Благодарим за настройку Google I/O! Смотрите контент по запросу .

Эта страница переведена с помощью Cloud Translation API.

Policybazaar расширил поддержку клиентов в нерабочее время с помощью веб-ИИ, и 73% пользователей получили качественное взаимодействие

Rishabh Mehrotra

Aman Soni

Swetha Gopalakrishnan

Опубликовано: 21 мая 2025 г.

Policybazaar — одна из ведущих страховых платформ Индии с более чем 97 миллионами зарегистрированных клиентов. Около 80% клиентов посещают Policybazaar онлайн каждый месяц, поэтому крайне важно, чтобы их платформы обеспечивали бесперебойный пользовательский опыт.

Команда Policybazaar заметила, что значительное количество пользователей посещают их веб-сайт вечером, после рабочего дня службы поддержки клиентов. Вместо того, чтобы пользователям приходилось ждать следующего рабочего дня, чтобы получить ответы, или нанимать сотрудников на ночь, Policybazaar хотел внедрить решение для предоставления немедленного обслуживания этим пользователям.

У клиентов много вопросов о страховых планах, о том, как они работают и какой план будет соответствовать их потребностям. Персонализированные вопросы сложно решать с помощью FAQ или чат-ботов на основе правил. Чтобы удовлетворить эти потребности, команда внедрила персонализированную помощь с помощью генеративного ИИ.

73 _%

Пользователи начали и вовлеклись в качественные беседы

2 _х

Более высокий показатель кликов по сравнению с предыдущим призывом к действию

10 _х

Более быстрый вывод с WebGPU

Персонализированная помощь с Finova AI

Чтобы предоставлять персонализированные ответы и более эффективную помощь клиентам на английском языке и родном для некоторых пользователей индийском языке, компания Policybazaar создала текстового и голосового чат-бота-помощника по страхованию под названием Finova AI.

Было сделано много шагов, чтобы сделать это возможным. Посмотрите подробный обзор вариантов использования и стратегий веб-ИИ в реальном мире, представленный на Google I/O 2025.

На этой диаграмме показаны основные этапы реализации Finova AI.

1. Пользовательский ввод

Сначала клиент отправляет сообщение чат-боту, текстом или голосом. Если он говорит с чат-ботом, API Web Speech преобразует голос в текст.

2. Перевести на английский

Сообщение клиента отправляется в API Language Detector. Если API определяет индийский язык, ввод отправляется в API Translator для перевода на английский.

Оба этих API выполняют вывод на стороне клиента, что означает, что пользовательский ввод не покидает устройство во время трансляции.

3. Сообщение оценивается с помощью обнаружения токсичности.

Модель обнаружения токсичности на стороне клиента используется для оценки того, содержит ли ввод клиента неуместные или агрессивные слова. Если это так, клиенту предлагается перефразировать сообщение. Сообщение не перейдет на следующий этап, если оно содержит токсичные выражения.

Это помогает поддерживать уважительные беседы, которые сотрудники службы поддержки клиентов могут рассмотреть и при необходимости принять меры.

4. Запрос отправляется на сервер.

Затем переведенный запрос передается в серверную модель, обученную на данных Policybazaar, и возвращает ответ на вопрос на английском языке.

Клиенты могут получать персонализированные ответы и рекомендации, а также ответы на более сложные вопросы о продуктах.

5. Перевести на язык клиента

API переводчика, используемый для перевода исходного запроса, переводит запрос обратно на язык клиента, как это распознает API детектора языка. Опять же, эти API работают на стороне клиента, поэтому вся эта работа происходит на его устройстве. Это означает, что клиенты могут получить помощь на своем основном языке, что делает чат-бот доступным для неговорящих по-английски.

Гибридная архитектура

Finova AI, работающая как на настольных компьютерах, так и на мобильных платформах, использует несколько моделей для генерации конечных результатов. Policybazaar построил гибридную архитектуру, где часть решения работает на стороне клиента, а часть — на стороне сервера.

Существует ряд причин, по которым вам может потребоваться реализовать гибридную архитектуру, независимо от того, используете ли вы одну или несколько моделей.

