لقد استخدمنا GPT-4o لرفع دقة خدمة العملاء المتعددة الأنماط إلى 92٪، لكننا واجهنا ثلاث مشكلات كبيرة أثناء تنفيذ ذلك.

الشهر الماضي، عمل فريق التقنية المكون من ثلاثة أشخاص في مجال التجارة الإلكترونية عبر الحدود في جنوب شرق آسيا لمدة ثلاثة أيام وليالٍ متواصلة لنقل نظام خدمة العملاء الذكي من نموذج نصي قديم إلى GPT-4o. كنا نعتقد أن الأمر يتعلق فقط بإضافة ميزة التعرف على الصور، لكن التغييرات التي حدثت كانت أكبر بكثير مما كنا نتوقع، وواجهنا العديد من المشاكل غير المتوقعة.

لنوضح الأمر للأشخاص الذين لم يتعرفوا عليه من قبل: ما هو بالضبط GPT-4o؟

الجوهر هو نموذج التوليد المتعدد الأبعاد الخاص بـ OpenAI، والاختلاف الأساسي عن الإصدارات السابقة هويمكن لجولة واحدة معالجة ثلاثة أنواع من المدخلات في نفس الوقت: النصوص والصور والملفات الصوتية، دون الحاجة إلى تقسيم الطلبات واستدعاء نماذج مختلفة لكل نوع على حدة.لا حاجة لإجراء معالجة مسبقة لتنسيق المدخلات بنفسك، حيث تقل معاملات واجهة البرمجة التطبيقية بنسبة تقارب 60% مقارنة بالاستدعاءات المركبة.

لماذا يجب علينا تغييره بالضبط في عام 2026؟

قبل أن نظام خدمة العملاء لدينا يمكن أن تتعامل فقط مع النص الاستشاري، المستخدم التقطت السلع التالفة، والبضائع الخطأ الصور، يجب أولا تحويلها يدويا إلى وصف نصي ثم تغذية النموذج، وخلال فترة الترويج الكبير وحده حجب ما يقرب من 20٪ من أوامر العمل، ومعدل شكاوى المستخدمين مضاعفة مباشرة.لقد جربنا أيضًا مخطط نموذج التعرف على الصورة + نموذج النص ، ومعدل الدقة 76٪ فقط ، وخسارة التكلفة الناجمة عن طلب ما بعد البيع الخاطئ أعلى من تكلفة النموذج.

الفوائد الثلاثة الأكثر وضوحًا بعد التغيير تجاوزت توقعاتنا الأولية بشكل كبير

• ارتفعت نسبة المعالجة الآلية لطلبات ما بعد البيع مباشرة من 47% إلى 92%، حيث تم تحويل موظفي خدمة العملاء الذين كانوا يعملون بدوام جزئي وكانوا مسؤولين عن تحويل الصور إلى مهام أكثر تعقيدًا تتعلق بمعالجة شكاوى العملاء، مما أدى إلى توفير تكاليف العمالة الشهرية بمقدار يقارب 1800 دولار أمريكي.
• لا حاجة لاستخدام واجهة ASR منفصلة لتحليل النصوص الصوتية باللهجات المحلية التي يرسلها المستخدمون؛ يمكن نقل هذه النصوص مباشرة إلى النموذج للتعرف عليها وإعطاء الردود، ويتم إكمال معظم الطلبات في غضون 15 مللي ثانية، مما يجعل سرعة الاستجابة الكلية أسرع بثلاث مرات.
• تم معالجة نفس طلب الخدمة بعد البيع الذي يحتوي على صور ونصوص، واستهلاك الرموز (tokens) كان أقل بنسبة 32% مقارنةً بالاستدعاء المنفصل لنموذج التعرف على الصور ونموذج التعرف على النصوص. وبالتالي، فإن تكلفة النموذج خلال فترات الذروة في العروض الترويجية أصبحت أقل مما كانت عليه من قبل.

لا تنظر فقط إلى الجوانب الإيجابية، فهناك 3 عيوب خفية التي تسببت لنا في خسائر حقيقية عندما واجهناها.

الحفرة الأولى هي أن عتبة الحد من التيار للإدخال متعدد الوسائط أكثر صرامة بكثير من طلب النص العادي.في اليوم الأول من إطلاق الإنترنت ، صادف أن واجهت نشاط الاحتفال بالمتاجر في موقع جنوب شرق آسيا ، 17٪ من طلبات الصورة الإبلاغ مباشرة عن 429 ، لا يمكن للمستخدمين رؤية الرد على خدمة العملاء ، في اليوم نفسه أكثر من 300 تعليق سلبي.في وقت لاحق ، تمكنا فقط من إضافة قائمة انتظار تخفيض المستوى إلى طلبات الصورة بشكل منفصل ، وإرجاع تذكير "تلقيت الصورة ، ويجري معالجتها" في وقت الذروة ، قبل حل المشكلة.

