Главная страница Case Studies Обучение LLM для банковского call-центра

Обучение LLM для банковского call-центра

Благодаря сотрудничеству с Data Light клиент смог обучить нейронную сеть, которая с точностью до 96% идентифицирует запросы на тему банковских депозитов. Это значительно повысило эффективность работы call-центра.

Индустрия:

Банковское дело
Длительность проекта:

50 дней
Объем данных:

363 000 аудиофайлов

Задача:
Один из крупнейших банков Восточной Европы поставил задачу разработать нейронную сеть для автоматической категоризации клиентских запросов в call-центр.

Запросы касались:
1. Дебетовых карт.
2. Кредитов.
3. Депозитов и баланса.
Решение:

Основное внимание уделялось конфиденциальности данных, так как аудиофайлы содержали личную информацию клиентов. Для защиты данных было организовано строгое соблюдение NDA, и доступ к информации получили только специалисты, подписавшие соглашение о неразглашении. Прозрачность и качество работы поддерживались через еженедельные отчеты и коллективные чаты, где мы обсуждали все этапы работы.
Результаты:

Полученные размеченные данные позволили обучить нейронную сеть, которая достигла точности 96% в идентификации запросов по банковским депозитам. Это улучшило работу call-центра, снизив операционные затраты на 27%.
“Модернизация наших систем была приоритетом для нашего банка. По рекомендациям IT-сообщества мы выбрали Data Light в качестве подрядчика, и благодаря их работе наш call-центр работает эффективно. Мы довольны сотрудничеством”.
Александр, руководитель IT-отдела

Другие кейсы

Тайные проверки для сервиса знакомств

Мы провели масштабную серию скрытых проверок на одном из сайтов знакомств, чтобы выявить потенциальные нарушения, а также понять, какие мессенджеры используют пользователи и зачем они переходят туда.

Подробнее

Сбор Replay-атак для кибербезопасности

В течение 26 месяцев мы ежемесячно собирали 40 000 уникальных Replay-атак для обучения Face ID-модели клиента. Через краудсорсинг и автоматизированную валидацию данных нам удалось значительно повысить точность системы в распознавании фальсификаций.

Подробнее

Все кейсы