Библиографическое описание:

Рудская Е. Н., Десятниченко Л. В. Искусственный интеллект для бизнеса: трансформация эффективных запросов в реальные продажи // Молодой ученый. — 2015. — №8. — С. 621-631.

Быстрое развитие информационных технологий вызывает трансформацию всей экономики и, прежде всего, финансово-банковского сектора. В результате на рынке появляются совершенно новые финансовые продукты, отвечающие требованиям нового поколения людей и инновационного бизнеса.

Ключевые слова: когнитивная система, поисковая оптимизация, распознавание текстов, искусственный интеллект.

 

Когнитивная система представляет собой систему познания, с помощью которой человек ориентируется в окружающем пространстве и времени. Данное понятие может быть применимо и для программного обеспечения, работающего на основе искусственного интеллекта.

У когнитивных систем, как и у человека, имеется свой способ сбора, запоминания и извлечения информации, аналогичный воспоминаниям человека. Кроме того, когнитивные системы имеют основную способность передавать информацию и действовать. Эти способности разделены на определенные поведенческие конструкты:

-                   способность создавать и проверять гипотезы;

-                   способность разбивать на составляющие и строить логические выводы о языке;

-                   способность извлекать и оценивать полезную информацию (см.рисунок 1)

Это самые главные способности, без которых ни компьютер, ни человек не сможет определить правильную взаимосвязь между вопросами и ответами. [1]

Одной из первых когнитивных систем, которая нашла свое применение в сетевом пространстве является поисковая оптимизация или SEO.

Поисковая оптимизация (англ. search engine optimization, SEO) представляет собой комплекс мер для поднятия позиций сайта в результатах выдачи поисковых систем по определенным запросам пользователей с целью продвижения сайта. Обычно чем выше позиция сайта в результатах поиска, тем больше заинтересованных посетителей переходит на него с поисковых систем. [2]

Рис. 1. Структура когнитивной системы

Источник: «Эпоха когнитивных систем: принцип построения и работы IBM Watson»;Redbooks, Роб Хай.

 

Наибольшей популярностью среди предпринимателей и владельцев сайтов пользуется поисковая оптимизация Google. Это связано с тем, что на протяжении длительного времени поисковая оптимизация Google зарекомендовала себя как качественный сервис для продвижения сайтов в хостинге. Для продвижения сайтов Google использует следующие инструменты: три традиционных компонента SEO (    контент, ссылки, мета-теги), основные элементы сайта, реклама на сайте, скорость загрузки сайта, код мобильных версий сайтов, модерация комментариев, информативность контента, хостинг размещения сайта, качественная техническая работа, реакция на действия пользователя и прочее.

Однако, в последнее время наблюдается большое количество проблем с данной технологией в связи с её устареванием и неэффективностью. Программные продукты и требования потребителей меняются, поэтому возникает проблема поиска новых решений.

Поисковики сознательно выдавливают с рынка «оптимизаторов», чтобы пользователи получали именно ту информацию, которую ищут, а владельцы сайтов покупали бы больше контекстной рекламы, что в свою очередь не устраивает ни владельцев сайтов, ни покупателей.

Сотрудничество с биржами приводит к тому, что деньги, которые могли бы пойти на улучшение качества сайта в интересах пользователей, тратятся на гонку ссылочных бюджетов. Такие бюджеты порождают чудовищные сайты с украденным или бессмысленным контентом, которые нужны только для продажи ссылок. В результате, SEO превратился в бесконтрольный ссылочный рынок. [3]

Отсюда следует вывод, что использование когнитивных систем в инновационных технологиях по распознаванию смысла и структуры предложенных запросов является революционным шагом.

Новое решение поисковой оптимизации в соответствии с запросами потребителей нашла компания ABBY, компания-разработчик решений в области распознавания текстов и лингвистики.

Компания приобрела большую известность благодаря таким программам как ABBYY FineReader, ABBYY FlexiCapture, ABBYY Lingvo. Более 30 миллионов пользователей и десятки тысяч организаций по всему миру используют решения ABBYY.

Остановимся на важнейшей разработке ABBYY — технологии Compreno. Это универсальная лингвистическая платформа для приложений, решающих множество прикладных задач по обработке текстов на естественном языке:

1.                  Письменный и устный перевод с одного языка на другой.

