IT201900000526A1 - Sistema di intelligenza artificiale per processi aziendali - Google Patents

Description

Descrizione di Brevetto per Invenzione Industriale avente per titolo: “SISTEMA DI INTELLIGENZA ARTIFICIALE PER PROCESSI AZIENDALI”.

DESCRIZIONE

La presente invenzione si riferisce ad un sistema di intelligenza artificiale per processi aziendali.

Con riferimento ai servizi di assistenza offerti dalle aziende ai clienti, è sempre più sentita l’esigenza di offrire agli utenti un servizio che risulti disponibile ventiquattrore su ventiquattro e sette giorni su sette e che, allo stesso tempo, sia in grado di rispondere ai quesiti velocemente e, soprattutto, di risolvere i problemi degli utenti in modo rapido ed efficace. E’ noto che uno degli strumenti preferiti dagli utenti per comunicare con le aziende è quello della “live chat”, in quanto risulta più immediato di una email e più conveniente di una chiamata telefonica.

L’utilizzo delle live chat comporta tuttavia degli inconvenienti.

Infatti, per le aziende è estremamente difficile se non impossibile garantire un servizio di assistenza sempre attivo e con tempi di risposta brevissimi mediante il solo impiego di operatori umani, in quanto questo implicherebbe necessariamente un numero estremamente elevato di operatori preparati.

Con lo scopo di ovviare a tale inconveniente è noto l’impiego nelle live chat dei cosiddetti “chatbot”, cioè di software progettati per simulare una conversazione con un essere umano.

Tuttavia, gli attuali chatbot utilizzano una tecnologia datata e non sono altro che semplici risponditori automatici privi di intelligenza artificiale. In particolare, i chatbot si basano su regole semplici, col risultato che quando si esce da quelle regole su cui il chatbot è stato addestrato vengono fornite risposte non precise o addirittura errate, finendo col peggiorare considerevolmente la qualità del servizio di assistenza agli utenti.

Il compito principale della presente invenzione è quello di escogitare un sistema di intelligenza artificiale per processi aziendali in grado di consentire un servizio di assistenza agli utenti continuo e di elevata qualità e che, al contempo, riduca al minimo la necessità di interventi umani.

Gli scopi sopra esposti sono raggiunti dal presente sistema di intelligenza artificiale per processi aziendali secondo la rivendicazione 1.

Altre caratteristiche e vantaggi della presente invenzione risulteranno maggiormente evidenti dalla descrizione di una forma di esecuzione preferita, ma non esclusiva, di un sistema di intelligenza artificiale per processi aziendali, illustrata a titolo indicativo, ma non limitativo, nelle unite tavole di disegni in cui:

la figura 1 è uno schema generale del sistema secondo il trovato;

la figura 2 è uno schema generale funzionale di un modulo di sentiment del sistema secondo il trovato;

la figura 3 è uno schema generale funzionale di un modulo NER del sistema secondo il trovato;

la figura 4 illustra uno schema generale di un motore decisionale del sistema secondo il trovato;

la figura 5 illustra una possibile e preferita forma di attuazione del motore decisionale del sistema secondo il trovato;

la figura 6 illustra uno schema funzionale generale di un’unità di autoapprendimento del sistema secondo il trovato.

Con particolare riferimento a tali figure, si è indicato globalmente con 1 un sistema di intelligenza artificiale per processi aziendali.

Il sistema 1 secondo il trovato utilizza l’intelligenza artificiale per interagire automaticamente con utenti (nello specifico clienti di un’azienda) su canali digitali.

Il sistema 1 utilizza tecnologie quali Machine Learning, Deep Learning, Artificial Intelligence e Sentiment Analysis al fine di interpretare il linguaggio naturale usato dagli utenti e può rispondere in totale autonomia alle domande su cui è stato addestrato.

Vantaggiosamente, nel caso in cui il sistema 1 si trovi ad affrontare un quesito od un problema in genere mai affrontato prima, allora il sistema 1 è configurato per richiedere automaticamente l’intervento di un operatore umano e per apprendere in modo autonomo dalle risposte dell’operatore stesso.

