# Chat Auto Wrap-up

**การสรุปผลลัพธ์ของการสนทนาโดยอัตโนมัติด้วย AI**

## การระบุปัญหา

ในโลกดิจิทัลที่เติบโตอย่างรวดเร็วในปัจจุบัน องค์กรจำเป็นต้องจัดการกับจำนวนข้อความจากลูกค้าทางแชตที่มากมาย ซึ่งประกอบด้วยบทสนทนากว่าหลายล้านรายต่อวันระหว่างผู้ใช้ บอท และเจ้าหน้าที่ ด้วยปริมาณที่มากขนาดนี้ การที่จะวิเคราะห์ผลการสนทนาโดยคนนั้นต้องใช้ความพยายามอย่างมากสำหรับเจ้าหน้าที่ และในบางครั้งอัลกอริทึมที่พัฒนาเพื่อให้ใช้งานอัตโนมัติก็ไม่สามารถทำงานได้อย่างมีประสิทธิภาพ และยังจำเป็นต้องการการตรวจสอบด้วยคน การต้องตรวจสอบประวัติแชตด้วยตนเองเพื่อจำแนกผลลัพธ์ ไม่เพียงแต่ต้องใช้เวลาและทรัพยากรเท่านั้น แต่ยังจำกัดความสามารถของทีมในการมุ่งเน้นไปที่งานที่สำคัญกว่า

## การนำเสนอ AI Solution

เพื่อตอบสนองต่อความท้าทายนี้ เราเสนอวิธีแก้ปัญหาด้วย AI ที่ถูกออกแบบมาเพื่อจำแนกการสนทนาแชตเป็น 3 ประเภท คือ "dropoff," "incomplete," และ "complete" ระบบการจำแนกประเภทนี้มีเป้าหมายเพื่อให้เข้าใจการสื่อสารของลูกค้าอย่างชัดเจน ช่วยให้ตอบสนองต่อความต้องการของลูกค้าได้อย่างรวดเร็วและแม่นยำยิ่ง

### Dropoff

เกิดขึ้นเมื่อการสนทนาหยุดลงก่อนเวลาอันควร เช่น เมื่อผู้ใช้หยุดตอบสนองต่อบอทหรือเจ้าหน้าที่ อาจเกิดขึ้นหลังข้อความโต้ตอบที่ไม่ใช่ "การยืนยันบริการ" หรือเมนูต้อนรับ อีกตัวอย่างหนึ่งคือผู้ใช้รอนานเกินไป และไม่ได้รับการสนทนาจากเจ้าหน้าที่

### Incomplete

ในกรณีนี้ การสนทนาสิ้นสุดลงโดยไม่ได้ให้ข้อมูลที่ผู้ใช้ต้องการ ซึ่งระบุได้จากบอทที่ถามว่าความต้องการของผู้ใช้ได้รับการตอบสนองหรือไม่ และผู้ใช้แสดงความไม่พึงพอใจอย่างชัดเจน เช่น ระบุว่า "ยังไม่ครบถ้วน"

### Complete

การสนทนาถือว่าเสร็จสมบูรณ์ โดยมักจะระบุได้จากข้อความที่จบการสนทนา การยืนยันบริการ หรือเมื่อผู้ใช้ให้คะแนนบริการ แม้ว่าการสนทนาอาจไม่ได้ตอบสนองความต้องการเฉพาะของผู้ใช้ แต่ถ้าไม่มีการโต้ตอบเพิ่มเติม ก็ยังอาจจัดเป็น Complete ได้

## การทดลองและผลลัพธ์ที่ได้

การทดลองซ้ำหลายรอบของเราช่วยให้สามารถเน้นย้ำถึงความก้าวหน้าที่เกิดขึ้นตลอดการพัฒนา

**Round 0: การทดสอบเบื้องต้น**  
Actions: การทำ Data cleansing การจัดหมวดหมู่ข้อความ และการเริ่มต้นด้วยการอธิบายคำแนะนำและนิยามของแต่ละประเภท

**Round 1: การเพิ่มความเข้าใจของโมเดล**  
Actions: ปรับปรุงคำ Prompt และเพิ่มตัวอย่าง Few-shot เพื่อช่วยแนะแนวทางให้กับโมเดล

**Round 2: Training และ Testing**  
Actions: แยกชุดข้อมูลสำหรับการทำ Training และ Testing โดยเฉพาะ

**Round 3: การขยายชุดข้อมูลทดสอบ**  
Actions: เพิ่มตัวอย่างข้อมูลใหม่จากเดือนสิงหาคมและตุลาคมเพื่อทดสอบความน่าเชื่อถือของโมเดล

**Round 4: การจัดการรูปแบบและคำอธิบายเหตุผล**  
Actions: จำกัดผลลัพธ์ให้อยู่ในรูปแบบ JSON ที่มีโครงสร้าง และทำให้เหตุผลของการจำแนกมีความชัดเจนมากขึ้น

**Round 5: การใช้เทคนิค Dynamic Few Shots Injection**  
Actions: การใช้เทคนิค Dynamic Few Shots Injection เพื่อชี้แจงนิยาม และเพิ่มการใช้ข้อมูลจาก GPT-4o

**Round 6: การขยายชุดข้อมูลทดสอบเพิ่มเติม**  
Actions: มุ่งเน้นไปที่การเพิ่มชุดข้อมูลทดสอบ

## ประโยชน์ของ Amity Chat Auto Wrap-up

### เพิ่มประสิทธิภาพและลดการทำงานของมนุษย์

การทำงานอัตโนมัติช่วยลดความจำเป็นในการแทรกแซงของมนุษย์ ทำให้ประหยัดเวลาและช่วยให้บุคลากรมุ่งเน้นไปที่กิจกรรมเชิงกลยุทธ์มากขึ้น

### ความสม่ำเสมอและความน่าเชื่อถือของข้อมูลเชิงลึกที่ขับเคลื่อนด้วย AI

ลดข้อผิดพลาดและการตัดสินตามอคติ ทำให้มั่นใจได้ว่าข้อมูลเชิงลึกที่ได้จากข้อมูลการโทรมีความสม่ำเสมอและเชื่อถือได้

### เพิ่มความสามารถในการวิเคราะห์ชุดข้อมูลขนาดใหญ่ขึ้น

ประสิทธิภาพที่เพิ่มขึ้นช่วยให้ธุรกิจสามารถวิเคราะห์ชุดข้อมูลขนาดใหญ่ได้มากขึ้น ซึ่งเปิดโอกาสใหม่ ๆ ในการทำความเข้าใจความต้องการของลูกค้าและปรับปรุงคุณภาพการบริการ

## บทสรุปและแนวโน้มในอนาคต

Amity Chat Auto Wrap-up นำเสนอความก้าวหน้าที่ล้ำสมัยในการวิเคราะห์และสรุปผลลัพธ์ของการสนทนาโดยอัตโนมัติด้วย AI ซึ่งช่วยให้สามารถประหยัดเวลาและทรัพยากร รวมถึงปรับปรุงคุณภาพบริการได้ การพัฒนาที่ต่อเนื่องของเราปูทางสู่การปรับปรุงและการปรับตัวในอนาคต เพื่อรองรับรูปแบบการสื่อสารของลูกค้าที่เปลี่ยนแปลงไปในอนาคต.