当3月在美国各地开始关闭COVID-19时，我在Adobe的团队不得不面对一个严峻的现实：不再像往常一样经营业务。突然，在一个周末内，我们不得不将全球22,000多名员工转移到远程工作。不足为奇的是，我们现有的流程和工作流程没有适应这种突然的变化。客户，员工和合作伙伴-许多也在家里工作-迫不及待地想收到紧急问题的答案。
我们很快意识到，满足他们需求的唯一方法是完全重新考虑我们的支持基础架构。
我们的第一步是启动一个组织范围内的开放Slack渠道，它将IT组织和整个Adobe员工社区联系在一起。我们的24×7全球IT服务台将为该渠道提供支持，而其余IT则可用于事件的快速升级。
当我们开始在Slack Channel上构建框架和接口时，我们意识到经常出现相同的特定问题。通过关注最常见和最重要的问题，我们决定优化对常见问题的支持。我们将这个AI和基于机器学习的Slack频道称为“#wfh-support”，它具有内置的自然语言处理(NLP)。
聊天机器人的答案可能很简单，例如将员工引导至现有的知识库文章或FAQ，或引导他们逐步解决问题，例如建立虚拟专用网络。我们选择首先关注于最常报告的八个主题，而今天，当我们了解有效的方法和最大的益处时，我们将继续增加功能。
清晰的结果–满意的员工
结果非常显着。自该计划于4月14日生效以来，该自动化系统已回答了3,000多个查询，并且我们见证了关键领域的重大改进。例如，我们注意到在家中上班时，越来越多的员工正在通过电子邮件寻求IT支持，因此减少电子邮件帮助通知单的周转时间变得很重要。借助深度学习和基于NLP的路由机制，现在38%的电子邮件票证将在六分钟内自动路由到正确的支持队列。AI路由机器人使用基于神经网络的分类技术将电子邮件票证分类为类或支持队列。根据预测的分类，故障单将自动分配给正确的支持队列。
这项AI增强功能将发送和路由电子邮件票证所需的平均时间从大约10小时减少到不到20分钟。在路由漫游器上进行的持续有监督的培训帮助我们达到了约97%的准确性，几乎与人类专家的水平相当。结果，内部支持的呼叫量下降了35%。
通过不断查看Slack通道中的过去的对话并识别关键字以完善基于规则的引擎，标记过去的对话中的数据以帮助训练NLP模型以更好地进行意图匹配和审阅对话，我们提高了聊天机器人的响应和解决率。找出主要问题并创建新的漫游器响应。我们每两周通过将来自已解决故障单的新数据添加到训练集中来重新训练路由机器人的神经网络模型。这不仅有助于识别新的或更改的路由模式，还使模型能够重新学习并避免将来的预测中出现错误。
使对话很重要
随着我们继续将其他流程功能过渡到AI和聊天机器人，我们专注于一些核心注意事项。首先，我们研究从技术中获得高投资回报的地方-考虑到数量和指标，为我们指明正确的方向。同时，我们仔细考虑技术如何影响客户和员工以及在何处创造价值。
一旦确定了路径，我们就可以允许小组以不同的目的和新颖的方式进行实验，测试聊天机器人和AI，以便我们学习和成长。我们还建立了卓越中心，使我们能够快速，广泛地分享关于内部学习的知识。例如，我们利用其他对话式聊天机器人在Slack的“#wfh-support”渠道上完成的工作来完成财务和面向客户的任务。我们将继续关注的另一个领域是机器人流程自动化(RPA)，它是指通过自主软件机器人(bot)和AI相结合而带来的业务改进。我们正在继续尝试和评估利用RPA技术来增强员工体验的新方法。
最后，解决变更管理问题至关重要。我们认为，这一挑战比使技术完全正确更为重要，尤其是在启动计划之初。人们必须了解AI和chatbot技术，为什么要使用它，如何为他们提供帮助以及他们的角色如何变化。在引入新的/未知的技术工具时，至关重要的是将员工的经验作为培训和集成过程的核心-确保他们对变化感到舒适和自信。