Miten teet tietopohjasta tekoälyvalmiin?

Generatiiviset tekoälyagentit ja RAG-hakujärjestelmät ovat täysin riippuvaisia niille syötetyn datan laadusta, sillä puutteellinen tai sekava tietopohja johtaa virheellisiin vastauksiin. Tämän vuoksi perinteiset, ihmisille kirjoitetut Help Center artikkelit on muotoiltava tekoälyvalmiiksi poistamalla ristiriidat, tiivistämällä rakenne ja sitomalla kysymykset suoraan niiden ratkaisuihin. Artikkelissa esitellään parhaat käytännöt Help center arkkitehtuurin ja muotoilun optimointiin, jotta tekoälyinvestoinneista saadaan irti suurin mahdollinen hyöty.

Tekoäly ei osaa taikoa. Se ei osaa arvata yrityksesi tuotetietoja, toimitusehtoja tai palautuskäytäntöjä. Tekoäly on vain niin hyvä kuin se tieto, joka sille annetaan, garbage in - garbage out. Jos tietopohjasi on sekava, vanhentunut tai puutteellinen, tekoäly joko hallusinoi virheellisiä vastauksia tai siirtää tiketin turhaan ihmisille.

Jotta generatiivisista tekoälyagenteista saadaan irti suurin mahdollinen hyöty, on elintärkeää, että kielimallin (LLM) saatavilla oleva tieto esitetään mahdollisimman tiiviisti ja loogisesti. Seuraavat parhaat käytännöt auttavat sinua valmistelemaan asiakaspalvelusi Help Centerin tekoälyä varten.

Nämä säännöt pätevät riippumatta siitä, onko yrityksenne asiakaspalvelualustana Zendesk, Salesforce, Freshdesk, Intercom tai jokin räätälöity järjestelmä. Kielimallit ja hakuarkkitehtuurit (RAG) toimivat taustalla samalla logiikalla.

Aloitetaan siitä, mitä taustalla todellisuudessa tapahtuu, kun syötät tietoa generatiiviselle tekoälylle. Sen jälkeen käymme läpi Help Centerin arkkitehtuurin parhaat käytännöt ja pureudumme tarkempiin muotoiluvinkkeihin.

Miksi tekoäly tarvitsee laadukkaan tietopohjan?

Tekoälyagenttien kyky vastata kysymyksiin perustuu pääasiassa RAG-arkkitehtuuriin (Retrieval-Augmented Generation).

Yksinkertaistettuna RAG toimii seuraavasti:

1. Paloittelu (Chunking): Kun tietopohjasi (kuten Help Center artikkelit) yhdistetään tekoälyyn, järjestelmä pilkkoo pitkät tekstit pienemmiksi lohkoiksi (esim. kappaleiksi tai lauseiksi).

2. Vektori-indeksointi: Jokaiselle tekstilohkolle lasketaan sen sisällöllistä merkitystä kuvaava matemaattinen arvo (vektori), ja se tallennetaan tietokantaan.

3. Haku (Retrieval): Kun asiakas kysyy jotain (esim. "Miten palautan rikkinäisen tuotteen?"), tekoäly etsii tietokannasta ne tekstilohkot, jotka vastaavat parhaiten kysymyksen merkitystä.

4. Generointi (Generation): Kielimalli (LLM) lukee löydetyt tekstilohkot ja muotoilee niiden perusteella asiakkaalle selkeän ja ystävällisen vastauksen.

Tekoälyagentti ei siis tee itsenäistä salapoliisityötä internetistä. Se pystyy vastaamaan vain sille annettujen tekstilohkojen perusteella. Jos tieto puuttuu tai on ristiriitaista, tekoäly epäonnistuu. Siksi perinteiset, ihmiselle kirjoitetut ohjeet on muutettava tekoälyvalmiiksi.

Käytännön vinkit tietopohjan valmisteluun

Ennen kuin menemme yleisiin parhaisiin käytäntöihin, tässä on kaksi tärkeintä vinkkiä Help Centerin valmistelemiseen:

• Varmista, että jokainen artikkeli vastaa suoraan asiakkaan kysymykseen: Tämä ei ainoastaan auta kielimallia suoriutumaan paremmin, vaan se tekee myös asiakkaiden elämästä helpompaa, kun he etsivät vastauksia Help Centeristä.

• Sido kysymykset ja aiheet suoraan niiden ratkaisuihin: Jos kysymys (esim. "Miten teen asian X?") tai aihe (esim. "Vaiheet asian X tekemiseen") esiintyy vain artikkelin otsikossa, se ei välttämättä siirry tekoälyn generoimaan vastaukseen. Kontekstin säilyttämiseksi on viisas ratkaisu toistaa kysymys tai avainlause artikkelin leipätekstissä lähellä itse ohjeita. Tämä varmistaa, että jokainen artikkelista poimittu tekstilohko on itsenäisesti ymmärrettävä ja hyödyllinen.