Оцените возможности клиентской модели. При необходимости откатитесь к серверной стороне.
- Ограничения данных модели : языковые модели могут сильно различаться по размеру , что также определяет конкретные возможности. Например, рассмотрим ситуацию, когда пользователь задает личный вопрос, связанный с предоставляемой вами услугой. Клиентская модель может ответить на вопрос, если она обучена в этой конкретной области. Однако, если она не может, вы можете вернуться к реализации на стороне сервера, которая обучена на более сложном и большем наборе данных.
- Уверенность модели : В моделях классификации, таких как модерация контента или обнаружение мошенничества, клиентская модель может выдавать более низкую оценку уверенности. В этом случае вам может потребоваться вернуться к более мощной серверной модели.
Поддержка различных возможностей устройств .
- Ограничения оборудования : в идеале функции ИИ должны быть доступны всем вашим пользователям. В реальности пользователи используют широкий спектр устройств, и не все устройства могут поддерживать вывод ИИ. Если устройство не поддерживает вывод на стороне клиента, вы можете обратиться к серверу. При таком подходе вы можете сделать свою функцию высокодоступной, при этом минимизируя затраты и задержку, когда это возможно.
- Ограничения сети : если пользователь находится в автономном режиме или в сети с нестабильным соединением, но в его браузере имеется кэшированная модель, вы можете запустить модель на стороне клиента.
Требования конфиденциальности .
- У вас могут быть строгие требования к конфиденциальности для вашего приложения. Например, если часть потока пользователя требует проверки личности с использованием личной информации или распознавания лиц, выберите клиентскую модель для обработки данных на устройстве и отправки выходных данных проверки (например, успешно или неудачно) в серверную модель для следующих шагов.

Для Policybazaar, где требовались низкая задержка, экономическая эффективность и конфиденциальность, использовалось клиентское решение. Там, где требовались более сложные модели, обученные на пользовательских данных, использовалось серверное решение.

Здесь мы более подробно рассмотрим реализацию модели на стороне клиента.

Обнаружение токсичности на стороне клиента

После перевода сообщений сообщение клиента передается в модель обнаружения токсичности TensorFlow.js, которая работает на стороне клиента, на настольном компьютере и мобильном устройстве. Поскольку транскрипция передается сотрудникам службы поддержки для последующей обработки, важно избегать токсичного языка. Сообщения анализируются на устройстве пользователя перед отправкой на сервер, за которым следует окончательный сотрудник службы поддержки.

Кроме того, клиентский анализ позволил удалить конфиденциальную информацию. Конфиденциальность пользователя является высшим приоритетом, и вывод на стороне клиента помогает сделать это возможным.

Для каждого сообщения требуется несколько шагов. При обнаружении токсичности, в дополнение к обнаружению языка и переводу, каждое сообщение потребует нескольких обращений к серверу. Выполняя эти задачи на стороне клиента, Policybazaar может значительно ограничить прогнозируемую стоимость функции.

Policybazaar перешел с WebGL на бэкэнд WebGPU (для поддерживаемых браузеров), и время вывода улучшилось в 10 раз. Пользователи получили более быструю обратную связь для исправления своего сообщения, что привело к более высокой вовлеченности и удовлетворенности клиентов.

// Create an instance of the toxicity model.
const createToxicityModelInstance = async () => {
  try {
    //use WebGPU backend if available
    if (navigator.gpu) {
        await window.tf.setBackend('webgpu');
        await window.tf.ready();
    }

    return await window.toxicity.load(0.9).then(model => {
      return model;
    }).catch(error => {
      console.log(error);
      return null;
    });
  } catch (er) {
      console.error(er);
  }
}

Высокая вовлеченность и показатель кликабельности

Объединив несколько моделей с веб-API, Policybazaar успешно расширил поддержку клиентов после окончания рабочего дня. Первые результаты ограниченного выпуска этой функции показали высокую вовлеченность пользователей.

73% пользователей, открывших чат-бот, участвовали в многовопросных беседах, длившихся несколько минут, что привело к низкому показателю отказов. Кроме того, пилотная программа продемонстрировала в 2 раза более высокий показатель кликов по этому новому призыву к действию для поддержки клиентов, что свидетельствует об успешном взаимодействии клиентов с Finova по их запросам. Более того, переключение на бэкэнд WebGPU для обнаружения токсичности на стороне клиента ускорило вывод в 10 раз, что привело к более быстрой обратной связи с пользователем.