AI 기반 콜센터 지능

솔루션 개요

많은 보험 회사의 주요 과제 상담원이 정확한 정보를 신속하게 찾아 고객에게 제공하기 어려운 비효율적인 콜 센터입니다. 연구에 따르면 우수한 고객 경험을 보유한 기업이 경쟁 기업보다 성과가 뛰어나다고 합니다. 인스턴스 들어, 만족한 고객은 정책을 갱신할 가능성이 80% 더 높으며, 이는 성장에 직접 기여합니다.

이 솔루션은 MongoDB 콜 센터 운영을 혁신할 수 있는 방법을 보여줍니다. AI 와 분석 활용하여 구조화되지 않은 오디오 파일을 검색 가능한 벡터로 변환합니다. 이를 통해 기업은 관련 정보에 빠르게 액세스 , 성공적인 해결 전략과 자주 묻는 질문을 식별하고, 전반적인 고객 서비스 경험을 개선할 수 있습니다.

그림 1 은 원본 오디오 녹음을 벡터로 변환하는 방법을 보여줍니다. 파이프라인 다음과 같이 작동합니다.

1. 원본 오디오 파일 저장: 과거 통화 녹음을 원래 오디오 형식으로 저장합니다.

2. 오디오 파일 처리: AI 및 음성-텍스트 변환, 콘텐츠 요약, 벡터화 등의 분석 서비스를 사용합니다.

3. 벡터 및 메타데이터 저장: 생성된 벡터와 해당 메타데이터(예: 통화 타임스탬프 및 에이전트 정보)를 운영 데이터 저장 에 저장합니다.

그림 1. 고객 서비스 호출 인사이트 추출 및 벡터화 흐름

데이터가 운영 데이터 저장 내에 벡터 형식으로 저장되면 실시간 애플리케이션에서 액세스할 수 있게 됩니다. 이제 Vector Search는 이 데이터를 사용하거나 RAG(검색-증강 생성) 아키텍처에 통합할 수 있습니다. 이 접근 방식은 LLM(Large Language Models) 과 외부 지식 소스를 결합하여 보다 정확하고 유익한 출력을 생성합니다.

참조 아키텍처

그림 2에 표시된 시스템 아키텍처에는 다음과 같은 모듈과 함수가 포함되어 있습니다.

• Amazon Transcribe 는 고객의 전화에서 나오는 오디오를 수신하여 텍스트로 변환합니다.

• 코히어는 트랜스크라이브의 텍스트를 벡터로 변환하는 Amazon 베드락을 통해 임베딩 모델을 제공합니다.

• Atlas Vector Search 쿼리 벡터를 수신하고 데이터베이스 에서 가장 의미론적으로 유사한 FAQ 포함하는 문서 반환합니다.

그림 2. 시스템 아키텍처 및 모듈

전체 구현 세부 정보는 Github 리포지토리 참조하세요.

주요 학습 사항

• AI 서비스로 콜센터 혁신: 음성 텍스트 변환, 벡터 임베딩, 벡터 검색 과 같은 AI 서비스를 MongoDB Atlas 와 통합하여 실행 가능한 음성 데이터로 기존 콜센터를 혁신합니다.

• RAG 기반 아키텍처 통합: RAG 아키텍처와 Vector Search를 결합하여 더 빠른 에이전트 응답, 챗봇 및 자동화된 워크플로를 생성합니다.

• 실시간 에이전트 지원 구현: 에이전트 지원을 통합하여 고객 만족도 향상, 로열티 강화, 재무 성과 개선 등의 비즈니스 성과를 높일 수 있습니다.

이 솔루션은 복잡한 상호 작용이 필요한 고급 애플리케이션의 기반 역할을 하는 에이전트 워크플로, LLM 및 하이브리드 검색 통한 다단계 프로세스 등을 제공합니다. 또한 챗봇 및 음성 봇 기능을 개선하여 고객에게 보다 관련성 있고 개인화된 응답을 제공할 수 있습니다. .

작성자

• Luca Napoli, MongoDB

• Sebastian Rojas Arbulu, MongoDB

자세히 알아보기

• 머신 러닝으로 디지털 언더라이팅 자동화하기

• 보험 청구 처리를 위한 AI 에이전트 워크플로

• 자동차 보험을 위한 AI 기반 청구 조정