2.                  Интеллектуальный поиск, в частности: поиск по смыслу, а не по ключевым словам; извлечение фактов и связей между объектами поиска (в том числе для конкурентной разведки); мониторинг компаний и персоналий, и построение аналитических отчетов на основе параметров разного типа; возможность получить ответы на запросы, заданные обычным языком.

3.                  Многоязычный поиск, когда на вопрос на одном языке находятся ответы на всех языках, поддерживаемых системой.

4.                  Классификация и фильтрация документов.

5.                  Защита от несанкционированного использования информации.

6.                  Автоматическое реферирование и аннотирование документов.

7.                  Распознавание речи.

Compreno — это технология перевода любого человеческого языка на универсальный язык понятий. Соответственно, Compreno включает в себя и сам этот универсальный язык понятий, который ABBYY 15 лет разрабатывала втайне от конкурентов в своих исследовательских лабораториях. Данная технология не просто работает на основе искусственного интеллекта, она максимально приближена к человеческому мозгу в распознании смысла слов и даже целых предложений. [4]

Если сравнить работу Compreno с обыкновенным переводчиком, то можно увидеть насколько система адаптирована под языковую структуру языка (см.рисунок 2).

Рис. 2. Сравнительная характеристика перевода предложений с русского на английский стандартного переводчика и системы Compreno.

Источник: https://abby.ru

 

Революционность ABBYY Compreno выражается в фундаментальности подхода, разработке универсальной системы понятий и технологий полного синтаксического и семантического анализа. [5]

Однако Compreno не единственное «чудо» современных IT-технологий. В течение последних лет ученые одного из подразделений корпорации IBM работали над системой искусственного интеллекта, получившей кодовое имя «Ватсон /Watson». Система строилась таким образом, что она, как надеются ученые, сможет понять сложные комплексные вопросы и дать на них четкий и определенный ответ с достаточной скоростью. (см.рисунок 3).

Рис. 3. Сравнительный анализ программной платформы Watson и человека по ряду характеристик

Источник: «Эпоха когнитивных систем: принцип построения и работы IBM Watson»;Redbooks, Роб Хай.

 

Программное обеспечение превращает наборы данных в набор взаимосвязанных фактов, производит аналитические операции и отвечает на заданные вопросы. Благодаря тому, что программное обеспечение DeepQA обладает мощной функцией распознавания естественного языка и искусственного интеллекта, возможности суперкомпьютера Watson в деле маркетинга являются поистине безграничными.

Схема работы программного обеспечения имеет сложную структуру и представлена несколькими этапами, охватывая весь процесс от обработки заданного вопроса до получения точного логического ответа (см. рисунок 4).

Рис. 4. Схема работы программного обеспечения Watson.

Источник: «Эпоха когнитивных систем: принцип построения и работы IBM Watson»;Redbooks, Роб Хай.

 

Единственное, что удерживает эту технологию от начала широкого внедрения — высокая цена программного и аппаратного обеспечения. Если учесть, что стоимость одного сервера Power 750, имеющего 32 вычислительных ядра, составляет порядка 300 тысяч долларов, а Watson состоит из 90 таких серверов, не говоря о том, что стоимость работ по установке и наладке оборудования составляет $32 миллиона, то не стоит ожидать в самом ближайшем времени массового появления таких суперкомпьютеров в роли продавцов или менеджеров. [1]

Появление таких технологий как Compreno и Watson подтверждает факт возможности участия искусственного интеллекта в коммерческой деятельности для решения большого круга вопросов и задач. Тенденция развития технологий и увеличения объема информации приводит к тому, что человек физически не в состоянии охватить все данные и упорядочить их в единую структуру. Именно поэтому возникает срочная необходимость создания новых систем, которые одновременно способны справляться с данной нагрузкой и быть максимально приближены к человеческой логике и пониманию.

В настоящий момент времени когнитивные системы в банковской сфере представлены тремя следующими направлениями: нейронные сети, генетические алгоритмы и генетическое программирование, метод опорных векторов.

Нейронные сети — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. После разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

Генетические алгоритмы — это алгоритмы поиска, используемые для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе.

