Článek přečtěte do 7 min.

Služby založené na umělé inteligenci: Transformace zapojení zákazníků

Integrace umělé inteligence (AI) s operacemi přímých služeb ohlašuje transformační éru pro interakce se zákazníky a efektivitu podnikání. Umožněním AI pracovat přímo se službami mohou podniky nabízet personalizované, okamžité odpovědi 24/7, které pomáhají zlepšit zákaznickou zkušenost a spokojenost. Tento posun nejen zefektivňuje operace, ale také umožňuje společnostem škálovat zákaznickou podporu bez odpovídajícího zvýšení režijních nákladů. Zákazníci mohou využívat rychlou a užitečnou pomoc, podniky těží z provozní efektivity a celková zákaznická zkušenost se stává hladší a intuitivnější. Přímá interakce umělé inteligence se službami dláždí cestu pro budoucnost, kde bude každá interakce přizpůsobená, efektivní a hluboce integrovaná do struktury každodenních obchodních operací a nabízí významné výhody napříč všemi oblastmi.

Obchodní případ pro integraci AI

Podniky jsou dnes bohaté na data, vybavené systémy pro řízení vztahů se zákazníky (CRM) a dalšími proprietárními řešeními schopnými generovat podrobné zprávy a poutavé grafy. Ale z praktického obchodního hlediska jsou tyto nástroje plně využívány.

Pojďme se vžít do kůže provozovatele energetického systému pověřeného monitorováním výpadků a organizováním úsilí o obnovu.

Priorita je jasná: okamžitě identifikovat a řešit nejkritičtější zařízení a určit, které oblasti jsou nejvíce zasaženy.

V současné době mají energetické společnosti přístup k rozsáhlým údajům o výpadcích, postižených domácnostech, kritických zařízeních a nasazení týmů pro obnovu. Manuální koordinace a stanovení priorit těchto informací je však pracný proces, který vyžaduje, aby jednotlivci analyzovali data o výpadku, přesně určili umístění záchranných týmů a identifikovali kritická zařízení vyžadující okamžitou pozornost. Sloučení všech relevantních dat do systému AI může zefektivnit celý proces obnovy tím, že pomocí AI rychle a logicky určí priority akcí. Toto zefektivnění může pomoci zajistit, že jednotlivci, kteří se rozhodují, tak mohou činit nejen rychlostí, ale také vyšší úrovní účinnosti.

Důležitost umělé inteligence v tomto kontextu však přesahuje efektivitu a minimalizuje nepříjemnosti a stres během takových narušení. Když světla zhasnou, rychlá a efektivní obnova není luxus. Je to nutnost. Ujištění o zálohování AI v této situaci může poskytnout pohodlí zákazníkům a pomoc pracovníkům veřejných služeb.

Mechanika integrace AI

Umělá inteligence se vyvíjí závratnou rychlostí a mění způsob, jakým přistupujeme ke každodenním úkolům a výzvám. Zvažte utrpení spojené s probíráním účtu za elektřinu, což je úkol, který nemusí být vždy přímočarý. Chcete-li získat přehled o poplatcích, možná budete muset procházet webovou stránkou poskytovatele služeb a dešifrovat dokumenty plné žargonu, a přitom přemýšlet, jak tyto náklady zmírnit, a ptát se, jak různé faktory, jako je počasí nebo nabíjení elektromobilů, ovlivňují měsíční výdaje.

V této souvislosti znamená vzestup asistentů AI neboli agentů významný vývoj. Tyto sofistikované nástroje revolučně mění naši schopnost získávat personalizované rady a úspory a nabízejí záblesk naděje pro ty, kteří jsou skeptičtí, pokud jde o hledání pomoci s rozlišovací schopností. Převedením uživatelských dotazů na akceschopné úkoly pro generativní komponenty umělé inteligence – od vyhledávacích nástrojů po jazykové modely a systémy generování odezvy – naznačují budoucnost, kde se procházení složitostí účtu za elektřinu může stát intuitivnějším a přizpůsobeným individuálním potřebám.

Oracle nedávno představil Oracle Cloud Infrastructure (OCI) Generative AI Agents, což signalizuje další krok vpřed v dostupnosti generativní AI. Co je však skutečně revoluční, je nově objevená schopnost vytvářet výzvy a vytvářet logiku, která přímo interaguje s vašimi službami. Díky dobře definovanému rozhraní API jsou nyní modely umělé inteligence schopné rozlišovat, které hodnoty použít na proměnné cesty nebo dotazu, určovat vhodný koncový bod pro volání a dokonce chápat závislosti služby, což jim umožňuje postupně shromažďovat data z jedné služby a vkládat je. do jiného.

