Die Transformation des Customer Service durch große Sprachmodelle

Kein Haus wird vom Dach aus gebaut. Bevor wir uns also damit befassen, wie der Kundenservice durch große Sprachmodelle verändert wird, sollten wir zunächst die Grundlagen schaffen und uns ansehen, was genau Kundenservice ist. 

 

 

 

Ich werde auch alle Technologien zusammenfassen, die im Kundenservice eingesetzt werden (können). Auf diese Weise sind Sie auf jeden Fall besser vorbereitet, wenn Sie lesen, was LLMs sind, wie sie im Kundenservice eingesetzt werden, welche Auswirkungen sie auf die vorhandene Technologie haben, was Sie beachten müssen und wie Sie anfangen können. Und ja, all das behandle ich in diesem Artikel.

 

 

 

 

 

Was ist Customer Service?

 

 

Der Kundendienst ist ein zentraler Bestandteil eines jeden Unternehmens, das direkt mit Verbrauchern zu tun hat. Er umfasst das Eingehen auf Kundenbedürfnisse, die Lösung von Problemen und die Gewährleistung einer optimalen Kundenzufriedenheit. Ein erfolgreicher Kundenservice kann zu einer stärkeren Kundentreue, positiver Mundpropaganda und letztlich zu höheren Gewinnen für das Unternehmen führen.

Arten der Customer Service Technologie

 

 

Telefon

 

Das Symbol des Kundendienstes seit den Anfängen der einschüchternden Telefonzentralen. Inzwischen gibt es andere Kanäle, aber der persönliche Kontakt und die Gespräche in Echtzeit sind für viele Kunden immer noch beruhigend.

 

 

 

Interaktive Sprachausgabe (IVR)

 

IVRs waren der erste große Sprung in der Automatisierung des Kundendienstes. Indem sie den Anrufern die Möglichkeit gaben, den Grund ihres Anrufs auszuwählen, indem sie einfach eine Taste am Telefon drückten, konnten die Zentren ihre Abläufe optimieren.

 

 

 

Live-Chat

 

Die Massenverbreitung des Internets brachte den Live-Chat in den Kundendienst und damit eine weitere Option für Kunden, die Unmittelbarkeit und Bequemlichkeit miteinander verbindet.

 

 

 

E-Mail

 

E-Mail funktioniert zwar nicht in Echtzeit, ermöglicht aber detailliertere Antworten und, was wahrscheinlich die wertvollste Funktion ist, eine Aufzeichnung der Kommunikation. 

 

 

 

Messaging-Kanäle

 

Messaging-Apps wie Facebook Messenger und WhatsApp ermöglichen die Kommunikation über Plattformen, mit denen die Kunden bereits vertraut sind und die sie täglich nutzen, was sie auch persönlicher macht als Live-Chats.

 

 

 

Chatbots 

 

Chatbots versprachen eine goldene Kommunikation, entpuppten sich aber oft als nichts als Blech. Doch Large Language Models sorgen endlich für einen grundlegenden Wandel in dieser Branche, wie wir weiter unten erläutern werden.

 

 

Voicebots

 

Der Erfolg von virtuellen Assistenten wie Alexa oder Siri versprach eine glänzende Zukunft für Voicebots. Aber sie wurde durch schlechte Implementierungen und einige technologische Einschränkungen gebremst.

 

 

 

Kundenbeziehungsmanagement

 

CRMs wie Salesforce oder Hubspot helfen Unternehmen, die Interaktionen mit Kunden über die verschiedenen Kanäle und Berührungspunkte hinweg zu verwalten.

 

 

Kunden-Ticketing-Systeme

 

Sie sind von unschätzbarem Wert für die Verwaltung und Verfolgung von Kundenanfragen und -problemen, optimieren die Abläufe, erhöhen die Verantwortlichkeit und verkürzen die Reaktionszeiten. 

 

 

 

Plattformen für den Kundenservice

 

Einige moderne Lösungen kombinieren mehrere Technologien für Customer Experience und Contact Center, wie z. B. Omnichannel-Routing, Predictive Engagement, Reporting und Analytics, Anrufaufzeichnung und -überwachung, um nur einige zu nennen.

Eintritt in große Sprachmodelle

 

Wir stehen an der Schwelle zu einer neuen Ära: Große Sprachmodelle (Large Language Models, LLMs) wie GPT bilden die Grundlage für die nächste Evolutionsstufe der Kundenservice-Technologie.

 

LLMs sind KI-Modelle, die entwickelt wurden, um menschliche Sprache zu verstehen, zu generieren und auf sie zu reagieren, und zwar auf eine Art und Weise, die dem menschlichen Verhalten bemerkenswert ähnlich ist. Diese Modelle werden auf der Grundlage riesiger Mengen von Textdaten aus dem Internet trainiert und sind mit Millionen oder sogar Milliarden von Parametern überdimensioniert. Dies unterstützt ihre Fähigkeit, den Kontext, die Nuancen und sogar die Feinheiten der Sprache zu verstehen, und ermöglicht es ihnen, anspruchsvollere und menschenähnliche Interaktionen anzubieten.

