📢 转载信息
原文作者：Microsoft Research
我们很高兴地宣布，微软研究院的研究人员与Signify的专家们合作，成功将检索增强生成（Retrieval-Augmented Generation, RAG）系统与Signify的行业知识相结合，创建了一个名为PIKE-RAG的系统。该系统显著提升了Signify客户服务代表的效率和准确性。
RAG系统的挑战与Signify的需求
RAG系统通过检索外部知识库来增强大型语言模型（LLM）的回答，是当前AI应用的热点。然而，要使RAG在特定行业（如照明和智能家居）中发挥最大效能，关键在于如何有效地整合和利用深厚的行业专业知识。
Signify的客户服务团队面临着巨大的信息量挑战。他们需要快速准确地回答关于数千种产品的复杂技术问题，这些问题往往涉及到特定行业术语和详细的产品规格。传统的RAG方法，通常依赖于通用的大型语料库，在处理这类高度专业化的查询时，往往检索到的信息不够精确或缺乏深度。
PIKE-RAG的创新之处
我们的解决方案PIKE-RAG（Product-Intelligent Knowledge Enhanced RAG）的核心创新在于构建了一个强大的产品知识嵌入层，该层专门用于存储和检索Signify的深度专业文档。
我们所做的关键改进包括：
- 专业文档的嵌入优化：我们设计了一种新的嵌入策略，确保Signify的特定产品手册、技术规范和故障排除指南能够被模型更准确地理解和索引。
- 混合检索策略：PIKE-RAG结合了向量检索和关键词/结构化数据检索，以应对不同类型的查询。对于需要精确匹配特定型号或规范的查询，结构化检索提供了更高的可靠性。
- 定制化的重排序机制：在检索到候选文档后，一个经过训练的重排序模型会根据查询的行业上下文对结果进行评分，确保最相关的、最权威的行业信息排在最前面。
实施与成果
经过严格的内部测试和试点部署，PIKE-RAG系统展示了显著的性能提升。
在服务效率方面，我们观察到：
- 平均处理时间（AHT）减少：客户服务代表在回答复杂查询时的平均处理时间缩短了25%。
- 首次呼叫解决率（FCR）提高：由于系统能够立即提供准确信息，FCR率提升了15%。
- 客户满意度评分（CSAT）增加：更快的响应和更高的准确性直接反映在客户满意度上，CSAT平均提升了8%。
Signify的团队反馈，PIKE-RAG不仅仅是一个“聊天机器人”，它更像是一个即时在线的行业专家助手，能够即时提供他们过去需要花费数小时在内部文档系统中查找的信息。
“与微软研究院的合作，让我们第一次真正将我们的核心产品知识转化为AI能力。PIKE-RAG的准确性和速度是革命性的，它正在重塑我们支持全球客户的方式。”——Signify客户服务部门负责人
展望未来
这次成功合作证明了领域知识与前沿RAG技术深度结合的巨大潜力。微软研究院将继续探索如何将这种方法推广到更多具有复杂知识库的行业，如医疗保健、航空航天和金融服务。我们相信，通过为LLM提供精确、权威的行业背景，AI的实际应用价值将得到最大化的体现。
我们期待在接下来的研究中，继续优化PIKE-RAG的自适应学习能力，使其能更快地吸收新产品发布带来的知识更新。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区