Siebel 26.6 wprowadza semantyczne wyszukiwanie oparte na RAG do rozwiązywania zgłoszeń serwisowych
Najważniejsze informacje
- •Siebel 26.6 wprowadza semantyczne wyszukiwanie oparte na RAG, które przekształca streszczenia zgłoszeń serwisowych w embeddingi i odpytuje je w indeksie wektorowym OpenSearch, umożliwiając odnajdywanie rozwiązań nawet wtedy, gdy zgłoszenia używają różnych sformułowań.
- •Zakres wyszukiwania obejmuje zarówno historyczne zgłoszenia serwisowe, jak i artykuły Fusion Knowledge Base, z funkcjami nawigacji do szczegółów, porównywania obok siebie oraz łączenia nowych zgłoszeń jako podrzędnych wobec istniejących.
- •Funkcjonalność RAG jest dostarczana natywnie w ramach platformy Siebel, bez konieczności oddzielnej integracji, co wpisuje się w szerszy trend osadzania generatywnego wyszukiwania AI w korporacyjnych przepływach CRM i wsparcia.
- •Jakość danych i zgodność regulacyjna — szczególnie w odniesieniu do wrażliwych informacji o klientach objętych GDPR lub HIPAA — pozostają istotnymi czynnikami, które organizacje muszą ocenić przed wdrożeniem.
- •Autor zaleca walidację systemu na nieuporządkowanych archiwach z rzeczywistego świata przed pełnym wdrożeniem i podkreśla, że wyniki wyszukiwania w rankingu powinny służyć jako wsparcie decyzyjne dla ludzi, a nie jako automatyczne rozstrzygnięcia.
Omówienie Retrieval-Augmented Generation w wyszukiwaniu zgłoszeń serwisowych z perspektywy dewelopera Siebel
Każdy dział wsparcia korzystający z Siebel zetknął się ze znajomym scenariuszem: klient zgłasza, że „aplikacja zawiesza się zaraz po zalogowaniu”. Trzy miesiące wcześniej inny klient przesłał zgłoszenie stwierdzające, że „system zawiesza się przed załadowaniem pulpitu”. Najprawdopodobniej oba problemy mają tę samą przyczynę źródłową i to samo rozwiązanie. Jednak w tradycyjnym wyszukiwaniu opartym na słowach kluczowych, na którym większość organizacji polegała przez dwie dekady, te dwa zgłoszenia serwisowe nigdy nie zostałyby ze sobą powiązane. Jeden konsultant wsparcia rozwiązuje problem, dokumentuje go i zamyka zgłoszenie — po czym kolejny zaczyna od zera, ponieważ wyszukiwarka dopasowuje tylko dokładnie wpisane słowa, a nie intencję stojącą za zgłoszeniem.
Jak Siebel 26.6 zmienia model wyszukiwania
Siebel 26.6 odpowiada na tę długotrwałą lukę, wprowadzając wyszukiwanie oparte na RAG (Retrieval-Augmented Generation). Zamiast polegać na dosłownym dopasowaniu słów kluczowych, nowy system streszcza przychodzące zgłoszenie serwisowe, przekształca to streszczenie w embedding i wykonuje semantyczne wyszukiwanie podobieństwa w indeksie wektorowym OpenSearch. Takie podejście pozwala mapować różnie sformułowane zgłoszenia na to samo znaczenie bazowe, ujawniając odpowiednie wcześniejsze rozwiązania, które wyszukiwanie słów kluczowych mogłoby pominąć.
Zakres wyszukiwania obejmuje zarówno historyczne zgłoszenia serwisowe, jak i odpowiednie artykuły Fusion Knowledge Base, zapewniając konsultantom wsparcia szerszy kontekst do rozwiązania problemu. System obsługuje funkcję przechodzenia do szczegółów oraz porównywanie rozwiązań obok siebie, umożliwiając agentom ocenę, jak podobne problemy były wcześniej obsługiwane. Dodatkowo może zachowywać relacje organizacyjne, przypisując nowo utworzone zgłoszenie jako podrzędne wobec istniejącego.
Kwestie wdrożeniowe
Z perspektywy wdrożenia RAG w Siebel 26.6 jest konfigurowalny i dostarczany jako integralna część platformy Siebel, zamiast wymagać oddzielnego stosu technologicznego. Jest to istotne, ponieważ Siebel, przejęty przez Oracle w 2006 roku i nadal szeroko stosowany w dużych przedsiębiorstwach, historycznie wymagał niestandardowych integracji dla zaawansowanych funkcji wyszukiwania. Natywne osadzenie RAG w platformie wpisuje się w szerszy trend branżowy, w którym dostawcy aplikacji korporacyjnych — w tym Salesforce, ServiceNow i Microsoft — intensywnie rozwijają funkcje wyszukiwania oparte na generatywnej AI bezpośrednio w przepływach pracy wsparcia i CRM.
Autor zastrzega jednak, że kilka czynników wymaga uwagi. Jakość danych pozostaje krytyczna — skuteczność wyszukiwania semantycznego zależy w dużym stopniu od uporządkowania i kompletności bazowego archiwum zgłoszeń serwisowych. Etap streszczania oparty na LLM wprowadza również kompromisy dotyczące wydajności i zgodności regulacyjnej, które organizacje muszą ocenić, szczególnie w sektorach regulowanych, gdzie dane zgłoszeń mogą zawierać wrażliwe informacje o klientach podlegające GDPR, HIPAA lub podobnym ramom prawnym.
Autor podkreśla, że wyniki wyszukiwania w rankingu powinny być traktowane jako wsparcie decyzyjne dla konsultantów, a nie jako automatyczny werdykt. Ludzka ocena pozostaje niezbędna przy wyborze właściwej ścieżki rozwiązania.
Długoterminowa wartość i wskazówki dotyczące wdrożenia
Kluczowym argumentem przemawiającym za wyszukiwaniem semantycznym jest to, że jego wartość narasta z czasem. W miarę jak przeszukiwalny zbiór „rozwiązanych problemów” rośnie wraz z każdym zamkniętym zgłoszeniem, przyszłe rozwiązania mogą być uzyskiwane coraz szybciej. Dla organizacji posiadających rozległe archiwa Siebel — niekiedy obejmujące dekady zgromadzonej historii wsparcia — ten efekt kumulacji może oznaczać istotny wzrost produktywności zespołów wsparcia.
Autor zaleca sprawdzenie systemu na nieuporządkowanych, rzeczywistych archiwach przed pełnym wdrożeniem, aby upewnić się, że działa niezawodnie w praktycznych warunkach. Organizacje oceniające Siebel 26.6 powinny również obserwować, jak Oracle kontynuuje integrację funkcji AI w szerszym pakiecie Fusion Applications, ponieważ przyszłe wydania mogą rozbudować tę podstawę wyszukiwania.