 

Vereinfacht ausgedrückt, sagt ein LLM das nächste Wort in einem Satz auf der Grundlage der Wörter voraus, die es bisher gesehen hat. Diese Fähigkeit, kohärenten Text zu generieren, hat sich seit 2017 dank einer Art Modellarchitektur, dem sogenannten Transformer, erheblich verbessert.

 

Früher mussten wir diese Modelle fein abstimmen, damit sie bestimmte Aufgaben erfüllen konnten. Aber mit den neuesten, größeren Modellen wie GPT-4 können wir ihnen jetzt einfach eine detaillierte Aufforderung geben, und sie können gute Arbeit leisten.

 

 

Aber bedenken Sie, dass diese Modelle aus den Daten lernen, mit denen sie trainiert wurden. Wenn die Daten also Fehler oder Verzerrungen aufweisen, wird das Modell auch diese lernen.

 

Einige bekannte LLMs sind die GPT-Serie (wie GPT-3.5 und GPT-4, die ChatGPT antreiben), LLaMa, PaLM (verwendet in Google Bard), BLOOM, Ernie 3.0 Titan und Claude.

LLMs und ihre Anwendung im Customer Service

 

LLMs haben ein transformatives Potenzial für den Kundenservice. Durch das Verstehen und Generieren menschenähnlicher Antworten können sie Kundenanfragen und -beschwerden effizienter und effektiver als je zuvor bearbeiten. Sie können komplexe Muster und Nuancen in Kundeninteraktionen, -verhalten und -präferenzen verarbeiten, um fein abgestimmte Kundenprofile zu erstellen, die dann zur Erstellung maßgeschneiderter Produktempfehlungen genutzt werden können, um die Kundenzufriedenheit und -bindung zu erhöhen.

 

Große Sprachmodelle können z.B. in den Kundenservice integriert werden:

• Personalisierte Kundenservice-Erlebnisse in großem Umfang bieten 
• Anfragen präzise beantworten 
• Personalisierte Produktvorschläge anbieten 
• Proaktiven Service bereitstellen 
• Durchführung von Stimmungsanalysen, die Unternehmen wertvolle Einblicke in ihren Kundenstamm ermöglichen 
• Generieren Sie Antworten auf Kundenanfragen auf eine menschenähnliche Art und Weise, was zu einem besseren und nahtlosen Kundenerlebnis führt.

 

Schauen wir uns einige wichtige Anwendungen von LLMs im Kundenservice genauer an.

Aufrüstung von Chatbots und Voicebots

 

Klassische Chatbots oder Voicebots nutzen die Absichtsklassifizierung, um zu "verstehen", was der Kunde sagt. Sie nutzen ein maschinelles Lernmodell, um einen Satz zu klassifizieren, und verwenden dann Logik (Abläufe, Geschichten usw.), um Entscheidungen darüber zu treffen, was als nächstes zu tun und zu sagen ist. Einige von ihnen behalten einen gewissen Kontext des Gesprächs bei und wissen tatsächlich etwas über den Kunden. Trotz aller Bemühungen um ein gutes Konversationsdesign, die Einführung einer guten Logik und die Nutzung des Kontexts kann die Verwendung von Chatbots für die Benutzer immer noch ziemlich frustrierend sein. LLMs können helfen, dies zu ändern. 

 

LLMs können eingesetzt werden, um Chatbots auf die nächste Stufe zu heben und sie dazu zu bringen, Sprache wirklich zu verstehen und einen ziemlich guten Kontext zu behalten. Wenn Sie einen Nutzer kennen, können Sie dem LLM eine Eingabeaufforderung (oder ein Präfix) geben, die ihm diesen Kontext liefert und dabei hilft, die Konversation anzupassen, und auf diese Weise ein wirklich personalisiertes Erlebnis für Kunden bietet. 

 

Im Gegensatz zu herkömmlichen Chatbots sind LLM-basierte Chatbots in der Lage, den Kontext und die Nuancen von Kundenanfragen zu verstehen, was zu genaueren und menschenähnlichen Interaktionen führt. 

 

Durch die Einbeziehung von LLMs können Chatbots endlich von der Mehrheit der Kunden angenommen werden und eine echte Alternative zu Kundendienstmitarbeitern werden.

 

Aber es ist nicht alles Sonnenschein und Regenbogen. Die Einführung von Chatbots in kunden- oder öffentlichkeitsnahen Szenarien birgt Risiken. Probleme wie Halluzinationen (die wir weiter unten in diesem Artikel behandeln), Voreingenommenheit und andere können den Ruf einer Marke schädigen und sogar Kunden gefährden. Die Verwendung von Chatbots für kundenorientierte Anwendungsfälle ist also immer noch ein heikles Thema. 

