AI 驱动式呼叫中心智能

解决方案概述

许多保险公司面临的主要挑战是呼叫中心效率低下，座席人员很难快速找到客户并向其提供准确的信息。研究表明，拥有卓越客户体验的公司表现优于同行。实例，满意的客户续保保单的可能性提高 80%，从而直接促进增长。

该解决方案展示了MongoDB如何转变呼叫中心的运营方式。它利用AI和分析将非结构化音频文件转换为可搜索向量。这使企业能够快速访问权限相关信息，确定成功的解决策略和常见问题，并改善整体客户服务体验。

图 1 显示了如何将原始录音转换为向量。该管道的工作原理如下：

1. 存储原始音频文件：以原始音频格式存储过去的通话录音。

2. 处理音频文件：使用AI和分析服务，例如语音到文本转换、内容摘要和矢量化。

3. 存储向量和元数据：将生成的向量及其元数据（例如呼叫时间戳和代理信息）存储在可操作的数据存储中。

图 1. 客户服务通话洞察提取与向量化流程

一旦数据以向量格式存储在操作数据存储中，实时应用程序就可以访问这些数据。现在，Vector Search 可以使用这些数据，也可以将其集成到检索增强生成 (RAG) 架构中。这种方法将大型语言模型 (LLM) 与外部知识源相结合，生成更准确、信息更丰富的输出。

参考架构

系统架构，如图 2 所示，包含以下模块和功能：

• Amazon Transcribe 接收来自客户手机的音频并将其转换为文本。

• Cohere 通过Amazon Bedrock 提供嵌入模型，将来自 Transcribe 的文本转换为向量。

• Atlas Vector Search接收查询向量并返回一个文档，其中包含数据库中语义最相似的常见问题解答。

图2。系统架构和模块

有关完整的实施详情，请参阅Github存储库。

关键要点

• 利用AI服务转变呼叫中心：将语音转文本、向量嵌入和向量搜索等AI服务与MongoDB Atlas集成，利用可操作的语音数据转变传统呼叫中心。

• 集成基于 RAG 的架构：将 RAG 架构与 Vector Search 相结合，生成更快的代理响应、聊天机器人和自动化工作流程。

• 实施实时代理协助：集成代理协助以提高业务成果，例如更高的客户满意度、更强的忠诚度和改善的财务绩效。

该解决方案是需要复杂交互的高级应用程序的基础，例如代理工作流程以及具有法学硕士和混合搜索的多步骤流程。它还增强了聊天机器人和语音机器人的功能，使它们能够为客户提供更相关和更个性化的响应。

作者

• Luca Napoli，MongoDB

• Sebastian Rojas Arbulu, MongoDB

了解详情

• 通过机器学习实现数字承保自动化

• 保险索赔处理的 AI 代理工作流程

• 人工智能增强的汽车保险索赔调整