Метод опорных векторов — набор схожих алгоритмов обучения с учителем, использующихся для задач классификации и регрессионного анализа. Основная идея метода — перевод исходных векторов в пространство более высокой размерности и поиск разделяющей гиперплоскости с максимальным зазором в этом пространстве.

В современной банковской практике когнитивные системы в основном используются в кредитных процессах, что обусловлено необходимостью обеспечения качественного анализа состояния заёмщика на момент выдачи кредита, прогнозирования возвратности кредита при наиболее рациональном использовании ресурсов. Технология данного процесса сводится к реализации следующих основных этапов:

1.                  Построение когнитивных карт.

2.                  Моделирование возможных сценариев развития кредитных процессов в виде импульсных процессов в вершинах построенной карты при внесении в них «возмущающих воздействий».

3.                  Выделение интервалов значений параметров в вершинах когнитивной карты, которые соответствуют разным интервалам значений полезности и отражают риски, угрозы и допустимые значения показателей-индикаторов безопасности и устойчивого развития системы. [6]

Принципиальная схема когнитивного моделирования представлена на рисунке 5.

Рисунок 5. Процедура когнитивного моделирования.

Источник: Будкин Н.А Когнитивная модель управления проектным финансированием в банке // Экономические науки.-2010. — № 2

 

Исследование динамики возможных траекторий развития системы проводится путем внесения модельных возмущений (импульсов) в вершины когнитивной модели. Моделирование можно проводить шагами или импульсами. Из рисунка видно, что моделирование также происходит поэтапно:

1.                  Определение начальных условий, тенденций, характеризующих развитие ситуаций на данном этапе.

2.                  Задание целевых, желаемых направлений (уменьшение, увеличение) и силы (слабо, сильно) изменения тенденций процессов в ситуации.

3.                  Выбор комплекса мероприятий (совокупности связывающих факторов), определение их возможной и желаемой силы и направленности воздействий на ситуацию, силу и направленность которых необходимо определить.

4.                  Выбор наблюдаемых факторов (индикаторов), характеризующих развитие, осуществляется в зависимости целей анализа и желания пользователя. [7]

Обычного интеллектуального анализа в условиях усложнения профиля клиента недостаточно, необходимо привлечение информации на основе индивидуальных принципов, то есть использование технологии под названием Data Mining (см.рисунок 6).

Рис. 6. Схема структуры технологии Data Mining.

Источник: www.inftech.webservice.ru/ DATA MINING в банках: перспектива или реальность?

 

Для более качественного анализа требуются передовые средства и алгоритмы, позволяющие заменить универсальные параметры кампании на индивидуальные, соответствующие профилю клиента, что значительно повышает уровень отклика и выгодность каждого клиента для банка. [8]

Традиционные средства, основанные на экспертных оценках в современных условиях, не позволяют проводить долгосрочный анализ доходности сегментов и не достигают желаемой точности распределения предложений.

В ходе совместной работы аналитиков Лето Банка и консультантов GlowByte Consulting был сформирован набор прогнозных моделей, оценивающих склонность клиентов к приобретению того или иного продукта, определяющих наиболее вероятную сумму займа необходимую клиенту в текущий момент времени. На основе полученных оценок был реализован алгоритм подбора оптимального предложения для каждого клиента, включающий создание уникального механизма прогноза отклика клиента на предложение, что должно было позволить увеличить отклик от проводимых маркетинговых кампаний при сохранении требований к рентабельности кредитного портфеля. Результатом и критерием эффективности проекта стала проведенная с использованием результатов моделирования экспериментальная кампания.

Итогом сравнения предложений, сделанных представителям одного и того же сегмента с использованием новых построенных моделей с традиционно используемым экспертным расчетом, стало увеличение количества продаж более чем на 10 % без снижения средней кредитной ставки предложения в первой же кампании.

Проект состоял из нескольких этапов — сбор статистики отклика клиентов на разные предложения, построения прогнозных моделей и оптимизационного алгоритма, применение этих инструментов на практике для замера эффективности по сравнению с действующим подходом. В результате, специалистами GlowByte была разработана уникальная технология анализа информации, содержащейся в корпоративном хранилище данных, которая вкупе с высокопроизводительными средствами анализа и визуализации обеспечила реализацию ключевых идей повышения эффективности построения кампаний, а также увеличение эффективности работы на 10–15 %.

