旅行と宿泊 / 宿泊仲介
Airbnb：音声での問い合わせの分類と案内
- 企業
- Airbnb
- 国
- 米国
- 導入状況
- 運用中
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 原文の本文を閲覧
業務課題
従来のIVRは固定されたメニューツリーだった。電話をかけた人がボタンを押し、決められた経路をたどる必要があった。汎用の音声認識モデルは、Airbnbで使う言葉をよく間違えた。listingをliftingに、help with my stayをhappy Christmas Dayに移す誤りが出た。
使った技術とデータ
IVRが電話を受けると、数文で電話した理由を話してほしいと尋ねる。返答はAirbnb専用のASRで文字に移す。汎用の事前学習モデルではなく、雑音の混じった電話音声に合わせたモデルに替え、Airbnbの用語を認識するようにドメイン語句の一覧を最適化した。Contact Reason Detectionモデルが、キャンセルと返金、アカウントの問題といった区分に分類する。ヘルプ文書はembeddingでベクトルデータベースに索引し、コサイン類似度で最大30件を取り出し、LLMの再順位付けモデルが並べ直す。最上位の文書のリンクをSMSとアプリの通知で送る。リンクを送る前に、Paraphrasingモデルが意図を一行に要約して聞かせる。オペレーターを求める言葉が出ると、別の意図検出モデルがそれを捉えて人につなぐ。
成果
数百の音声標本を基準に、単語誤り率が33%から約10%に下がった。意図検出の遅延は平均50ms以下に保たれ、文書の検索はふつう60ms以内に終わる。要約文句の一致は人が直接評価し、精度90%を超えた。Airbnbは、誤り率が下がるとヘルプ推薦の精度が上がり、ASRメニューを使った顧客のNPSが改善し、オペレーターへの依存と処理時間が減ったと述べた。
限界と残る課題
問い合わせ全体の解決率や費用の削減率は、原文に数値としてない。自己解決率の改善は、英語圏のhostを対象にした実験で方向だけを確認した。
出典
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。