automatizan diversas tareas en plataformas digitales como sitios web, aplicaciones móviles, redes sociales, SMS y aplicaciones de mensajería.  

Los agentes virtuales desempeñan un papel crucial a la hora de aliviar la presión sobre los empleados de los centros de contacto, al tiempo que mejoran la experiencia general del cliente y gestionan los costes de forma eficaz. Los agentes virtuales trabajan 24 horas al día, 7 días a la semana, proporcionando asistencia inmediata, respondiendo preguntas, realizando tareas y pasando sin problemas a un agente humano siempre que sea necesario. 

El innovador enfoque híbrido de Genesys combina los flujos de bots de Dialog Engine y la avanzada tecnología de IA generativa y LLM, ofreciendo una experiencia excepcional a clientes y agentes.Este enfoque híbrido proporciona la confianza y transparencia de una experiencia basada en flujos más tradicionales, al tiempo que hace que la conversación sea más flexible y dinámica mediante el uso de LLM.  

 Para los agentes de atención al cliente, las ventajas son igualmente impresionantes. Reciben resúmenes concisos de las conversaciones gestionadas por los agentes virtuales, lo que les permite captar rápidamente el contexto y atender las necesidades del cliente con rapidez y precisión. En Agent Copilot se encuentran LLM y IA Generativa similares, para ayudar a que los agentes sean más eficientes.  

Los clientes finales experimentarán un nuevo nivel de servicio, ya que nuestros agentes virtuales responden de forma natural y conversacional. Cuando tengan preguntas, no tendrán que buscar en largos artículos; en su lugar, se destacan o generan respuestas a su pregunta concreta. Ya sea interactuando a través de canales digitales o de voz, nuestros agentes virtuales comprenden las necesidades del cliente y captan la información esencial para completar las tareas sin problemas. 

Además, cuando un agente virtual concluye con éxito una conversación, la cierra como lo haría un agente humano, escribiendo un resumen y asignando un código de cierre que proporciona información valiosa sobre el rendimiento. Esto permite a las partes interesadas medir fácilmente la eficacia y mejorar continuamente el servicio al cliente. 

Los Agentes Virtuales de Genesys utilizan LLMs para ayudar a los clientes a encontrar la información que buscanoking for para resolver sus consultas rápidamente y con gran precisión. Los agentes virtuales pueden entender la intención de los clientes y ofrecer respuestas rápidas y accurate . Tienen tla capacidad de resumir unan respuesta a partir de un único artículo de modo que puedan dirigirse directamente a los clientes pregunta, en lugar de dar una respuesta ampulosa que cliente debe leer. Los agentes virtuales proporcionan una comprensión contextual de nivel más humano que otros robots , además de tener la capacidad de mantener conversaciones completas, almacenare el historial y proporcionarde códigos automáticos de recapitulación. 

Lógica empresarial 

NLU: 

• Intenciones: El objetivo de la interacción. Por ejemplo, una intención de "reservar vuelo" devuelta por la NLU dirigirá al usuario a la tarea relacionada y le guiará a través del proceso. 

• Tragamonedas: Información adicional necesaria para completar una tarea o responder a una pregunta. Por ejemplo, "Reservar un vuelo a París" extraería la ranura de "Destino" con la palabra clave París. Las franjas horarias pueden rellenarse en la solicitud inicial o a lo largo del flujo cuando sea necesario.  

LLM: 

• Modelo lingüístico grande: Los LLM se forman simplemente proporcionando una descripción de lo que hay que hacer. Por ejemplo, una intención "reservar vuelo" tendría una descripción de algo así como "un usuario solicita reservar un vuelo con la aerolínea" e independientemente de cómo lo pida un usuario, el LLM identificará qué intención está solicitando 

• Los LLM también se utilizan para extraer franjas horarias. De nuevo, basta con dar una descripción como "La ciudad a la que el usuario quiere volar" y, utilizando su conocimiento preexistente del mundo, el LLM identificará cualquier ciudad que el usuario pueda solicitar.  

