Машинное обучение улучшает взаимодействие с клиентами в финансовых организациях
Одна из таких инноваций — машинное обучение (Machine Learning, ML). Высокий интерес к нему объясняется не только доступностью механизмов ML как в приобретении, так и в реализации, но и появлением новых возможностей. Эти механизмы, в частности, позволяют значительно упростить решение задач, для которых раньше требовались весьма и весьма сложные, замысловатые алгоритмы, и снизить сопутствующие издержки.
Машинное обучение сегодня используется во многих бизнес-направлениях — от контакт-центров до служб HR и от принятия решений по кредитам до борьбы с мошенничеством, для обработки как структурированных, так и неструктурированных данных — текстовых, аудио и видео.
Хоум Банк стремится отслеживать инновации на финансовом рынке и внедрять новые технологии для улучшения предоставляемых услуг и работы банка в целом. В частности, технология ML применяется для улучшения общения с клиентами. Дивидендами от инвестиций в эту область становятся улучшение качества услуг и повышение лояльности клиентов, которое в конечном итоге ведет к лидерству на рынке.
Как с помощью ML можно анализировать диалоги и сообщения
Для анализа телефонных звонков в банке используется ML-модель транскрибации — распознавания голоса и преобразования его в текст. Чтобы лучше понимать, что нравится и что не нравится клиентам, специалисты банка разработали классификатор, основанный на обработке сообщений на естественном языке (Natural Language Processing, NLP). На базе одной из новейших NLP-архитектур работают и чат-боты. Кроме того, применяются модули для токенизации текстов и их разбиения на последовательности. Для улучшения классификации проводятся эксперименты с нейросетями.
Кстати, один из минусов многих NLP-моделей — медленная работа. Чтобы предоставить клиентам возможность комфортно общаться с банком через чат или по телефону, нужны модели, способные очень быстро, в реальном времени, распознавать и формулировать реплики — определять, чего хочет клиент, и готовить подходящие ответы. Для этого необходимо «на лету» анализировать текст (сообщение из чата либо транскрибированное сообщение, принятое по телефону) и подсказывать оператору, как лучше ответить данному клиенту. В ряде случаев бывает полезно также предоставлять оператору информацию о клиенте, быстро извлекая ее из систем, где она хранится. Такие модели в Хоум Банке уже используются.
Проходят испытания и большие языковые модели (Large Language Model, LLM) — в первую очередь оценивается скорость ответов и их качество. В скором времени планируется использовать LLM-модели для совершенствования программных помощников для операторов или бизнес-пользователей, а также для интеллектуальной обработки документов. Еще одно направление развития использования LLM-моделей — организация с их помощью обучения операторов продажам банковских продуктов, чтобы повысить продуктивность взаимодействия с клиентами по телефону или через чат.
В скором времени банк рассчитывает начать применять модели аудиоаналитики, не требующие натаскивания на больших объемах размеченных данных. Такие модели позволяют, например, распознавать голосовые сообщения, благодаря пониманию контекста, не пользуясь при этом разметкой транскрибированных текстов.
Как прислушиваться к клиенту
Анализируя тексты, можно определить настроение и эмоции клиента: доволен ли он, а если недоволен, то чем именно. Учитывая предыдущие диалоги с ним, можно понять, как часто он выражает свое недовольство. Построенные на основе полученной информации прогнозы вероятности развития негативных событий (например, подачи жалобы в ЦБ РФ) помогают их предотвращать.
Чтобы своевременно предоставить оператору полезную подсказку, банк с помощью моделей анализирует диалог. Если, например, встречается словесный триггер, по которому оператор должен назвать сумму кредита, доступного конкретному клиенту, то, прежде чем подсказать ее оператору, эта величина сравнивается со значением максимальной суммы, одобренной данному клиенту. Ну а если он интересуется текущей задолженностью, то ее величина берется из системы, где такая информация имеется, и предъявляется оператору. В ряде случаев для подготовки ответа на вопрос клиента производится поиск по базе знаний с ответами на достаточно распространенные вопросы, и наиболее подходящий из них передается оператору.
Метрики, характеризующие интонацию, предоставляет модуль-транскрибатор, преобразующий голосовые сообщения в текстовые. Эти показатели учитываются при оценке качества взаимодействия с клиентом.
Сейчас в банке прорабатываются идеи по созданию собственного модуля-транскрибатора — возможно, на базе модели Whisper, достаточно успешно работающей с русским языком. Правда, для реализации этих планов потребуется достаточно большая база данных с образцами фонограмм для обучения модели распознаванию интонаций и эмоций, поэтому сейчас банк накапливает записи телефонных диалогов с яркой интонационной окраской.
