Les équipes se concentrent souvent sur l'ingénierie des harnais d'agents tout en négligeant le produit, le flux de travail et les décisions humaines qui déterminent l'impact réel sur les affaires. Cette négligence mène fréquemment à des systèmes d'agents sophistiqués déployés mais qui échouent à changer de manière significative la manière dont le travail est effectué. Basé sur l'expérience de la construction de systèmes d'agents pour un fournisseur de services informatiques géré d'une valeur de plus de 100 millions de dollars, confronté au churn client, cinq principes fondamentaux émergent pour créer des systèmes d'agents qui réussissent en production, gagnent la confiance et s'améliorent avec le temps.
Le premier principe met l'accent sur l'adaptation de la forme du produit au flux de travail métier plutôt que sur l'utilisation par défaut d'interfaces de chat. La détection de churn commence lorsqu'un nouvel élément probant arrive et doit s'exécuter en continu en arrière-plan, rendant un système événementiel et à état plus approprié qu'une approche basée sur le chat. Le système surveille les problèmes de service récurrents entre les clients et ne fait monter que ceux qui répondent à des critères spécifiques.
Le deuxième principe préconise de donner chaque étape du flux de travail au mécanisme le plus simple qui le gère bien. Plutôt que de remettre l'ensemble du flux de travail à un seul agent, le système utilise un agent de résumé pour le jugement linguistique, une similarité sémantique pour regrouper les tickets, un code déterministe pour les seuils de récurrence, et réserve l'enquête d'agent pour l'analyse de motifs complexes nécessitant un jugement commercial.
Les principes restants se concentrent sur la refonte des rôles humains lors des transferts d'agents, la conception de transferts pour la vérification et les commentaires, et la construction de boucles d'auto-amélioration à partir des entrées humaines. Cela garantit que le système d'agents reste aligné sur les besoins commerciaux tout en s'améliorant continuellement grâce à l'utilisation dans le monde réel.
Source: Towards Data Science · Résumé par HeadlinesBriefing