Tämä käytäntö pitää kysymyksen ja vastauksen yhdessä saman tekstilohkon sisällä. Samalla se parantaa huomattavasti todennäköisyyttä sille, että tekoälyn hakujärjestelmä tarjoaa asiakkaalle kattavan ja kontekstiltaan oikean vastauksen.

Help Centerin arkkitehtuurin parhaat käytännöt tekoälylle

Jos käytössäsi on generatiiviseen tekoälyyn pohjautuva tekoälyagentti ja haluat sen toimivan täydellä teholla, Help Centerin arkkitehtuuria on viilattava. Tässä ovat keskeiset suuntaviivat, joilla pääset alkuun:

• Poista päällekkäisyydet ja ristiriidat: Perkaa sisältösi ja poista kaikki tuplakappaleet tai ristiriitainen tieto. Muista, että tekoälyagentin vastauksen tarkkuus riippuu täysin sille syötetyn datan laadusta. Priorisoi aina uusin ja ajankohtaisin sisältö.

• Syvyys ja fokusointi: Rakenna artikkeleistasi hyper-fokusoidun tarkkoja. Jokainen tukiaihe tulisi käsitellä kattavasti Help Centerin sisällä. Toisin kuin ihmiset, generatiiviset tekoälyagentit eivät osaa surffata ulkopuolisilla verkkosivuilla tai seurata linkkejä lisäkontekstin toivossa. Siksi on tärkeää, että kaikki tarvittava tieto löytyy suoraan saman artikkelin tekstistä.

• Huomioi multimodaalisuus ja tarjoa tekstivastineet: Help Center on edelleen olemassa myös ihmisasiakkaita varten. Kuvakaappaukset ja videot ovat kriittisiä hyvän käyttökokemuksen takaamiseksi, eikä niitä tule poistaa. Varmista kuitenkin, että jokaiselle kuvalle, videolle ja kaaviolle on aina tarjolla kattava tekstivastine (kuten tarkka alt-teksti tai auki kirjoitettu ohje), jonka tekoäly voi lukea. (Vaikka modernit multimodaaliset mallit osaavat jo tulkita kuvia, RAG-hakujärjestelmät tukeutuvat edelleen pääasiassa tekstiin).

Artikkelien muotoilu optimaalisen selkeyden saavuttamiseksi

Järjestelmällinen rakenne parantaa merkittävästi sisällön saavutettavuutta ja käytettävyyttä. Muista, että jokainen tekstilohko tallennetaan ja haetaan sen semanttisen merkityksen perusteella – eli mitä selkeämpi teksti on, sitä paremmin tekoäly toimii.

• Käytä selkeää hierarkiaa: Hyödynnä pää- ja alaotsikoita tehokkaasti ja rakenna sisältö toimintakeskeisten työvaiheiden ympärille. Kuten edellisessä vinkissä mainittiin, vältä aiheiden tai kysymysten erottamista niiden vastauksista.

• Vältä sisäkkäisiä ohjeita: Jos ongelmaan on useita eri ratkaisuvaihtoehtoja, esitä jokainen omana itsenäisenä ohjeenaan sen sijaan, että piilottaisit ne laajan ohjeen alakohdiksi. Tämä selkeys auttaa sekä käyttäjiäsi että kielimallia löytämään oikean ratkaisun nopeasti.

• Lisää artikkeleihin tiivis johdanto: Jokaisen artikkelin tulisi alkaa lyhyellä johdannolla, joka avaa aiheen merkityksen ja ongelmat, jotka ohje ratkaisee. Tämä auttaa tällä hetkellä ihmislukijoita hahmottamaan kokonaisuuden ja tulee olemaan entistä tärkeämpää kielimalleille niiden kontekstiymmärryksen kehittyessä.

• Pidä teksti yksinkertaisena: Kirjoita lyhyitä kappaleita, jotka keskittyvät vastaamaan suoraan tiettyyn kysymykseen tai selittämään aiheen tiiviisti. Myös lauseiden tulisi olla suoria ja ytimekkäitä. Tämä helpottaa myös tekstin automaattista kääntämistä muille kielille.

• Rakenna listat ja taulukot huolellisesti: Käytä luettelomerkkejä faktojen tai vinkkien listaamiseen ja numeroituja listoja silloin, kun kuvataan vaiheittaista prosessia. Jos käytät taulukoita (esimerkiksi hinnoille tai tuotevertailuille), varmista, että ne on toteutettu puhtaana Markdown-tekstinä (ei kuvakaappauksina) ja pidä niiden rakenne mahdollisimman suoraviivaisena ja selkeänä ilman monimutkaisia HTML-muotoiluja. Nykyiset kielimallit lukevat ja ymmärtävät selkeitä tekstitaulukoita erittäin tehokkaasti.

• Selvennä terminologia: Kirjoita ammattitermit auki kokonaisuudessaan ensimmäisellä käyttökerralla ja lisää lyhenne sulkuihin sen perään (esim. keskimääräinen käsittelyaika (AHT, Average Handling Time)). Tämä takaa selkeyden kaikille lukijoille.

