Saját AI-modell a CRM-ben: mikor éri meg tanítani, és hogyan csináljuk?

A CRM a cég emlékezete: ügyfelek, ajánlatok, levelek, telefonjegyzetek. Kézenfekvő, hogy az AI ebből dolgozzon: foglalja össze az ügyfél előzményeit, sorolja be a beérkező megkeresést, írjon vázlatot a válaszhoz. A kérdés az, hogyan kapja meg a modell a cég tudását. Erre három út van.

Három út: utasítás, keresés, tanítás

A három nem zárja ki egymást. A gyakorlatban gyakran a tanított modell adja a cég stílusát és besorolási logikáját, a keresés pedig a friss tényeket: az ügyfél aktuális ajánlatát, a legutóbbi levelet.

Mikor éri meg saját modellt tanítani?

• Sok, ismétlődő feladat: naponta száz megkeresés besorolása vagy összefoglalása, nem havonta tíz.
• Saját szakszókincs és formátum: a cégnek saját termékkódjai, rövidítései, kötött válaszformái vannak, amelyeket utasítással nehéz megtanítani.
• Érzékeny adat: ha az ügyféladat nem hagyhatja el a céget, egy kisebb, helyben futó, a cég adatán tanított modell gyakran jobb választás, mint a legnagyobb felhős modell. Lásd a lokális AI-modellek rangsorát.
• Költség és sebesség: nagy mennyiségnél egy kisebb, célra tanított modell olcsóbb és gyorsabb lehet. A felhős változat havi díját az AI token-kalkulátorral becsülheted.

Mikor nem éri meg? Ha kevés a példa, ha a tudás gyorsan változik (árak, készlet, szabályok), vagy ha egy jó utasítás már most elég jó eredményt ad. Ilyenkor a keresés és a gondos utasítás olcsóbb és könnyebben karbantartható.

Így csináljuk: hét lépés

1. A feladat és a mérőszám. Pontosan mit csináljon a modell, és miből látjuk, hogy jól csinálja? Például: hány besorolás egyezik a munkatárs döntésével.
2. Adat összegyűjtése és tisztítása. Korábbi, emberek által jónak ítélt példák a CRM-ből. A hibás, félkész és ellentmondó rekordokat kiszűrjük.
3. Anonimizálás. Nevek, elérhetőségek, azonosítók kikerülnek vagy helyettesítő értéket kapnak, mielőtt az adat a tanításhoz kerülne.
4. Kiinduló mérés. Ugyanazon a tesztkészleten megmérjük, mit tud egy jó utasítás egy kész modellel. Ha ez elég, nem tanítunk.
5. Tanítás és összevetés. A modellt a példákon hangoljuk, majd ugyanazon a tesztkészleten vetjük össze a kiinduló méréssel.
6. Beépítés emberi jóváhagyással. A modell a CRM felületén javasol: összefoglal, besorol, vázlatot ír, a munkatárs elfogad vagy javít.
7. Folyamatos mérés. A javítások visszakerülnek tanítóadatnak, és rendszeresen ellenőrizzük, nem romlott-e a pontosság.

A mi esetünk: személyre szabott modell egy ügyfél CRM-jében

Egy ügyfelünk CRM-jébe olyan modellt építettünk, amelyet a cég saját, korábbi adatain tanítottunk. A cél az volt, hogy az AI a cég szakszavaival és folyamatai szerint dolgozzon, ne általános asszisztensként. A CRM-ben a modell a munkatárs mellett dolgozik: a javaslatait ember hagyja jóvá, és a javításokból tanul tovább. A projektet titoktartás köti, ezért nevet, iparágat és belső számokat nem közlünk.

Amit általánosan elmondhatunk: a legtöbb munka nem a tanítás volt, hanem az adat előkészítése és a mérés megtervezése. Egy rosszul kiválasztott tanítóadat a cég régi hibáit is megtanítja, ezért a példák válogatása a cég szakembereivel együtt történik.

Adatvédelem és MI-rendelet

• Jogalap és célhoz kötöttség (GDPR): az ügyféladat AI-tanításra csak megfelelő jogalappal és a szükséges mértékben használható; az anonimizálás ebben sokat segít.
• Hol fut a modell? Saját szerveren vagy EU-s felhőben; a szerződésben rögzíteni kell, hogy a szolgáltató nem tanít a cég adatain.
• Visszaszivárgás: egy tanított modell elvben visszaadhat részleteket a tanítóadatából, ezért a személyes adat ne kerüljön bele, és a kimenetet is szűrjük.
• MI-rendelet: a legtöbb CRM-es segédfunkció nem tartozik a magas kockázatú kategóriába, de az átláthatósági és dokumentálási szabályokat érdemes már a tervezésnél figyelembe venni.

Ha még nincs CRM-ed, vagy a meglévő nem bővíthető, az egyedi CRM-fejlesztés oldalon kezdd; az AI-funkciók szélesebb körű beépítéséről a szoftverfejlesztési oldalon olvashatsz. A modellek aktuális erősorrendjét az élő AI rangsor mutatja.