2023 年提高电信取消费者服务质量报表 ： 以生成型 AI 回呼唤(英文版)

生成的 AI 接听电话 在与 专家 关于这个话题 范莎娜在TIM工作了大约11年，将传统的服务转变为全新的体验。在此期间，她积累了专注于数字转型和人工智能解决方案的项目管理经验。她拥有计算机科学学位和IT治理学位。 Vanessa Mascarenhas 高级经理 ， AI 客户渠道 TIM Brasil linkedin. com / in / vanessa - mascarenhas - 484312b vcarneiro @ timbrasil. com. br 作为IBM的一位高级经理，史蒂芬通过向通信服务提供商（CSP）和企业客户交付技术、产品和解决方案，推动了数十亿美元的利润和损失（P&L）。他在科技、媒体和电信（TMT）战略咨询领域工作已有20年。他指导固定和无线电信运营商、工业、云规模、私人股权投资和政府部门客户，在业务变革、数字化和技术创新的交汇处推动这些客户的发展。他在影响TMT产业发展的重要学术和行业论坛中非常活跃。他拥有牛津大学的战略与组织领导力硕士学位。 斯蒂芬 · 罗斯 总经理 ， 全球 TME 和分销 IBM linkedin. com / in / thestephenrose stephen. rose @ ibm.com 作为全球行业领导者，拉胡尔支持IBM Consulting™在通信服务提供商（CSP）客户全球范围内推动转型议程、机会、解决方案和交付的目标，同时为行业思想领导力做出贡献。拥有超过23年的电信行业咨询经验，拉胡尔曾在多家领先的CSP客户数字化转型、从线索到现金流程、全渠道以及业务支持服务（BSS）转型项目中担任顾问。他与客户紧密合作，共同创造了显著的商业价值，并为他们的客户和用户提供了一致且无缝的体验。此外，拉胡尔还是IBM的行业钻石徽章持有者。 Rahul Kumar 资深合伙人兼副总裁，IBM咨询全球电信和媒体行业领导者 IBM 行业学院成员 [ca.linkedin.com/in/1rahulk](ca.linkedin.com/in/1rahulk) rahulk@ca.ibm.com 专家 关于这个话题 Gianluca目前担任数据和技术转型的服务线负责人。他拥有技术背景，在电信行业拥有超过20年的经验，并且对人工智能相关话题有深入的关注。他曾担任多个电信联络中心解决方案的首席架构师，这些解决方案采用了诸如人工智能、智能自动化和高级分析等创新方法论。目前，他是IBM咨询意大利公司的watsonx和生成式AI的参考专家。 Gianluca Palumbo 意大利数据与技术转型服务线负责人IBM Consulting[ Gianluca Palumbo ](it.linkedin.com/in/gianlucapalumbo)gianluca.palumbo@it.ibm.com 普里亚负责IBM商业价值研究院的电信研究领域。她拥有电信工程背景，并在四大洲超过十家电信提供商工作过。她将对电信价值链、合作伙伴关系、竞争、监管、自动化以及先进技术的深刻而广泛的理解带入工作中，帮助客户理解技术带来的商业价值。普里亚特别关注5G企业商业化，并且是UKTIN人工智能专家工作组和GSMA物联网论坛的成员。 Priya Kurien 全球电信领导者 IBM 商业价值研究所 linkedin. com / in / priya - kurien priya. kurien @ ibm. com 前言 在本报告的早期这是一个非常重要的陈述：“AI 并非电信行业的新事物。”传统上，AI被广泛应用于多个场景，包括客户服务、服务和运营管理工作以及网络管理，这早已为通信服务提供商（CSPs）所熟知。随着网络和服务变得越来越复杂，AI 与自动化相结合的应用将会增加。实际上，在 GSMA Intelligence 的报告中，2023 年和自动化势在必行， CSP 将服务复杂性列为网络和服务领域自动化的首要理由。 然而，尽管传统AI推动了变革性的自动化能力，生成式AI则开启了众多新的可能性。正如其名称所暗示的那样，这种AI的下一步进化能够生成新的内容。然而，真正使其在餐桌上和董事会中占据主导地位的原因是其快速的民主化，这有助于其采用率和应用场景以惊人的速度扩大。 对于通信服务提供商（CSPs），这种节奏带来了重要的动态。潜在用例的数量对网络运营、治理、技能提升等方面产生了影响。虽然一些用例可能是显而易见的，但其他用例则不然。例如，改进客户服务已被广泛理解和接受，并且是一个受欢迎的起点。然而，根据GSMA Intelligence 2023年网络转型调查的结果，使用生成式AI进行预测性维护和威胁缓解的应用预计将在未来增长。电信行业的生成式AI故事明天将与今天大不相同。幸运的是，几乎每个人都似乎理解这一点。 在当前时刻，电信运营商可以通过在其客服中心采用生成式AI来实现早期突破，同时在使用传统AI的基础上解决提供优质客户体验这一关键战略优先事项。然而，正如报告所解释的，尽管生成式AI具有巨大的潜力，但也带来了对现代技术基础和新风险的关注需求。能够成功平衡这些领域的电信运营商，可以进一步提高其组织内部的AI效率。 关键要点 CSP 可以通过生成 AI 重塑客户服务。 CSP 可以使用 AI 来重新构想客户服务和提供服务的员工的体验。 几乎所有的通信服务提供商（CSPs，97%）表示，对话式AI对客户满意度产生了积极影响。1这为生成 AI铺平了道路。 中心处于不同阶段 大多数人需要在追求生成 AI 之前现代化他们的技术基础。 拥抱创成式 AI 需要预见风险并加强AI 治理。 生成式AI创造新的风险，企业领袖可以通过规划并与 knowledgeable partners 合作来导航这些风险。 在竞争激烈的行业中，订阅增长率长期停滞在个位数的低水平，客户流失率居高不下，通过生成式AI彻底革新电信联络中心有望带来颠覆性的变化。