• Tunne yleisösi: Jos Help Center (tai osa siitä) on luotu sisäiseksi ohjeeksi omille agenteillesi asiakasrajapinnan sijaan, pohdi, pitääkö tieto kirjoittaa uudelleen sellaiseen muotoon, joka soveltuu tekoälyagentin suoraan asiakkaalle annettavaksi.

  

  Tilaa uusimmat vinkit suoraan sähköpostiisi

  ↵ Tilaa

  Painamalla tilaa nappia hyväksyt tietosuojaselosteen.

Esimerkki käytännöstä: Perinteisestä ohjeesta tekoälyvalmiiksi

Kuvitellaan käytännön tilanne, jossa asiakas haluaa palauttaa verkkokaupasta ostamansa tuotteen. Ihminen ymmärtää kontekstin, mutta tekoälylle tämä on huono lähde.

Ennen (Vaikea tekoälylle luettavaksi):

Yrityksen Help Centerissä on yksi artikkeli otsikolla "Tietoa palautuksista ja toimituksista":

"Tuotteillamme on 14 päivän palautusoikeus. Huomioithan, että aletuotteita ei voi palauttaa. Toimitamme tilaukset Postilla. Jos haluat tehdä palautuksen, täytä mukana tullut lomake. Jos kyseessä on viallinen tuote, ota yhteyttä asiakaspalveluun sähköpostitse. Toimitusaikamme on pääsääntöisesti 2–4 arkipäivää."

Miksi tämä on ongelma tekoälylle? Kun RAG-järjestelmä pilkkoo (chunking) tämän tekstin osiin, toimitusaikaa koskeva lause irtoaa omaksi lohkokseen ilman asiayhteyttä. Jos asiakas kysyy tuotteen toimitusaikaa, tekoäly saa lohkon, jossa ei mainita sanaa "toimitusaika" kuin kerran, ja se saattaa sekoittaa vastaukseen samassa lohkossa olevaa tietoa viallisista tuotteista.

Jälkeen (Tekoälyvalmis ja hyper-fokusoitu rakenne):

Sama tieto jaetaan kahteen eri artikkeliin, joissa konteksti pidetään kasassa.

Artikkeli 1: Miten palautan tilaamani tuotteen?

*"Voit palauttaa verkkokaupastamme ostamasi tuotteen 14 päivän kuluessa sen vastaanottamisesta. Huomioithan, että 14 päivän palautusoikeus ei koske alennushintaisia tuotteita.

Tehdäksesi palautuksen normaalihintaiselle tuotteelle, noudata näitä vaiheita:

1. Täytä lähetyksen mukana tullut palautuslomake.

2. Pakkaa tuote ja vie se lähimpään Postin toimipisteeseen."*

Artikkeli 2: Miten toimin, jos tilaamani tuote on viallinen?

*"Jos verkkokaupastamme tilaamasi tuote on viallinen tai vaurioitunut, voit tehdä siitä reklamaation.

Toimi näin ilmoittaaksesi viallisesta tuotteesta asiakaspalveluumme:

1. Ota yhteyttä sähköpostitse osoitteeseen aspa@yritys.fi.

2. Liitä viestiin kuva vauriosta ja tilausnumerosi."*

Tarvitsetko apua tietopohjasi tekoälyvalmiuden selvittämisessä?

Help Centerin manuaalinen läpikäynti ja tekoälyoptimointi voi olla valtavan työläs ja virhealtis urakka. Me Zenniuksella autamme laittamaan tietopohjanne kuntoon tekoälyä varten. Voimme auttaa teitä:

• Ristiriitojen ja päällekkäisyyksien poistamisessa: Etsimme ja karsimme artikkeleista vanhentuneet tiedot ja tuplakappaleet, jotka sekoittavat tekoälyn.

• Epäselvyyksien ja katvealueiden selvittämisessä: Analysoimme, vastaako sisältö suoraan asiakkaiden yleisimpiin kysymyksiin ja onko teksteissä riittävästi kontekstia tekoälylle.

• Ongelmallisten rakenteiden korjaamisessa: Muotoilemme monimutkaiset ehtolauseet, kuvat ja HTML-taulukot helposti purettavaksi tekstiksi.

• Muutosten viemisessä käytäntöön: Autamme viemään tarvittavat korjaukset maaliin ja rakentamaan prosesseja dynaamisen tietopohjan jatkuvaan ylläpitoon.

Lopputuloksena tekoälyagenttinne vastaa tarkemmin, automaatioaste nousee ja asiakkaanne saavat parempaa palvelua.

Jos haluat varmistaa, että tekoälyinvestointinne tuottaa tuloksia eikä hallusinointia, tietopohjan nykytila on syytä auditoida. Ota yhteyttä ja sparrataan miten teidän nykyinen tietopohjanne saadaan kuntoon tekoälyn käyttöönottoa varten.