Toto hnutí není jen budoucnost. Je to současnost. V této napínavé době se bariéry mezi schopnostmi umělé inteligence a praktickými aplikacemi rychle rozpouštějí.

Přístupy k servisním voláním řízeným umělou inteligencí

V tomto blogovém příspěvku prozkoumáme dvě odlišné metody pro integraci umělé inteligence do procesu volání skutečných služeb.

Dokumentace REST API podobná promptu

Metoda REST API zahrnuje použití AI k interpretaci a volání API na základě popisu služby v přirozeném jazyce. Tento příklad používá knihovnu Langchain, která umožňuje integraci s různými velkými jazykovými modely (LLM). níže je příklad dokumentace API pro koncový bod archivních dat počasí Open-Meteo.

OPEN_METEO_ARCHIVE_DOCS = """BASE URL: https://archive-api.open-meteo.com/

API Documentation
The API endpoint /v1/archive accepts a geographical coordinate, a list of weather variables and responds with a JSON weather history for specified period. Time always starts at 0:00 today and contains 168 hours. All URL parameters are listed below:

Parameter   Format Required   Default    Description
latitude, longitude Floating point Yes       Geographical WGS84 coordinate of the location
hourly  String array   No    A list of weather variables which should be returned. Values can be comma separated, or multiple &hourly= parameter in the URL can be used. Possible array values: temperature_2m, precipitation, weather_code...
daily   String array   No    A list of daily weather variable aggregations which should be returned. Values can be comma separated, or multiple &daily= parameter in the URL can be used. If daily weather variables are specified, parameter timezone is required. Possible array values: 'weather_code', 'temperature_2m_mean', 'precipitation_sum'...
temperature_unit    String No fahrenheit If celsius is set, all temperature values are converted to Celsius.
wind_speed_unit String No ms Possible values: kmh, ms, mph and kn
precipitation_unit  String No inch   Possible amount units: inch, mm
timezone    String No GMT    If timezone is set, all timestamps are returned as local-time and data is returned starting at 00:00 local-time. Any time zone name from the time zone database is supported. If auto is set as a time zone, the coordinates will be automatically resolved to the local time zone.
start_date  String (yyyy-mm-dd) Yes       The start data of an interval interval to get weather data. A day must be specified as an ISO8601 date (e.g. 2022-06-30).
end_date    String (yyyy-mm-dd)    Yes       The end date of an interval to get weather data. A day must be specified as an ISO8601 date (e.g. 2022-06-30).

Hourly Parameter Definition:
The parameter &hourly= accepts the following values. Most weather variables are given as an instantaneous value for the indicated hour. Some variables like precipitation are calculated from the preceding hour as and average or sum.

Variable    Valid time Unit   Description
temperature_2m  Instant    °C (°F)    Air temperature at 2 meters above ground, used for hourly data only
relative_humidity_2m    Instant    %  Relative humidity at 2 meters above ground
weather_code    Instant    WMO code   Weather condition as a numeric code. Follow WMO weather interpretation codes. See table below for details.
precipitation   Preceding hour sum mm (inch)  Total precipitation (rain, showers, snow) sum of the preceding hour. Data is stored with a 0.1 mm precision. If precipitation data is summed up to monthly sums, there might be small inconsistencies with the total precipitation amount.
rain    Preceding hour sum mm (inch)  Rain from large scale weather systems of the preceding hour in millimeter
snowfall    Preceding hour sum cm (inch)  Snowfall amount of the preceding hour in centimeters. For the water equivalent in millimeter, divide by 7. E.g. 7 cm snow = 10 mm precipitation water equivalent

Daily Parameter Definition:
Aggregations are a simple 24 hour aggregation from hourly values. The parameter &daily= accepts the following values:

Variable    Unit   Description
weather_code    WMO code   The most severe weather condition on a given day
temperature_2m_max  °C (°F) Maximum daily air temperature at 2 meters above ground
temperature_2m_min  °C (°F)    Minimum daily air temperature at 2 meters above ground
precipitation_sum   mm Sum of daily precipitation (including rain, showers and snowfall)
"""

Kód využívající knihovnu Langchain je jednoduchý. Funkce Langchain volá vaše API sama, takže nemusíte nic implementovat.

Pomocí dotazu zákazníka s daty a umístěním knihovna zavolala koncový bod, který jsme potřebovali k získání potřebných informací, a poskytla smysluplnou a srozumitelnou odpověď.