2 通过使与虚拟代理的交互更加非机械化、更具人性化，并为人类代理提供更强大的洞察力，生成式AI可以帮助通信服务提供商（CSPs）令客户惊叹、建立品牌忠诚度并提升收入。 人工智能在接触中心并不新鲜，电信行业早已是对话式人工智能（Conversational AI）的早期且成功的采用者。该技术利用自然语言处理（NLP）来驱动虚拟代理和聊天机器人以解决简单的客户查询。成效显著。根据IBM商业价值研究院（IBM IBV）的研究，在使用虚拟代理技术（VAT）的电信公司中，有97%的公司报告称其对客户满意度产生了积极影响——这一比例在调查的12个行业中最高。2 但是会话式AI也有局限性。虽然它可以自动化任务并为顾客查询提供预定义的响应，但复杂的问题超出了基本聊天机器人的能力范围。此外，方言和背景噪音也挑战了其理解请求或问题的能力。 人工智能在呼叫中心的应用并不新鲜，电信行业早期采用对话式人工智能对提升客户满意度产生了积极影响。 添加生成式AI——最新的AI突破——与对话式AI结合，使通信服务提供商（CSPs）能够重新想象面向客户的全渠道服务体验（参见第8页的视角“传统AI与生成式AI对比”）。由于生成式AI所基于的AI模型可以通过行业或组织特定的数据进行微调，它们能够使虚拟代理更加有效，并显得更为直观。具体而言，虚拟代理可以利用生成式AI来： –适应 ：与客户的声音保持一致；为老年人等弱势群体服务，可以减慢语音合成的速度；并支持多样的词汇，如不同的发票用词。 –创建:提供更加自然的对话响应，生成和分析通话摘要以获取洞察，或渲染新的面向客户的内容和文档。实际上，一家大型全球电信公司在通过生成式AI分析座席对话获取的见解中发现了2000万美元的运营改进节约。5 –学习 ：解读上下文和细微意图，在交流中学习以提供更加准确和相关的回应。4 –预期:整合跨平台和渠道的客户和公司数据，实时生成更为精确的响应，同时在客户甚至意识到之前预测并解决潜在问题。6 –检测:解析复杂的查询，识别客户偏好，并辨识如frustratio 或困惑等情绪。 赋能客户 ， 提升员工 生成式AI可以通过提供更智能的服务回复和请求、自助功能、多语言和多渠道能力以及全方位的可操作见解报告（如图1所示），来增强呼叫中心的体验，惠及员工和客户。 透视 传统 AI 与生成 AI7 许多组织采用了传统人工智能（AI），因其能够检测模式、生成见解、预测结果，并基于训练数据集实现自动化。传统AI在呼叫中心通过对话式AI得到应用，后者利用虚拟代理技术为最终用户提供服务。对话式AI通过机器学习、自然语言处理与生成、情感分析、语言翻译、语音转文本、机器人流程自动化和光学字符识别（OCR）等技术，实现了对话自动化和后端流程自动化。虚拟代理或聊天机器人是虚拟代理技术的一种具体实例。 生成性人工智能在2022年凭借OpenAI的ChatGPT问世而迅速崭露头角，揭示了人工智能技术与自然语言处理的重大突破。正如其名称所暗示的那样，人工智能已超越重复学习内容的阶段，开始基于对原始现有数据的理解和操控生成新的内容，包括文本、视频、图像、音乐和代码。 The differentiator has been the evolution of foundation models. 在基础模型的发展方面已成为差异化的关键因素。In contrast to traditional AI, where each model is trained on its own dat a set to complete a task, generative AI uses foundation models, whichare self-trained on a vast amount of unlabeled data. 与传统AI不同，后者每个模型都是在其自己的数据集上训练以完成特定任务，而生成式AI则使用基础模型，这些模型是在大量未标记的数据上自我训练的。The foundation model becomes a starting point that can be adapted an d fine-tuned to many applications or tasks using smaller sets of industry- or company-specific, labeled, and unlabeled data. 基础模型成为可以使用较小规模的行业或公司特定、有标签和无标签数据进行适应和微调的起点，以应用于多种应用或任务。This makes foundation models flexible, efficient, and reusable, helping accelerate AI adoption. 这使得基础模型具有灵活性、高效性和可重复使用性，有助于加速AI的采用。 AI 已经超越了重复学习的内容 ， 而是生成新内容 ， 包括文本、视频、图像、音乐和代码。 大规模语言模型（LLMs）是一种特定类型的基礎模型，专门针对自然语言处理任务进行了大量文本数据的显式训练。对于通信服务提供商（CSPs），这些数据可能来源于客户中心交互的通话记录转录。经过训练后，LLM可以通过各种形式进行部署，如聊天机器人，并通过API支持其他应用程序。 由于生成式AI尚不完美，存在有效性、准确性和可信度等方面的问题，组织在追求其应用时必须高度警惕风险。 传统 AI 生成 AI 遵循特定数据集上的预定义规则和模式以解决问题、进行预测并自动化任务。 根据从现有内容的海量数据集中学习的模式生成新内容 使用生成 AI 的潜在电信任务 使用传统 AI 的常见电信任务 个性化的产品、服务或计划建议 跟踪 NPS 分数 新产品、服务或计划开发 定制的发票解释性视频 呼叫摘要和分析 客户希望尽可能快速简便地解决发票、技术和服务查询，或探索新