Стремительное развитие технологий порождает новые способы конкурентной борьбы за потребителя и его лояльность по отношению к банку. В настоящий момент использование искусственного интеллекта становится необходимым для работы банков с клиентами. Однако, как отмечалось выше, большая часть банков не может себе позволить применение данных технологий в связи с высокой стоимостью и сложностью установки.

Решением данного вопроса стал проект под названием Scorista — российский аналог американской компании ZestFinance и европейской KrediTech, предлагающих услуги по принятию решения по выдаче кредита по схеме SaaS (программное обеспечение как сервис). При этом российский проект использует собственный алгоритм и математическую модель, что позволяет, по словам разработчиков, снизить процент неплатежей на треть.

Происходит продажа не софта, а услуги, то есть осуществляется прямое подключение компании либо по API (интерфейс программирования приложений), либо при помощи web-интерфейса. Такой подход не требует больших средств для подключения сервиса и нетрудозатратен, поскольку за заказчика все операции совершает система.

На сегодня стартап Scorista имеет нескольких клиентов и успешные результаты тестирования: процент невозврата кредитов снизился до 7 %, в то время как на рынке он составляет 10 %. [9]

Несмотря на то, что сейчас существуют большие сложности с внедрением технологии на основе искусственного интеллекта, она уже применяется во многих крупных банках Европы. В лице финансового консультанта и помощника систему Watson используют два банка: австралийский ANZ Bank и испанский Caixa Bank.

ANZ Bank имеет имиджевые отделения в Австралии и Новой Зеландии, построенные на базе Watson, куда клиенты приходят за ответами по вопросам страхования, инвестиций и пенсионных накоплений. Watson может играть роль как интерфейса для самообслуживания — когда пользователи самостоятельно задают ему вопросы, так и «советника советника», помогая финансовым менеджерам ANZ давать клиентам персональные советы.

Узнавая как можно больше данных о клиенте (возраст, доход, жизненные обстоятельства, текущую финансовую ситуацию) Watson может выдать не просто список поисковых результатов, а достоверные советы с определенной степенью уверенности.

Уже сейчас Watson в состоянии стать рабочим инструментом и помощником для людей, а в недалеком будущем такая система, за счет совершенствования программного обеспечения, сможет работать напрямую с покупателями в полностью автоматическом режиме. Данный факт является прямым подтверждением того, что эта технология имеет большие перспективы и возможности в будущем. [10]

Российские коммерческие банки также стремятся к созданию программ с индивидуальным подходом к потребителю на основе искусственного интеллекта.

Одна из таких программ «Тинькофф Таргет» позволяет делать индивидуальные предложения для постоянных клиентов партнера и для потенциальных, осуществляющих покупки у конкурентов. [11]

Суть «Тинькофф Таргет» состоит в том, что бизнесу необходим новый клиент, который станет постоянным. Клиенту, в свою очередь, интересно иметь выгодные предложения в соответствии с его интересами.

Внутренний механизм платформы «Тинькофф Таргет» (см. рисунок 7) позволяет выделить для конкретного партнера потенциальных лояльных клиентов по географии, полу, возрасту и, что главное, по потребительским предпочтениям.

Рис. 7. Схема работы банковской платформы «Тинькофф Таргет»

Источник: https://target.tcsbank.ru

 

Для привлечения такого клиента партнер может предоставить хорошее предложение без убытка для себя. В этой схеме все три стороны находят свои преимущества: клиент получает актуальные для себя предложения, партнер — постоянного клиента, банк — возможность поощрить клиента, предоставить персонализированный повышенный cashback (15–30 %, возможно, и больше). [12]

Другой пример — Rubbles, использует машинное обучение для того, чтобы предсказать, какие покупки клиент банка будет совершать в будущих периодах — в том числе, какие внутренние банковские продукты клиент купил бы с наибольшей вероятностью. Система обучается на новых сигналах в реальном времени для увеличения точности предсказания (см. рисунок 8). Возможности агрегации позволяют качественно улучшить процесс выбора наиболее эффективных предложений для каждого клиента — платформа знает, какие предложения и какие услуги будут использоваться в дальнейшем у потребителя. [13]

Рис. 8. Пример расчета персонального кредитного продукта для потребителя платформой Rubbles

Источник: https://rubbles.ru.