Чтобы улучшить взаимодействие с клиентами, в банке планируют провести масштабный ретроспективный анализ текстов диалогов с учетом всей имеющейся информации о клиентах. Такой подход поможет банку улучшить понимание поведения клиентов. Приняв во внимание множество нюансов, информация о которых хранится в различных системах, банк сможет усовершенствовать аналитические модели и усовершенствовать прогнозирование поведения клиентов.
ML — не только для общения с клиентами: как используется машинное зрение
В некоторых подразделениях банка, в частности в канцелярии, имеется большое количество документов, подлежащих обработке. Еще недавно сотрудники вручную определяли тематику каждого документа (о чем он, какую тему затрагивает), перекладывали его в одну из папок, отправляли на сканирование, распознавание, а затем и на дальнейшую обработку. Недавно в этот процесс были внесены существенные изменения: тематика документа стала определяться не вручную, а автоматически — с помощью машинного зрения. Вручную производится только загрузка документов на скан-сервер. Дальнейшую обработку полученных изображений обеспечивают программные роботы.
Для распознавания документов применяются модели с открытым кодом — с их помощью из скан-копий извлекаются штрихкоды, печати, имена и фамилии, адреса и пр. Задача систем на базе ML — классифицировать документ, загрузить его содержимое в соответствующие системы и передать нужному сотруднику. Такой подход повышает скорость обработки документов, способствует снижению числа жалоб и, что тоже важно, высвобождает сотрудников от рутинных операций.
Проводятся эксперименты и с использованием машинного зрения в офисах банка. В частности, эта технология применяется для отслеживания очередей и распознавания эмоций клиентов.
Как искать и развивать новые идеи по использованию ML
Чтобы стимулировать обмен опытом и обсуждение идей в области ML, в 2023 году в банке была создана гильдия по машинному обучению — сообщество, объединяющее специалистов, создающих или применяющих механизмы машинного обучения в своих прикладных областях. Кроме того, участниками гильдии стали и общебанковские ML-специалисты. В рамках этого сообщества эксперты не только обмениваются своими идеями, но и обсуждают предложения по использованию ML, которые высказали их коллеги — представители бизнес-направлений.
Преимущество этого подхода в том, что все участники гильдии глубоко погружены в различные направления ML. Специалисты, получившие от бизнеса запросы на реализацию тех или иных функций, могут провести в рамках гильдии мозговой штурм и найти наилучшие варианты создания решений.
Что не менее важно, участие в гильдии помогает специалистам развиваться, получая знания о различных бизнес-сценариях применения ML, новейших алгоритмах и технологиях, возможностях и тонкостях их использования. При желании эксперты могут не только углубиться в другие направления ML, но и переключиться на них.
И кстати, обсуждение идет в двух направлениях: от запросов бизнеса — к их реализации и от идей специалистов — к новым возможностям для бизнеса. Другими словами, гильдия помогает бизнесу не только создавать нужный функционал, но и находить новые идеи применения ML и встраивать функции на его базе в процессы и операции.
В поисках новых идей члены гильдии регулярно анализируют статьи в различных источниках и посещают мероприятия по ML, извлекая из них много интересного и полезного — это касается и технологий, и бизнес-сценариев, и примеров их реализации. И конечно же, ML-специалисты пишут статьи и выступают на конференциях.
В начале марта прошел HomeHack — первый совместный онлайн-хакатон Хоум Банка и Sk Fintech Hub (Центр экспертизы и коммерциализации технологий в финансовом секторе «Сколково») для ИТ-специалистов, интересующихся разработкой, аналитикой и технологиями ML в банковской отрасли, он собрал более 500 участников. На хакатоне были представлены 377 решений. Шесть его победителей разделили призовой фонд, составивший 1 миллион рублей.
Вся эта деятельность направлена не только на обмен опытом, но и на продвижение бренда банка как инновационной организации, что способствует привлечению новых талантливых специалистов — носителей перспективных идей и тех, кто умеет их реализовывать на высоком профессиональном уровне.
Просматривая резюме кандидатов, банк оценивает и их участие в исследовательских проектах, хакатонах и других мероприятиях, где специалисты могут ярко себя проявить. Активных, инициативных, высокомотивированных сотрудников, которые умеют и любят не только трудиться, но и развиваться, банк старается привлечь в штат, чтобы вместе создавать новые эффективные возможности, основанные на инновациях.
Автор: Александр Петров, главный разработчик Хоум Банка