الحفرة الثانية هي دقة التعرف على الصور والنصوص في اللغات الصغيرة غير الإنجليزية أقل بكثير من المبلغ عنها.لقد واجهنا رسالة سريعة مكتوبة بخط اليد باللغة الإندونيسية من قبل المستخدم ، والنموذج أخطأ في التعرف على 3 أحرف العنوان ، وترتيب عنوان إرجاع خاطئ مباشرة للمستخدم ، وخسرت تكاليف الشحن ذهابًا وإيابًا ما يقرب من 200 دولار.الآن قمنا بإضافة طبقة من واجهة OCR المحلية للتحقق من التعرف على الصور في اللغات الصغيرة ، حتى نضغط على معدل الخطأ إلى نطاق مقبول.

الحفرة الثالثة هي أن قواعد العد المميزة للإخراج المتعدد الوسائط تختلف تمامًا عن النص العادي ، ولا يمكنك تقدير التكلفة باستخدام الصيغة السابقة.لم نغير عتبة إنذار الميزانية في الأسبوع الأول من التشغيل ، وكانت تكاليف يوم عطلة نهاية الأسبوع تتجاوز 40٪ من ميزانيتنا الشهرية حتى أرسلت تذكيرًا ماليًا لنا.

هل يجب أن نقوم بالتغيير الآن؟ لقد قمنا بتحديد معايير واضحة لاتخاذ القرار.

الحالات التي يمكنك فيها التصرف مباشرة:

• خدمتك تحتاج بطبيعتها إلى معالجة نوعين أو أكثر من المدخلات في نفس الوقت، وهي النصوص والصور والملفات الصوتية.
• كنا نستخدم بالفعل عدة نماذج للمعالجة المتعددة الأبعاد من خلال دمجها معًا، لكن تكلفة الإدماج كانت مرتفعة ومعدل الدقة لم يكن كافيًا.
• مستخدموك يستخدمون بشكل أساسي اللغة الإنجليزية، أو اللغات الرئيسية التي يتم دعمها بشكل جيد بواسطة GPT-4o.

الحالات التي لا يوجد فيها داعي إطلاقًا لإهدار المال:

• خدمتك تتطلب فقط معالجة النصوص الخالية من التنسيق، وقد كانت النماذج السابقة قادرة بالفعل على تلبية متطلبات الدقة المطلوبة.
• أعمالك تستهدف بشكل رئيسي الأسواق ذات اللغات الصغيرة، وتتضمن العديد من متطلبات التعرف على النصوص المكتوبة يدويًا محليًا وأصوات اللهجات المحلية.
• فريقك لا يمتلك عددًا كافيًا من الموارد البشرية لتنفيذ استراتيجيات التخفيض والتطوير المصاحب لمراقبة التكاليف.

نصيحتان عمليتان للفرق التي تخطط للبدء:

أولاً ، قم بتشغيل حركة المرور الظل لمدة 7 أيام قبل التشغيل على الإنترنت ، ولا تقطع الطلبات 100٪ مباشرة.إرسال طلبات المستخدمين الحقيقيين إلى النظام الأصلي الخاص بك و GPT-4o في نفس الوقت ، مقارنة الدقة والتكلفة على كلا الجانبين ، وتحديد تلبية التوقعات ثم قطع تدفقات الحركة ببطء ، نحن لم نفعل هذه الخطوة في ذلك الوقت قبل أن نعاني من خسارة كبيرة.

ثانيًا، قم بتعيين تنبيهات للميزانية للطلبات المتعددة الوسائط بشكل منفصل، ويمكن أن تكون القيمة العتبية 120% من التكلفة التقديرية لتجنب تجاوز الميزانية.

أسئلة وأجوبة شائعة

سؤال: هل يجب الانتظار حتى يظهر الجيل القادم من النماذج قبل التغيير؟

الجواب: على الأقل في سيناريو دمج التقنيات المتعددة، فإن مستوى نضج GPT-4o حاليًا كافٍ لحل المشكلات العملية، ومن المتوقع أن يستغرق الجيل القادم من النماذج على الأقل عامًا آخر ليصل إلى نفس المستوى. لا داعي لإهدار التكاليف التي يمكن توفيرها الآن من أجل ترقيات غير مؤكدة.

س: ما مقارنة الأداء بالنسبة للنماذج متعددة الأبعاد المفتوحة المصدر؟

إذا كان فريقك قادرًا على تعديل ونشر النماذج المفتوحة المصدر بنفسه، وكانت متطلبات الخصوصية الخاصة بالبيانات عالية، فإن استخدام النماذج المفتوحة المصدر يكون أكثر اقتصادية. وإلا، فإن تكلفة استخدام GPT-4o تكون أقل بكثير من تكلفة إنشاء وتشغيل الخوادم بنفسك.