Chatbot, który odpowiada pacjentom w nocy i umawia konsultacje

Kto to był i co go bolało

Klinika okulistyczna zajmująca się korekcją wzroku. Pacjenci pytali o to samo w kółko: ile kosztuje zabieg, jakie są metody korekcji, czy się kwalifikują, w której placówce można się umówić. Około 80 procent zapytań dotyczyło tych czterech tematów. Odpowiadał na nie personel, mailem i telefonicznie, w godzinach pracy recepcji.

Kłopot polega na tym, że decyzji o zabiegu okulistycznym rzadko podejmuje się w środku dnia roboczego. Pacjent czyta o laserowej korekcji wieczorem, pisze pytanie o dwudziestej drugiej i czeka. Jeśli odpowiedź przychodzi następnego dnia po południu, część osób zdąży w międzyczasie zapytać gdzie indziej. To była pierwsza dziura.

Druga dotyczyła przejścia od zainteresowania do wizyty. Sporo osób dopytywało o szczegóły, dostawało rzeczową odpowiedź i na tym rozmowa się kończyła. Nikt nie proponował konkretnego terminu konsultacji kwalifikacyjnej, bo przy takim wolumenie zapytań nie było na to czasu.

Trzecia rzecz to aktualność. Cennik i zakres zabiegów zmieniały się co kilka miesięcy. Narzędzie z wiedzą wpisaną na sztywno zaczęłoby po kwartale wprowadzać pacjentów w błąd, a w medycynie to nie jest drobiazg. Klinika potrzebowała czegoś, co samo nadąża za treścią na własnej stronie.

Co zrobiliśmy

Zbudowaliśmy chatbota opartego o RAG, czyli generowanie odpowiedzi na podstawie wyszukanych fragmentów wiedzy, a nie na podstawie tego, co model zapamiętał w trakcie treningu. Raz na dobę proces przechodzi po stronie kliniki, wyciąga nowe i zmienione treści, tnie je na fragmenty i wrzuca do bazy wektorowej. Zbieranie treści robi własny mechanizm pobierania stron, warstwa wyszukiwania i składania kontekstu stoi na LangChain, odpowiedzi generuje GPT-4, a fragmenty wiedzy i historia rozmów leżą w Supabase.

Sam moduł czatu napisaliśmy w Next.js i wpięliśmy w stronę kliniki jako widget. Zamiast pustego pola tekstowego pacjent dostaje na starcie kilka gotowych pytań: o ceny, o metody korekcji, o proces kwalifikacji. To drobiazg, ale bardzo skraca drogę do pierwszej sensownej odpowiedzi i od razu ustawia rozmowę na tematach, które klinika chce obsłużyć.

Trzeci element to zbieranie kontaktu. Kiedy z rozmowy widać realne zainteresowanie zabiegiem, chatbot sam proponuje umówienie konsultacji, prosi o dane kontaktowe i przekazuje je do systemu, w którym klinika prowadzi pacjentów. Do tego doszło śledzenie konwersji i podgląd najczęstszych pytań, żeby klinika widziała, o co ludzie faktycznie pytają, a nie o co jej się wydaje, że pytają.

Jak to działa dzisiaj

Całość powstała w dziesięć dni. Pierwsze dwa poszły na przejrzenie strony i ustalenie, które treści mają wchodzić do bazy wiedzy, a które są czystym marketingiem i tylko zaszumiłyby odpowiedzi. Kolejnych pięć to budowa chatbota, mechanizmu odświeżania wiedzy i procesu zbierania kontaktów. Ostatnie trzy dni to wpięcie w stronę, testy rozmów, strojenie promptów i podłączenie systemu, w którym klinika obsługuje pacjentów.

Dzisiaj widget działa na stronie bez przerwy. Baza wiedzy odświeża się sama co dobę, więc zmiana cennika na stronie przekłada się na odpowiedzi chatbota bez udziału kogokolwiek z kliniki. Pacjent pytający w nocy dostaje odpowiedź od razu, a jeśli rozmowa idzie w stronę zabiegu, kończy się propozycją terminu i przekazaniem kontaktu dalej.

Co z tego wyszło

Klinika ma obsługę pytań dostępną całą dobę, siedem dni w tygodniu. Około 80 procent zapytań, czyli te powtarzalne o ceny, metody i kwalifikację, domyka się bez angażowania personelu. Wiedza aktualizuje się automatycznie co 24 godziny prosto ze strony kliniki. Rozmowy nie kończą się na samej informacji, tylko prowadzą do zapisu na konsultację, bo chatbot sam wychodzi z propozycją terminu i zbiera kontakt.

Co zrobilibyśmy inaczej

Najpierw zrobilibyśmy przegląd treści na stronie, a dopiero potem chatbota. Model odpowiada tylko tak dobrze, jak dobre jest źródło, a każda luka w opisie zabiegu na stronie od razu stawała się luką w odpowiedziach. Sporo czasu w testach zeszło nam na łatanie tego promptami, choć szybciej było dopisać brakujący akapit na stronie. Drugą rzeczą, którą przestawilibyśmy wcześniej, jest moment proponowania terminu: pierwsza wersja wychodziła z propozycją za szybko i brzmiała nachalnie, dopiero przesunięcie tego o kilka wymian zdań dało sensowny efekt. Trzecia sprawa to dane pacjentów. Zakres tego, co chatbot zbiera i gdzie to trafia, warto uzgodnić na pierwszym spotkaniu, a nie w trakcie wdrożenia.