 

Помимо создания когнитивных систем на основе искусственного интеллекта, наблюдается появление других технологий, которые способны повысить качество сервиса и уровень обслуживания клиентов. Одна из таких — авточаты. [14]

Использование контактных центров в крупных компаниях характеризуется, как правило, следующей закономерностью: время, силы и средства, потраченные на обслуживание клиентов, не всегда пропорциональны достигаемым результатам. Для эффективной обработки запросов разного типа требуется системный подход с использованием нескольких каналов связи. Главными трендами стратегии развития сервиса в банках, которым приходится принимать большое количество заявок одномоментно, становятся автоматизация, самообслуживание и многоканальность. Именно над этой проблемой начали задумывать российские специалисты компании «Наносемантика». В результате появились авточаты — виртуальные роботы, наделенные базой знаний и искусственным интеллектом.

Установленный на сайте виртуальный робот в режиме онлайн мгновенно дает пользователям ответы на распространенные, часто задаваемые вопросы, причем в любое время суток. По статистике 30–37 % запросов, которые поступают роботу, приходятся на нерабочее время. При этом авточат — не просто электронная справка. Обладающий искусственным интеллектом виртуальный робот способен поддерживать беседу и отвечать на вопросы с учетом ее контекста. [14]

Активное использование авточатов уже наблюдается в некоторых российских банках и финансовых организациях. Яркий пример успешного использования продукта «Наносемантики» на сайте банка — робот-консультант, разработанный для банка «Тинькофф Кредитные Системы» (см.рисунок 9). Многие пользователи, получившие консультацию у робота, возвращаются к нему повторно, и таких лояльных клиентов насчитывается около 15 % ежемесячно. Как правило, для решения своей проблемы пользователю сайта tcsbank.ru требуется задать роботу не более трех вопросов.

Рис. 9. Авточат банка «Тинькофф Кредитные системы».

Источник: http://futurebanking.ru

 

Не менее эффективно работает робот-консультант ВТБ24 (см.рисунок 10). Он появился на всех страницах сайта банка в июне 2014 г. и сразу же взял на себя запросы по поводу услуг для физических и юридических лиц, приват-банкинга, реквизитов, позиций банка в рейтингах. Помимо консультаций робот дает посетителям важные подсказки при выборе кредита, кредитной карты, типа вклада и помогает им ориентироваться на сайте (например, в ответ на вопрос о месторасположении отделений или банкоматов дает ссылки на соответствующие страницы). При этом наблюдается существенное снижение нагрузки на колл-центр ВТБ24. [14]

Рис. 10. Авточат банка ВТБ24

Источник: http://futurebanking.ru

 

Синхронизированная работа робота-консультанта и колл-центра дает свои результаты и обладает большим количеством преимуществ. Для полной идентификации запроса клиента была также разработана диалоговая система, которая позволила полностью автоматизировать и соединить в себе работу авточата и специалиста колл–центра.

Данная технология была впервые запущена 23 сентября 2014 года на сайте Московского кредитного банка (МКБ). Диалоговая система включает в себя умный авточат, интегрированный с ним сервис онлайн-консультанта и услугу обратного звонка.

На первой линии обслуживания клиента запрос принимает авточат — виртуальный робот, наделенный искусственным интеллектом. К нему и поступают по умолчанию все запросы. Робот сегментирует обращения и помогает пользователю в тех случаях, когда способен найти решение самостоятельно. Распознавать вопросы и адекватно на них реагировать роботу позволяют встроенная в него тематическая база знаний и специальные лингвистические шаблоны, основанные на технологии нечеткого поиска. По ключевым словам, и фразам, а также по контексту беседы виртуальный консультант распознает суть запроса и примерно в 80 % случаев дает ответ с необходимой пользователю информацией. [14]

В оставшихся 20 % ситуаций в случае не распознавания роботом запроса, идет прямое подключение к третьему элементу диалоговой системы. Робот самостоятельно находит в контактном центре специалиста по возникшей проблеме и передает ему телефон пользователя для звонка (см. рисунок 11). При таком алгоритме запросы разного уровня сложности распределяются между разными каналами поддержки, которые дополняют друг друга, работая согласованно. Трехступенчатая схема работы с запросами позволяет решить практически любую проблему клиента в кратчайший срок. [14]

Рис. 11. Схема работы диалоговой системы с запросами потребителей.