 

 

Ein Super-Kundenservice-Mitarbeiter

 

LLMs können die Art und Weise revolutionieren, wie Kunden und Menschen im Allgemeinen Informationen finden. Sie können geschult werden, um relevante Informationen aus umfangreichen Wissensdatenbanken abzurufen und zu präsentieren und so Kundenanfragen schnell und präzise zu beantworten. 

 

 

 

Dies kann von Produktmerkmalen und Gebrauchsanweisungen bis hin zu Anleitungen zur Fehlerbehebung und Details zu Richtlinien reichen. Mit einer KI-gesteuerten Wissensdatenbank können Kunden die benötigten Informationen finden, ohne sich durch Stapel von nicht zusammenhängenden Inhalten wühlen zu müssen, was den Service insgesamt verbessert.

 

 

 

In einem Kundendienstszenario ist ein Kundendienstmitarbeiter nicht nur in der Lage, Informationen viel schneller zu finden als mit einer klassischen Suchmaschine, sondern auch innerhalb weniger Sekunden eine passende Antwort zu formulieren, was nicht nur zu einem besseren Kundenerlebnis, sondern auch zu einer drastisch verbesserten Produktivität führt. Es ist, als hätte man einen Kundendienstmitarbeiter mit Superkräften!

Prädiktives Kundenprofiling und personalisierte Empfehlungen

 

LLMs können das Kundenverhalten, den Interaktionsverlauf und das Feedback analysieren, um umfassende Kundenprofile zu erstellen. Auf der Grundlage dieser Profile können LLMs die Bedürfnisse und Vorlieben der Kunden vorhersagen und proaktiv personalisierte Lösungen, Produktempfehlungen oder Support anbieten. Diese vorausschauende Profilerstellung und Personalisierung kann zu einer höheren Kundenzufriedenheit und -treue führen und Unternehmen einen Wettbewerbsvorteil verschaffen.

 

Die Erstellung von Kundenprofilen und Empfehlungen erfordert eine Menge Daten und Ressourcen, um sie korrekt umzusetzen. Für kleinere Unternehmen oder Unternehmen, die gerade erst anfangen, ist dies normalerweise nicht möglich.  Die LLM machen dies für jedermann zu geringen Kosten verfügbar. 

Stimmungsanalyse und Interpretation

 

LLMs können Kundenfeedback, Rezensionen, Kommentare in sozialen Medien und mehr analysieren, um die Stimmung zu analysieren und die Kundenwahrnehmung zu einem Produkt, einer Dienstleistung oder einer Marke insgesamt zu verstehen. Durch das Erkennen von Trends, das Aufzeigen von Problemen und das Verstehen der Kundenstimmung können Unternehmen datengestützte Entscheidungen treffen, um ihr Angebot und ihren Kundenservice zu verbessern. Darüber hinaus können sie auch potenzielle Befürworter oder Kritiker identifizieren und so gezielte Strategien zur Kundenbindung entwickeln.

 

 

Ausbildung der Mitarbeiter

 

ChatGPT (ähnliche Anwendungen) können auch für die Schulung von Kundendienstmitarbeitern verwendet werden. Diese Art von Technologie kann den Mitarbeitern helfen, bessere Antworten zu geben und schneller auf Kundenanfragen zu reagieren. Außerdem können neue Mitarbeiter viel schneller produktiv werden. Dies hilft auch in Spitzenzeiten oder bei Personalengpässen, da weniger qualifizierte Mitarbeiter vorübergehend eingesetzt werden können.

 

 

 

Durch die Einbindung von LLM in die Kundendienstprozesse können Unternehmen überragende, personalisierte Kundenerlebnisse in großem Umfang bieten und wertvolle Erkenntnisse über ihren Kundenstamm gewinnen. Ob durch die Verbesserung bestehender Prozesse oder die Einführung von KI-Funktionen von Grund auf, LLMs bieten einen deutlichen Qualitätssprung im Vergleich zu herkömmlichen NLP-Methoden.

Halluzinationen in großen Sprachmodellen

 

LLMs können manchmal falschen oder kontextuell unpassenden Text erzeugen, ein Phänomen, das als "Halluzination" bekannt ist. Dies kann im Rahmen des Kundendienstes oder in jedem anderen Szenario mit Kundenkontakt ein Problem darstellen.

