Inteligência para centrais de atendimento viabilizada por AI

Visão Geral da Solução

Um grande desafio para muitas operadoras de seguro são os call centers ineficientes, em que os agentes têm dificuldade em localizar e fornecer informações precisas e rápidas aos clientes. Pesquisas mostram que empresas com experiências superiores para os cliente superam suas concorrências. Por exemplo, clientes satisfeitos têm 80% mais probabilidade de renovar suas apólices, contribuem diretamente para o crescimento.

Esta solução mostra como o MongoDB pode transformar as operações de call center. Ele aproveita a IA e a análise para converter arquivos de áudio não estruturados em vetores pesquisáveis. Isso permite que as empresas acessem rapidamente informações relevantes, identifiquem estratégias de resolução bem-sucedidas e perguntas frequentes, e melhorem a experiência geral de serviço ao cliente .

A figura 1 mostra como transformar gravações de áudio bruto em vetores. O pipeline funciona da seguinte forma:

1. Armazene arquivos de áudio bruto: armazene gravações de chamadas anteriores em seu formato de áudio original.

2. Processar arquivos de áudio: use IA e serviços analíticos, como conversão de voz para texto, resumo de conteúdo e vetorização.

3. Armazenar vetores e metadados: armazene os vetores gerados e seus metadados, como carimbos de data/hora de chamadas e informações do agente, em um armazenamento de dados operacional.

Figura 1. Fluxo de extração e vetorização de informações de chamadas de atendimento ao cliente

Depois que os dados são armazenados em formato vetorial dentro do armazenamento de dados operacional, eles se tornam acessíveis para aplicativos em tempo real. Agora, o Vector Search pode consumir esses dados ou pode ser integrado a uma arquitetura RAG (Retrieval-Augmented Geração). Essa abordagem combina modelos de linguagem grandes (LLMs) com fontes externas de conhecimento para gerar resultados mais precisos e informativos.

Arquiteturas de referência

A arquitetura do sistema, mostrada na figura 2, contém os seguintes módulos e funções:

• Amazon Transcribe recebe o áudio do telefone do cliente e o converte em texto.

• O Cohere fornece um modelo de incorporação por meio do Amazon ReadRock, que converte o texto do Transcribe em vetores.

• Atlas Vector Search recebe o vetor de query e retorna um documento que contém as perguntas frequentes mais semanticamente semelhantes no banco de dados.

Figura 2. Arquitetura e módulos do sistema

Para obter detalhes completos da implementação, consulte o repositório do Github.

Principais Aprendizados

• Transforme os call centers com os serviços de IA: integre os serviços de IA, como voz para texto, incorporação vetorial e pesquisa vetorial, com o MongoDB Atlas para transformar os call centers tradicionais com dados de voz acionados.

• Integre uma arquitetura baseada em RAG: combine uma arquitetura RAG com o Vector Search para gerar respostas de agente, chatbots e fluxos de trabalho automatizados mais rápidos.

• Implemente a assistência de agente em tempo real: integre a assistência de agente para impulsionar os resultados comerciais, como maior satisfação do cliente, maior fidelidade e melhor desempenho financeiro.

Essa solução serve como base para aplicativos avançados que exigem interações complexas, como fluxos de trabalho de agentes e processos de várias etapas com LLMs e pesquisa híbrida. Também aprimora os recursos de chatbots e bots de voz, permitindo que eles forneçam respostas mais relevantes e personalizadas aos clientes.

Autores

• Luca Napoli, MongoDB

• Sebastian Rojas Arbulu, MongoDB

Saiba mais

• Automatize a subscrição digital com aprendizado de máquina

• Fluxos de trabalho de agentes de IA para processamento de sinistros de seguro

• Liquidação de sinistros aprimorada por AI para seguros veiculares