Vantaggiosamente, il sistema 1 è configurato per operare attraverso un qualsiasi tipo di interfaccia di dialogo, quali ad esempio chat, telefonia, colloquio, e-mail, documenti, immagini e video.

In particolare, come illustrato schematicamente in figura 1, il sistema 1 comprende un’unità di ingresso 2 collegata ad una rete di comunicazione 3 (ad esempio una rete di computer) e configurata per ricevere almeno un input conversazionale 4 comprendente almeno una frase 5.

L’input conversazionale 4 attraversa tutte le unità del sistema 1, costantemente collegato alla rete di comunicazione 3 e costantemente memorizzato su di un database 6.

Secondo una forma di attuazione preferita, il sistema 1 comprende, inoltre, un’unità di pre-processing 7 configurata per ricevere l’input conversazionale 4 e per trasformare e classificare ciascuna frase in modo da ottenere una frase in un formato predefinito.

In particolare, l’unità di pre-processing 7 comprende almeno un modulo di processing del linguaggio 8 configurato per eseguire almeno i seguenti passi:

- correzione ortografica automatica;

- isolamento di parti variabili (numeri, date, codici fiscali, nomi di città, CAP etc.);

- analisi sintattica POS (Part of speech Tagging, estrae per ogni parola il suo significato sintattico in formato CONLL);

- stemmer (riduce il linguaggio a uno più semplice con meno parole o sinonimi).

Inoltre, secondo una forma di attuazione preferita, l’unità di pre-processing 7 comprende almeno un modulo sentiment 9 configurato per eseguire il calcolo del sentiment della frase in ingresso.

Uno schema generale funzionale del modulo di sentiment 9 è illustrato in figura 2.

Come schematizzato in figura 2, il modulo di sentiment 9 è configurato per ricevere in ingresso la frase FT trasformata in un formato predefinito, proveniente dall’unità di pre-processing 8.

Il modulo di sentiment 9 comprende un blocco classificatore 9a configurato per assegnare un valore positivo, negativo o neutro a ciascuna parola della frase FT.

Ad esempio, con riferimento ad una possibile forma di attuazione, il blocco classificatore 9a può essere costituito da un sistema di analisi del sentiment statistico basato su un corpora linguistico pubblico. Il corpora è un testo commentato basato sull’estrazione di vocaboli da varie fonti e sulla catalogazione statistica delle parole con un valore positivo o negativo tra 5 e -5 basato sul sentimento del testo.

Inoltre, il modulo sentiment 9 comprende un blocco di calcolo 9b configurato per determinare un punteggio totale della frase FT normalizzato alla media a partire da detto valore positivo, negativo o neutro a ciascuna parola della frase FT.

In pratica quindi le parole della frase FT sottoposta a stemming vengono confrontate con il vocabolario ottenendo un valore numerico che indica se la frase è positiva, neutra o negativa.

Inoltre, secondo una possibile forma di attuazione, l’unità di pre-processing 7 è configurata per determinare una macrocategoria di intenti da inviare a al motore decisionale 11 per guidarlo nella scelta.

In particolare, l’unità di pre-processing 7 comprende un modulo NER (Name Entity Recognition), indicato complessivamente in figura 1 con il riferimento numerico 10.

Come schematizzato in figura 3, il modulo NER 10 è configurato per eseguire almeno i seguenti passi:

- ricevere in ingresso la frase FT trasformata in un formato predefinito, proveniente dall’unità di pre-processing 8;

- verificare se esiste una corrispondenza tra una macrocategoria predefinita a tale frase FT, in cui tale macrocategoria è selezionata da un insieme di macrocategorie possibili memorizzate su detto database 6 (passo 10a);

- se esiste una corrispondente macrocategoria, caricare almeno un motore decisionale 11 configurato per gestire tale macrocategoria (passo 10b);

- se non esiste una corrispondente macrocategoria, utilizzo il motore decisionale 11 convenzionale (passo 10c).

