เมื่อปริมาณการโทรเพิ่มขึ้น การบริการลูกค้าแบบเดิมมักต้องเพิ่มจำนวนคน ซึ่งส่งผลให้ต้นทุนและความซับซ้อนในการโต้ตอบสูงขึ้น
Ringg ได้สร้างแพลตฟอร์ม Agent ที่สามารถดำเนินการต่างๆ ได้หลากหลาย ตั้งแต่การตรวจสอบนโยบาย การเรียกดูข้อมูลบัญชี การตั้งตารางนัดหมาย ไปจนถึงการอัปเดต CRM และการส่งต่อให้ผู้เชี่ยวชาญ พร้อมสรุปบริบทการสนทนาให้ครบถ้วน
ระบบความรู้ของ Ringg ผสานการกรองแบบมีโครงสร้างเข้ากับการค้นหาเชิงความหมายจากแหล่งข้อมูลหลากหลาย ทั้ง PDF, CSV และเอกสารธุรกิจ ทำให้ Agent สามารถตอบคำถามโดยใช้ข้อมูลองค์กรที่เกี่ยวข้องได้อย่างแม่นยำ
สำหรับการเลือกใช้โมเดล Ringg ได้ทำการประเมิน OpenAI เทียบกับทางเลือกอื่นในด้านคุณภาพการสนทนา, ความหน่วง (latency), การทำตามคำสั่ง, การเรียกใช้เครื่องมือ, ประสิทธิภาพหลายภาษา, ความน่าเชื่อถือ และต้นทุน และพบว่า OpenAI ให้ความสมดุลโดยรวมที่ดีที่สุดสำหรับงานระดับ Production
กรณีศึกษาจาก Groww ซึ่งเป็นแพลตฟอร์มลงทุนออนไลน์ พบว่า Ringg ช่วยแก้ไขข้อซักถามขาเข้าเกี่ยวกับ IPOs, futures และ options ได้ถึง 72% ผ่าน Self-service ด้วยเวลาเฉลี่ยเพียงสองนาที
การสร้างแพลตฟอร์ม Agent บนผลลัพธ์ของลูกค้า
Agent ต้องดำเนินการหลายอย่าง เช่น ตรวจสอบนโยบาย, ดึงข้อมูลบัญชี, หรืออัปเดต CRM ก่อนส่งต่อให้ผู้เชี่ยวชาญ
Ringg Orchestration Layer ทำงานข้าม CRM, แพลตฟอร์มตั๋ว, ระบบการชำระเงิน และ API ภายใน และจะส่งต่อให้มนุษย์พร้อมสรุปการสนทนาเมื่อจำเป็น
การกำหนดเส้นทางแต่ละงานไปยังโมเดล OpenAI ที่เหมาะสม
Ringg ประเมิน OpenAI เทียบกับทางเลือกอื่นในด้านคุณภาพการสนทนา, ความหน่วง, การทำตามคำสั่ง, การเรียกใช้เครื่องมือ, ประสิทธิภาพหลายภาษา, ความน่าเชื่อถือ และต้นทุน
พบว่า OpenAI ให้ความสมดุลโดยรวมที่แข็งแกร่งที่สุดสำหรับภาระงานระดับ Production
การใช้ Production Evals เพื่อปรับปรุงคุณภาพและต้นทุน
บริษัททดสอบโมเดลในรูปแบบภาษาและภูมิภาคต่างๆ รวมถึงการสนทนาที่เปลี่ยนภาษาหรือผสมภาษาอังกฤษกับสำเนียงท้องถิ่น ซึ่งเป็นพฤติกรรมทั่วไปในตลาดที่ให้บริการ
การสนับสนุนจาก Slack และการเข้าถึงทีมวิศวกรรมหลักช่วยให้การทำงานรวดเร็วขึ้นและขยายขีดความสามารถของ Agent ได้อย่างรวดเร็ว
ที่มา: OpenAI