Источник: http://futurebanking.ru

 

Однако консультация пользователей в режиме онлайн — не единственная функция диалоговой системы. Входящий в ее состав робот способен не только реагировать на запросы, но и вступать в диалог с посетителем сайта по собственной инициативе. Он является важным элементом юзабилити, так как помимо прямых консультаций помогает пользователю в навигации по сайту, дает ему полезные подсказки и делится ссылками на страницы с нужной информацией. Как следствие, уменьшается количество отказов, увеличивается глубина просмотра, сокращается время поиска пользователем необходимой информации.

Виртуальный помощник может быть крайне эффективен в качестве продавца, предлагающего товар или услугу, и промоутера, рассказывающего о новых акциях и предложениях компании. Как доказывает практика, нетрадиционный способ рекламы, который предполагает непосредственный контакт с пользователем и его эмоциональную вовлеченность, работает намного лучше всплывающих окон и примелькавшихся баннеров. Так, робот Максим Рублев, входящий в диалоговую систему на сайте МКБ, помимо консультирования посетителей, рассказывает им о новых продуктах, услугах и предложениях банка. Предлагает свою помощь и в подборе продуктов, выясняя предпочтения пользователя с помощью ряда последовательных вопросов. [14]

Способствует повышению продаж и еще одна функция виртуального робота — генерация лидов. При определенных сценариях, которые утверждаются заказчиком, робот запрашивает у собеседника контактные данные и высылает их менеджеру вместе с записью разговора.

Анализ записей диалогов робота с пользователями, который регулярно проводят создатели робота, также помогает установлению более эффективной обратной связи между клиентами и компанией. Это позволяет банку лучше понимать, что в первую очередь интересует посетителей сайта, какие моменты в предлагаемых продуктах и услугах вызывают больше вопросов. [14]

Выводы. Таким образом, конкурентная борьба уходит в плоскость высоких технологий, основанных на интеллектуальном анализе поведения потребителей. Отправной точкой развития этих платформ является банковская сфера, где концентрируется наибольшее количество потребителей и возможностей для коммерческих предприятий.

Проведенное в работе исследование показало настоящие возможности искусственного интеллекта в сфере коммерческих отношений, а также перспективы его дальнейшего использования в различных областях на практике.

Примеры использования таких технологий в банковской сфере — прямое доказательство развития инновационных технологий и возможностей применения их в реальной жизни для достижения поставленных целей и больших результатов в экономике.

 

Литература:

 

1.         Эпоха когнитивных систем: принцип построения и работы IBM Watson»/Redbooks, Роб Хай, с.5–10.

2.         Поисковая оптимизация // https://ru.wikipedia.org

3.         Гришин Н. Как компания SeoPult стала безоговорочным лидером рынка оптимизации сайтов // Секрет Фирмы — 2014 — № 5, с.12

4.         Шачингер К. Поисковая оптимизация мертва? Отнюдь нет! // http://www.searchengines.ru

5.         Система «Compreno» // https://www.abby.ru/

6.         Чефранова М.А // Построение когнитивной модели процесса кредитования и разработка структурного блока принятия управленческих решений на ее основе

7.         Будкин Н. А Когнитивная модель управления проектным финансированием в банке // Экономические науки.–2010. — № 2. — с. 213

8.         DATA MINING в банках: перспектива или реальность? // www.inftech.webservice.ru/

9.         Чуриков Л. Облачный скоринг добрался до России // IT Weekly. — 2014. — июнь

10.     IBM делает из Watson финансового консультанта // http://rebanking.ru/ibm-delaet-iz-watson-finansovogo-konsultanta/ — 2014. — 10 октября

11.     Банк Тинькофф Кредитные системы // https://www.tcsbank.ru

12.     Яманов А. Будем делать еще более точечный таргетинг // http://futurebanking.ru/

13.     Блинов Н. Rubbles — платформа, предсказывающая поведение клиентов банков// http://futurebanking.ru

14.     Зубкова А. Авточаты с искусственным интеллектом: оптимизация онлайн-поддержки клиентов// http://futurebanking.ru

Обсуждение

Социальные комментарии Cackle