Utilmente, il risultato di ciascun passo eseguito dall’unità di pre-processing 7 è memorizzato nel database 6 del sistema 1.

Vantaggiosamente, il sistema 1 comprende un motore decisionale 11 configurato per ricevere in ingresso la frase FT in un formato predefinito e per selezionare, mediante un’elaborazione di tipo neurale o funzionale, una risposta adeguata R a tale frase da un database di possibili risposte o, in caso di assenza di una risposta adeguata, per inviare un segnale S di assenza di risposta.

Uno schema generale del motore decisionale 11 è illustrato a titolo esemplificativo in figura 4.

Preferibilmente, il motore decisionale 11 comprende una pluralità di moduli di elaborazione EN1-ENN configurati per ricevere in ingresso una domanda e per restituire in uscita possibili risposte associate ad un rispettivo valore di confidenza.

I moduli di elaborazione EN1-ENN possono essere lanciati in parallelo o in sequenza.

Il motore decisionale 11 restituisce in uscita la risposta R migliore tra quelle ottenute da tutti i moduli di elaborazione EN1-ENN.

In alternativa, qualora nessuno dei moduli di elaborazione EN1-ENN restituisca una risposta, il motore decisionale 11 restituisce un segnale S di assenza di risposta.

Utilmente, con riferimento ad una possibile forma di attuazione, il motore decisionale 11 comprende inoltre un motore di recupero REN configurato per essere interrogato qualora nessuno dei moduli di elaborazione EN1-ENN restituisca una risposta, e configurato per verificare l’esistenza di domande simili ed a fornire una possibile risposta, qualora esista.

In tal caso, qualora anche il motore di recupero REN non sia in grado di fornire una risposta R attendibile, il motore decisionale 11 restituisce un segnale S di assenza di risposta.

Inoltre, il sistema 1 comprende un’unità di risposta automatica 12 configurata per ricevere in ingresso la risposta adeguata R selezionata e per inviare tale risposta adeguata R ad un’unità di output 19 collegata alla rete di comunicazione 3.

In particolare, l’unità di risposta automatica 12 comprende un blocco di AI reply 13 configurato per preparare la risposta da inviare all’unità di output 19.

La risposta può essere testo, interattiva, form di immissione o contenuto multimediale di vario genere. Nel caso delle form i dati inseriti vengono elaborati per essere comunicati ad un operatore o a sistemi esterni tramite salvataggio su database o chiamata di API.

Inoltre, l’unità di risposta automatica 12 comprende un blocco di autotraining 14.

In pratica, se la confidenza della risposta adeguata R restituita dal motore decisionale 11 è molto alta, il blocco di autotraining 14 registra sul database 6 la domanda e la risposta come facenti parte automaticamente degli esempi di training e informa i motori decisionali perché pratichino su di essa l’online learning o un training successivo; migliorando ogni volta il set di informazioni.

Inoltre, l’unità di risposta automatica 12 comprende almeno un modulo analitico 15 per l’analisi statistica dei dati raccolti, preferibilmente anche sotto forma di grafici.

Vantaggiosamente, il sistema 1 comprende un’unità di interfaccia operatore 16 collegata all’unità di output 19 e configurata per essere attivata in caso di segnale di assenza di risposta per la generazione di una risposta manuale RM da parte di un uno o più operatori addetti o per la selezione manuale di una risposta adeguata R già presente all’interno del database 6.

Inoltre, l’unità di interfaccia operatore 16 comprende un’unità di autoapprendimento 17 configurata per ricevere in ingresso la risposta manuale RM generata e configurata per registrarla sul database 6 come possibile risposta adeguata alla frase FT analizzata.

In alternativa, se la risposta adeguata R è selezionata manualmente tra quelle già presenti sul database 6, tale risposta è registrata come possibile risposta adeguata alla frase FT analizzata.