 

Halluzinationen können auf verschiedene Faktoren zurückzuführen sein:

• Unzureichende Trainings-Daten: Der Mangel an vielfältigen und umfassenden Daten kann zu gefälschten Informationen führen.
• Voreingenommenheit und Vorurteile: Modelle können gesellschaftliche Vorurteile widerspiegeln, die in den Trainingsdaten enthalten sind.
• Mehrdeutigkeit des Kontexts: Mehrdeutigkeit im Kontext kann zu falschen Interpretationen führen.
• Wissenslücken: Fehlende Informationen können das Modell dazu veranlassen, fiktive Details zu generieren.
• Böswillige Angriffe: Böswillige Eingaben können das Modell dazu verleiten, falsche Ergebnisse zu erzeugen.

Halluzinationen haben erhebliche Auswirkungen, insbesondere in kritischen Bereichen wie Gesundheitswesen, Finanzen und Recht. Eine sorgfältige Validierung und laufende Überwachung sind unerlässlich, um Vertrauen und Zuverlässigkeit zu erhalten. In einem Szenario mit Kundenkontakt können Halluzinationen zu falschen, unsinnigen, unangemessenen, schädlichen oder beleidigenden Ausgaben führen. Dies könnte einer Marke schaden und zu einem Verlust von Kunden und Glaubwürdigkeit führen. 

 

 

 

Die Forscher arbeiten an Strategien wie Datenerweiterung, Entschärfungsalgorithmen, verbesserter Kontextdarstellung, Integration von externem Wissen und robusten Verteidigungsmechanismen, um Halluzinationen zu minimieren, sowie an der Bestimmung der Zuordnung von Sprachmodellausgaben wie in dieser Arbeit von Google.

 

 

 

Die Forschungsgemeinschaft konzentriert sich auf die Verbesserung von Trainingsmethoden, die Reduzierung von Verzerrungen, den Umgang mit gegnerischen Angriffen und die Gewährleistung einer ethischen Nutzung. Für die Zukunft zuverlässiger und vertrauenswürdiger Sprachmodelle ist es von entscheidender Bedeutung, ein Gleichgewicht zwischen Kreativität und Genauigkeit herzustellen und die mit Halluzinationen verbundenen Risiken anzugehen.

 

 

Einführung von LLMs im Kundenservice: Wie man anfängt 

 

Die Implementierung von LLMs in Ihre Kundendienstprozesse erfordert sorgfältige Überlegungen. Es beginnt damit, dass Sie Ihre geschäftlichen Anforderungen verstehen und die Bereiche identifizieren, in denen LLMs den größten Nutzen bringen können. 

 

 

 

Außerdem ist es wichtig zu bedenken, dass LLMs zwar beeindruckend, aber noch nicht perfekt sind. Sie können manchmal Ergebnisse produzieren, die falsch, unsinnig oder sogar unangemessen sind. Daher ist eine sorgfältige Überwachung und Feinabstimmung erforderlich, um sicherzustellen, dass diese Modelle effektiv und ethisch einwandfrei funktionieren.

 

 

 

Wo soll man also anfangen?

 

 

 

Am sichersten ist es, mit Szenarien zu beginnen, die nicht auf den Kunden ausgerichtet sind, aber dennoch einen Mehrwert bieten, indem sie die Produktivität und die Qualität der Antworten für den Kunden verbessern, aber immer noch einen Menschen in die Schleife einbeziehen, bevor Informationen an den Kunden gesendet werden. 

 

 

 

Da LLMs unvorhersehbare Antworten liefern können, ist es wichtig, sicherzustellen, dass alles, was an einen Kunden gesendet wird, auf eine Quelle der Wahrheit zurückzuführen ist und zu dieser zurückverfolgt werden kann. Dies ist wichtig für die Glaubwürdigkeit. 

 

 

 

Und es versteht sich wohl von selbst, dass es von großem Vorteil ist, wenn sich die richtigen Fachleute um die Umsetzung kümmern. Wenn Sie daran interessiert sind, diese Reise anzutreten und Ihren Kundenservice auf die nächste Stufe zu bringen, würden wir von Two Impulse uns geehrt fühlen, Sie während des gesamten Prozesses zu begleiten. Nehmen Sie einfach hier Kontakt mit uns auf.

Das Potenzial von LLMs im Kundenservice

 

Das Potenzial von Large Language Models im Kundenservice ist immens und bietet einen Qualitäts- und Effizienzsprung, der herkömmliche Methoden weit übertrifft. Wenn Unternehmen versuchen, ihren Kundenservice zu verbessern, können LLMs einen Weg zur Bereitstellung hervorragender, personalisierter Kundenerfahrungen bieten. 

 

 

 

Um das Potenzial dieser Technologie wirklich auszuschöpfen, müssen Unternehmen ihre Implementierung und Nutzung jedoch sorgfältig und verantwortungsbewusst handhaben, um sicherzustellen, dass sie den Kunden einen Mehrwert bieten und gleichzeitig ihre Daten und ihre Privatsphäre schützen und dabei nicht an Glaubwürdigkeit verlieren.