> Entering new APICchain chain...
/Users/andriikotlov/PycharmProjects/ai_agents/venv/lib/python3.9/site-packages/langchain_core/api/deprecation.py:117: LangChainDeprecationWarning: The function 'run' was deprecated in LangChain 0.1.0 and will be removed in 0.2.0. Use 'invoke' instead.
warn_deprecated(
https://archive-api.open-meteo.com/v1/archive?latitude=38.8462&longitude=-77.3066&start_date=2023-01-22&end_date=2023-01-28&timezome=auto
{"latitude":38.84607,"longitude":-77.3066,"generationtime_ms":0.14603137969970703,"utc_offset_seconds":-18000,"timezone":"America/New_York","timezone_abbreviation":"EST","elevation":134.0,"daily_units":{"time":"iso8601","temperature_2m_max":"°C"},"daily":{"time":["2023-01-22","2023-01-23","2023-01-24","2023-01-25","2023-01-26","2023-01-27","2023-01-28"],"temperature_2m_max":[3.9,7.6,9.0,7.3,7.9,6.1,11.7]}}
> Finished chain.
Query: What was the hottest day for week 01-22-2023 - 01-28-2023 in Fairfax, Virginia?
Response: The hottest day in Fairfax, Virginia for the week of 01-22-2023 to 01-28-2023 was on 01-28-2023 with a maximum temperature of 11.7°C.

Jednou z výhod této metody je, že proces je přímočarý a vyžaduje minimální programování. Postrádá však jemnou kontrolu nad parametry volání API, což může vést k chybám nebo nezamýšleným voláním koncových bodů. Navíc, pokud je popsáno více rozhraní API, model AI nemusí bez většího kontextového filtrování rozeznat, které má volat.

Řešení využívá další výzvu LLM, která ověřuje, zda je kontext dotazu v souladu s dokumentací rozhraní API. Pokud ne, zabrání zbytečným voláním API. Toto řešení však vyžaduje mapu závislostí API, aby bylo zajištěno správné pořadí volání služeb.

Přístup založený na asistentech

Metodika asistentů je poučná a umožňuje podrobnější definici akcí nebo nástrojů, což usnadňuje přesnou kontrolu nad interakcí. Definováním jednotlivých nástrojů pro konkrétní úlohy, jako je určování parametrů pro API, volání na platformu Cohere nebo vykreslování grafu, můžeme nasměrovat AI ke spouštění úloh v určitém pořadí na základě uživatelských dotazů.

Tato metoda vám umožňuje vytvořit samostatného asistenta nebo více specializovaných asistentů pro práci s různými nástroji. Asistent identifikuje, který nástroj použít, a správné pořadí operací, což pomáhá zajistit efektivní tok procesu.

Níže je uveden příklad popisů nástrojů pro asistenta OpenAI:

tools = [

    {

        "type": "function",
        "function": {
            "name": "get_weather_forecast",
            "description": "Use this function to get all the parameters for the weather forecast API call or the current weather",
            "parameters": {
                "type": "object",
                "properties": {
                    "latitude": {
                        "type": "number",
                        "description": "Geographical WGS84 coordinate of the location. Infer this from the users location",
                    },
                    "longitude": {...},
                    "temperature_unit": {...},
                    "timezone": {...},
                },
                "required": ["latitude", "longitude", "temperature_unit", "timezone"],
            },
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_weather_history",
            "description": "Use this function to get all the parameters for the weather history API call",
            "parameters": {...},
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_usages_history",
            "description": "Use this function to get all the parameters for the usages history API call",
            "parameters": {...},
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_cohere_response",
            "description": "Use this function to get all the possible information about Utility or services this Utility provides",
            "parameters": {
                "type": "object",
                "properties": {
                    "utility_url": {
                        "type": "string",
                        "description": "Utility URL",
                    },
                    "question": {...},
                },
                "required": ["utility_url", "question"],
            },
        }
    },
    {
        "type": "function",
        "function": {
            "name": "plot_a_chart",
            "description": "Use this function to plot a chart based on the data and question provided",
            "parameters": {
                "type": "object",
                "properties": {
                    "data": {...},
                    "question": {...},
                },
                "required": ["data", "question"],
            },
        }
    },
]

Výsledkem je asistent schopný spravovat mnoho služeb současně a pouze aktivovat ty relevantní na základě kontextu dotazu. Předběžné testování prokázalo pozoruhodnou přesnost při poskytování relevantních, kontextových a intuitivních reakcí.

Navigace na cestě

Stručně řečeno, nástup pokročilé umělé inteligence nabízí obrovské možnosti pro zefektivnění operací, úsporu nákladů a zvýšení spokojenosti zákazníků a zaměstnanců, cesta teprve začíná. Síla, kterou máme k dispozici, se může zdát nesmírná, zvláště když je AI i nadále zabudovávána do více systémů a funkcí. Osvojení praktického přístupu k identifikaci správných případů použití je však pro podniky zásadní a personalizovaná zákaznická zkušenost je jedním z nejlepších výchozích bodů pro společnosti, které chtějí udělat další krok vpřed.

Zdroj: Oracle