JsonTV: Дмитрий Каштанов, ICL Services: Как собрать полезное ML-решение, если данные несовершенны HD
00:08:45
JSON.TV 1047 роликов
199 просмотров на сайте 12n.ru
Дмитрий Каштанов, ICL Services: Как собрать полезное ML-решение, если данные несовершенны.
Выступление Дмитрия Каштанова, Заместителя исполнительного директора по цифровой трансформации ICL Services, на конференции CNews «Искусственный интеллект 2019» 21 февраляПример процесса, который был роботизирован ICL Services с помощью ИИ (Machine learning): маршрутизация обращений 1-й линии Service Desk (6000+ заявок/месяц, 510+ категорий заявок). Результат на текущий момент: 15% заявок назначается на 2-ю линию за 22 сек с момента создания обращения. Эффект: снижение трудозатрат на 7%, +3 пункта SLA. Как собирается полезное решение: «копание» данных; исправление данных; улучшение модели; «придушивание» модели с сокращением остаточного отрицательного эффекта; «забываем» про модель (осваиваем потенциал другими инструментами).
развернуть свернуть