Análise da situação atual
Os sistemas tradicionais de atendimento ao cliente enfrentam problemas como respostas fragmentadas e atualizações de conhecimento atrasadas, e o custo de manutenção de anotar manualmente os pares de perguntas e respostas é extremamente alto; o recurso de compreensão de linguagem natural do Deep Searcher pode acabar com esse gargalo.
Caminho de implementação
- Fase de construção da base de conhecimento::
- Importação de manuais de produtos, histórico de ordens de serviço, etc. para o banco de dados vetorial
- fazer uso dedeepsearcher.offline_loadingMódulo de processamento em lote de documentos PDF/Word - Fase de ajuste do modelo::
- Configure parâmetros de modelos grandes, como GPT-4o em example1.py
- Ajuste fino dos modelos de prompt com um punhado de amostras - Fase de integração de sistemas::
- Desenvolvimento de APIs para fazer interface com os sistemas de atendimento ao cliente existentes
- Definição de limites de confiança para a colaboração homem-máquina
Principais pontos de aprimoramento
1. capacidade de diálogo em várias rodadas para apoiar a contextualização
2. aprender automaticamente novos conhecimentos com a documentação atualizada
3. as respostas podem ser acompanhadas de trechos de documentos de origem para revisão manual
caso típico
Uma empresa de fintech entra em operação:
- Aumento da taxa de resolução na primeira vez em 281 TP3T
- Ciclo de treinamento reduzido 60%
Essa resposta foi extraída do artigoDeep Searcher: recuperação eficiente de documentos privados da empresa e perguntas e respostas inteligentesO