In pratica, quindi, se il motore decisionale 11 stabilisce di non saper rispondere mediante una risposta adeguata R, il sistema 1 passa la conversazione ad un operatore umano collegato tra quelli disponibili al momento (o lo mette in una coda nota come deposito in attesa che un operatore umano abbia la possibilità di prendere in carico la conversazione). L’operatore risponde utilizzando l’unità di interfaccia operatore 16 chattando autonomamente con l’utente.

Mediante l’unità di autoapprendimento 17, il sistema 1 prende nota delle risposte e di tutta la conversazione per imparare ulteriormente, previa approvazione e modifica da parte di un operatore abilitato.

La presenza dell’unità di autoapprendimento 17 costituisce un evidente vantaggio, in quanto il sistema 1 secondo il trovato è in grado di autoapprendere le risposte adeguate R, diventando nel tempo sempre meno dipendente dalla necessità di una risposta manuale da parte di un operatore. Vantaggiosamente, al fine di rendere l’autoapprendimento il più possibile efficace, il sistema 1 prevede una particolare forma di attuazione del motore decisionale 11.

Tale possibile e preferita forma di attuazione del motore decisionale 11 è illustrata in figura 5.

Secondo tale forma di attuazione, il motore decisionale 11 comprende:

- un motore deep learning DLEN, con lunghi tempi di apprendimento; - un motore fast learning FLEN, con tempi brevi di apprendimento (dell’ordine dei minuti o delle ore).

Preferibilmente, il motore deep learning DLEN comprende una pluralità di rispettivi moduli di elaborazione DLEN1-DLENN.

Analogamente, il motore fast learning FLEN comprende una pluralità di rispettivi moduli di elaborazione FLEN1-FLENN.

Uno schema generale della fase di apprendimento mediante l’unità di autoapprendimento 17 è illustrato in figura 6.

Mediante l’eventuale supporto di un addestratore A, l’unità di autoapprendimento 17 memorizza le frasi FT analizzate e le rispettive risposte adeguate R sul database 6 (passo 17a).

Successivamente, il motore di recupero REN verifica se esistono già frasi FT analoghe analizzate in precedenza (passo 17b).

L’unità di autoapprendimento 17 lancia quindi la coda di addestramento del motore fast learning FLEN (passo 17c) e la coda di addestramento del motore deep learning DLEN (passo 17d).

Utilmente, l’unità di autoapprendimento 17 comprende un gestore delle code di fast learning 17e ed un gestore delle code di deep learning 17f, configurati per memorizzare una pluralità di frasi FT e di rispettive risposte adeguate R da elaborare.

Inoltre, l’unità di autoapprendimento 17 comprende un primo modulo addestratore 17g del motore di fast learning FLEN, operativamente collegato al gestore di code di fast learning 17e.

Analogamente, l’unità di autoapprendimento 14 comprende un secondo modulo addestratore 17h del motore di deep learning DLEN, operativamente collegato al gestore di code di deep learning 17f.

Vantaggiosamente, il gestore di code di fast learning 17e è configurato per lanciare l’addestramento del motore di fast learning FLEN con una frequenza predefinita maggiore rispetto alla frequenza di addestramento del motore di deep learning DLEN. In questo modo, il motore di fast learning FLEN è in grado di fornire risposte durante l’addestramento del motore di deep learning DLEN.

Successivamente all’addestramento del motore di fast learning FLEN, l’unità di autoapprendimento 17 attiva il motore (passo 17i).

Utilmente, in seguito all’addestramento del motore di deep learning DLEN, l’unità di autoapprendimento 17 effettua un test set di tutte le frasi e le relative risposte memorizzate, al fine di individuare eventuali conflitti con quelle da memorizzare (passo 17l)

In caso di conflitti, informa un addestratore A.

Al contrario, in caso di assenza di conflitti, attiva il motore di deep learning DLEN (passo 17m).

Utilmente, inoltre, l’unità di interfaccia operatore 16 comprende un’unità di apprendimento manuale 18 configurata per approvare, modificare e migliorare il set di frasi e possibili risposte memorizzate sul database 6 sulla base delle conversazioni intercorse tra l’utente e l’unità di risposta automatica 12, tra utente e operatore, o per crearne nuove frasi e possibili risposte.