• Generación de Recuperación Aumentada (RAG): Los agentes virtuales pueden utilizar modelos RAG para recuperar primero el artículo correcto de la base de conocimientos, aumentar la consulta al LLM utilizando el artículo y generar una respuesta personalizada a la pregunta del usuario. Los modelos RAG limitan el conocimiento del LLM únicamente al contenido empresarial proporcionado en el artículo para aumentar la precisión y el conocimiento del dominio, al tiempo que mantienen la naturaleza altamente conversacional de un LLM.  

BL1: Agente Handoff: El cliente puede solicitar la conexión con un agente disponible. En ese momento, el Agente Virtual se desconecta y la transcripción del chat (excluyendo los datos sensibles) aparece en el escritorio del agente. La VA también enviará un resumen de la conversación mantenida hasta el momento.  

BL2: Encuesta: El cliente puede decidir si se dirige a una encuesta o no. Esta encuesta puede basarse en: 

• Información sobre el perfil del cliente en Contactos externos 

• Datos del recorrido del cliente 

• Llamada API a fuente de datos de terceros 

La transcripción del chat entre el cliente y Agente Virtual se rellena en la ventana de interacción del chat en el escritorio del agente. El resumen aparece en el panel de interacción. 

Informes en tiempo real 

Con Genesys Cloud, puede realizar informes de flujos y utilizar los resultados de los flujos para informar sobre los intentos de VA y Bot Flow. 

Consulte la vista Resumen de rendimiento de flujos y utilice las estadísticas de resultados de flujos para ayudarle a determinar los problemas de rendimiento de flujos de VA y Bot específicos y recopilar datos sobre el éxito del autoservicio. Utilizar los datos de flujo de VA y Bot Flow para mejorar los resultados. Nota: Las estadísticas de resultados de flujo requieren que el cliente aplique resultados de flujo.  

Utilice la vista Flows Performance Detail para ver un desglose de las métricas por intervalo para un flujo específico de VA y Bot Flow, y para ver cómo las interacciones de VA y Bot Flow entran y salen de un flujo de chat. 

La vista Resumen de resultados de flujos de muestra estadísticas relacionadas con los chats que entran en los flujos de Architect. Estas estadísticas pueden ayudarle a determinar lo bien que sus flujos de VA y Bot Flow atienden a los clientes y a recopilar datos sobre el éxito del autoservicio. 

Informes históricos 

En el panel del optimizador de conocimientos, puede analizar la eficacia de su base de conocimientos. En esta vista, puede ver las siguientes métricas: 

• Todas las consultas en un plazo determinado y el desglose, en porcentajes, de consultas contestadas y no contestadas. 

• Todas las consultas respondidas en un plazo determinado y el desglose, en porcentajes, de la aplicación desde la que se originó la conversación. 

• Todas las consultas sin respuesta en un plazo determinado y el desglose, en porcentajes, de la aplicación desde la que se originó la conversación. 

• Los 20 artículos más leídos y la frecuencia con la que un artículo aparece en una conversación. 

• Las 20 consultas más contestadas y la frecuencia con que cada una de ellas aparece en una conversación. 

• Las 20 preguntas más frecuentes sin respuesta y la frecuencia con la que cada una de ellas aparece en una conversación. 

véase Knowledge Optimizer 

El Bot Optimizer Dashboard puede utilizarse Architect para ver el rendimiento y las métricas operativas de alto nivel de un Genesys Dialog Engine Bot Flow o Genesys Digital Bot Flow seleccionado. Estos datos le ayudan a mejorar y solucionar los problemas de su VA y Bot Flow. También puede filtrar estos resultados especificando un intervalo de fechas o un idioma configurado. 

Los clientes y/o los Servicios Profesionales de Genesys son responsables de gestionar el NLU del Agente Virtual, el motor de reglas y cargar sus propios artículos de la base de conocimientos en Genesys Knowledge Workbench para que los utilice el Agente Virtual.

• El Cliente necesita proporcionar una KB o los artículos que serán los elementos de la Base de Conocimientos. 

• Las capacidades estadísticas de resultados de flujo requieren que el cliente implemente resultados de flujo. No salen de la caja. 

V 1.0.0