#mws_gpt — Public Fediverse posts

Как в звонках автоматически находить первые признаки выгорания операторов кол-центра

Привет, Хабр! Выгорание операторов — распространенная проблема в кол-центрах. По разным оценкам, текучесть персонала здесь достигает 40–45%, а средний срок работы составляет 8–12 месяцев. Это приводит к дополнительным расходам на обучение, росту нагрузки на команду и снижению качества сервиса. При этом заметные изменения в поведении сотрудников обычно фиксируются слишком поздно — когда проблема уже стала системной. Я Катя Саяпина, менеджер продукта МТС Exolve. В этом материале разберу способ раннего обнаружения таких изменений. Он опирается на статистические отклонения в поведении оператора и дополняет прямое общение с сотрудниками и сбор обратной связи в команде. Мы создадим на Python сервис, который объединит Telegram-бота, API МТС Exolve и LLM, развернутую на платформе MWS GPT.

https://habr.com/ru/companies/ru_mts/articles/977520/

#колцентры #выгорание_сотрудников #речевая_аналитика #анализ_звонков #Python #MWS_Exolve #MWS_GPT #LLM #автоматизация_мониторинга

RAG своими руками: как мы собрали ИИ‑помощник для поддержки и что из этого вышло

Привет, Хабр! Меня зовут Илья Парамошин, я ведущий инженер в МТС Web Services. В первой части мой коллега Владимир Дробот рассказал, зачем нам понадобился ИИ‑помощник для техподдержки и почему мы выбрали архитектуру на RAG. В этой статье я раскрою техническую сторону и разберу, как мы собирали данные, выбирали эмбеддинги, настраивали поиск и какие подводные камни встретили на пути. Спойлер: без костылей не обошлось, но система работает в проде и ежедневно помогает нашим инженерам. Для начала напомню, мы собрали рабочую RAG-систему, которая объединяет данные из Confluence и Jira и умеет искать по ним с учетом смысла. В основе — вполне классический стек, но с парой инженерных нюансов:

https://habr.com/ru/companies/ru_mts/articles/970476/

#искусственный_интеллект #служба_поддержки #AIассистент #RAG #LLM #MWS_GPT #ИИпомощник #техподдержка

RAG-помощник для команды саппорта своими руками

Привет! Меня зовут Владимир Дробот, я SRE-лид и руководитель центра техподдержки кластера рекламных технологий компании МТС Web Services. Наша команда отвечает за вторую линию саппорта: мы разбираем сложные инциденты, ищем корни проблем и передаем разработчикам те баги, которые упираются в код или архитектуру. Поиск нужной инструкции в заросшей документации Confluence и Jira — головная боль для многих команд техподдержки.Чтобы повысить эффективность работы, мы решили сделать собственного ИИ-помощника. Под катом расскажу, как нам удалось довести проект до прода, совмещая его с ежедневной рутиной, и что мы поняли после его реализации.

https://habr.com/ru/companies/ru_mts/articles/970392/

#искусственный_интеллект #служба_поддержки #AIассистент #RAG #LLM #MWS_GPT #ИИпомощник #техподдержка

Готовим данные для LLM: открытые инструменты для нормализации, очистки и не только

Компании активно внедряют у себя решения на основе больших языковых моделей: боты техподдержки, умный поиск по базе знаний, выявление мошенников в диалоге или HR-ассистенты. Но самостоятельно вывести модель в полноценное продакшн-использование не так просто. К тому же для разных сценариев нужно тестировать разные модели. Это требует больших усилий. Чтобы уменьшить порог входа в эту технологию, мы создали собственную платформу —

https://habr.com/ru/companies/mws/articles/946126/

#MWS #mws_gpt #LLM #датасет