Si è in pratica constatato come il trovato descritto raggiunga gli scopi proposti.

In particolare si sottolinea il fatto che il sistema di intelligenza artificiale per processi aziendali secondo il trovato è in grado di garantire un servizio di assistenza agli utenti continuo e di elevata qualità e, al contempo, è in grado di ridurre al minimo la necessità di interventi umani.

Claims (11)

1. RIVENDICAZIONI 1) Sistema (1) di intelligenza artificiale per processi aziendali, comprendente: - un’unità di ingresso (2) collegata ad una rete di comunicazione (3) e configurata per ricevere almeno un input conversazionale (4) comprendente almeno una frase (5); - un motore decisionale (11) configurato per ricevere in ingresso detta frase (5) e per selezionare una risposta adeguata (R) a detta frase (5) da un database (6) di possibili risposte o, in caso di assenza di una risposta adeguata (R), per inviare un segnale (S) di assenza di risposta; - un’unità di risposta automatica (12) configurata per ricevere in ingresso detta risposta adeguata (R) selezionata e per inviare detta risposta adeguata (R) ad un’unità di output (19) collegata a detta rete di comunicazione (3); - un’unità di interfaccia operatore (16) collegata a detta unità di output (19) e configurata per essere attivata in caso di segnale (S) di assenza di risposta per la generazione di una risposta manuale (RM) da parte di un uno o più operatori addetti o per la selezione manuale di una risposta adeguata R già presente all’interno di detto database (6).
2. 2) Sistema (1) secondo la rivendicazione 1, caratterizzato dal fatto che comprende almeno un’unità di autoapprendimento (17) configurata per ricevere in ingresso detta risposta manuale (RM) generata mediante detta unità di interfaccia operatore (16) e configurata per registrare su detto database (6) detta risposta manuale (RM) come possibile risposta adeguata (R) a detta frase (5).
3. 3) Sistema (1) secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che comprende almeno un’unità di pre-processing (7) configurata per ricevere detto input conversazionale (4) e per trasformare e classificare detta frase (5) in modo da ottenere una frase in un formato predefinito (FT).
4. 4) Sistema (1) secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che detta unità di pre-processing (7) è configurata per eseguire almeno i seguenti passi: - correzione ortografica automatica; - isolamento di parti variabili; - analisi sintattica POS; - stemmer.
5. 5) Sistema (1) secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che detta unità di pre-processing (7) comprende almeno un modulo sentiment (9) configurato per eseguire il calcolo del sentiment di detta frase in ingresso (5).
6. 6) Sistema (1) secondo la rivendicazione 5, caratterizzato dal fatto che detto modulo di sentiment (9) comprende un blocco classificatore (9a) configurato per assegnare un valore positivo, negativo o neutro a ciascuna parola di detta frase (FT) ed un blocco di calcolo (9b) configurato per determinare un punteggio totale della frase (FT) normalizzato alla media a partire da detto valore positivo, negativo o neutro a ciascuna parola della frase (FT).
7. 7) Sistema (1) secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che detta unità di pre-processing (7) comprende almeno un modulo NER (10).
8. 8) Sistema (1) secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che detta unità di risposta automatica (12) comprende un blocco di AI reply (13) configurato per preparare la risposta da inviare all’unità di output.
9. 9) Sistema (1) secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che detta unità di risposta automatica (12) comprende un blocco di autotraining (14).
10. 10) Sistema (1) secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che detta unità di risposta automatica (12) comprende almeno un modulo analitico (15) per l’analisi statistica dei dati raccolti.
11. 11) Sistema (1) secondo una o più delle rivendicazioni precedenti, caratterizzato dal fatto che detta unità di interfaccia operatore (16) comprende un’unità di apprendimento manuale (18) configurata per approvare, modificare e migliorare il set di frasi e possibili risposte memorizzate sul database (6) sulla base delle conversazioni intercorse tra l’utente e l’unità di risposta automatica (12), tra utente e operatore, o per crearne nuove frasi e possibili risposte.