Siebel 26.6 представляет семантический поиск на базе RAG для разрешения сервисных запросов
Ключевые выводы
- •Siebel 26.6 внедряет семантический поиск на базе RAG, который преобразует резюме сервисных запросов в эмбеддинги и выполняет запросы по векторному индексу OpenSearch, обеспечивая поиск решений даже при различной формулировке тикетов.
- •Область поиска охватывает как исторические сервисные запросы, так и статьи из базы знаний Fusion, с функциями детализационной навигации, параллельного сравнения и привязки новых запросов как дочерних к существующим.
- •Функциональность RAG встроена непосредственно в платформу Siebel, не требуя отдельной интеграции, что соответствует более широкой отраслевой тенденции встраивания генеративного ИИ-поиска в корпоративные CRM и рабочие процессы поддержки.
- •Качество данных и соблюдение нормативных требований — особенно в отношении конфиденциальной информации клиентов согласно GDPR или HIPAA — остаются значимыми факторами, которые организации должны оценить до внедрения.
- •Автор рекомендует проверить систему на реальных неструктурированных архивах до полного развёртывания и подчёркивает, что ранжированные результаты поиска должны служить поддержкой принятия решений для агентов-людей, а не автоматическими вердиктами.
Практический разбор разработчика Siebel: генерация с дополненной выборкой (RAG) в поиске по сервисным запросам
Каждая служба поддержки, использующая Siebel, сталкивалась с знакомой ситуацией: клиент сообщает, что «приложение зависает сразу после входа в систему». Тремя месяцами ранее другой клиент оформил тикет с текстом «система зависает перед загрузкой панели управления». С большой вероятностью обе проблемы имеют одну и ту же первопричину и одно и то же решение. Однако при традиционном поиске по ключевым словам, на который большинство организаций полагались два десятилетия, эти два сервисных запроса никогда не были бы связаны. Один специалист решает проблему, документирует её и закрывает тикет — а следующий специалист начинает с нуля, потому что поисковая система сопоставляет только точные введённые слова, а не заложенный смысл.
Как Siebel 26.6 меняет модель поиска
Siebel 26.6 устраняет этот давний пробел, внедряя поиск на базе RAG (Retrieval-Augmented Generation — генерация с дополненной выборкой). Вместо буквального сопоставления ключевых слов новая система обобщает входящий сервисный запрос, преобразует это резюме в эмбеддинг и выполняет семантический поиск сходства по векторному индексу OpenSearch. Такой подход позволяет по-разному сформулированным тикетам сопоставляться с одним и тем же смыслом, выявляя релевантные прошлые решения, которые поиск по ключевым словам не обнаружил бы.
Область поиска охватывает как исторические сервисные запросы, так и релевантные статьи из базы знаний Fusion, предоставляя специалистам поддержки более широкий контекст для решения. Система поддерживает функцию детализации и параллельное сравнение решений, позволяя агентам оценивать, как аналогичные проблемы решались ранее. Кроме того, она может сохранять организационные связи, связывая вновь созданный запрос как дочерний по отношению к существующему.
Вопросы внедрения
С точки зрения реализации, RAG в Siebel 26.6 настраивается и поставляется как неотъемлемая часть платформы Siebel, а не требует отдельного технологического стека. Это примечательно, поскольку Siebel, приобретённый Oracle в 2006 году и до сих пор широко развёрнутый в крупных предприятиях, исторически требовал кастомных интеграций для расширенных возможностей поиска. Интеграция RAG непосредственно в платформу согласуется с более широкой отраслевой тенденцией, в рамках которой поставщики корпоративных приложений — включая Salesforce, ServiceNow и Microsoft — стремятся встроить функции генеративного ИИ-поиска непосредственно в свои рабочие процессы поддержки и CRM.
Однако автор предостерегает, что ряд факторов требует внимания. Качество данных остаётся критически важным — эффективность семантического поиска сильно зависит от чистоты и полноты базового архива сервисных запросов. Этап суммаризации на базе LLM также создаёт компромиссы между производительностью и соответствием нормативным требованиям, которые организациям необходимо оценивать, особенно в регулируемых отраслях, где данные тикетов могут содержать конфиденциальную информацию клиентов, подпадающую под действие GDPR, HIPAA или аналогичных рамочных норм.
Автор подчёркивает, что ранжированные результаты поиска следует рассматривать как средство поддержки принятия решений для специалистов поддержки, а не как автоматический вердикт. Человеческое суждение остаётся необходимым при определении подходящего пути решения.
Долгосрочная ценность и рекомендации по развёртыванию
Ключевой аргумент в пользу семантического поиска заключается в том, что его ценность нарастает со временем. По мере того как массив «решённых проблем», доступных для поиска, растёт с каждым закрытым тикетом, будущие разрешения становятся прогрессивно быстрее. Для организаций с глубокими архивами Siebel — некоторые из которых охватывают десятилетия накопленной истории поддержки — этот эффект нарастания может означать значительный прирост производительности для команд поддержки.
Автор рекомендует проверить систему на неструктурированных реальных архивах до полного развёртывания, чтобы убедиться в её надёжной работе в практических условиях. Организациям, изучающим Siebel 26.6, также следует следить за тем, как Oracle продолжает интегрировать ИИ-возможности в свой более широкий комплекс Fusion Applications, поскольку будущие релизы могут расширить эту базу поиска.
