Tinklaraštis

25 Real AI Customer Service Examples (2026 Guide)

Markdown

Praktiniai dirbtinio intelekto naudojimo klientų aptarnavime pavyzdžiai: pokalbių robotai, generatyvinis DI, agentų pagalbos įrankiai ir prognozinė analitika, jų panaudojimo atvejai, nauda ir įgyvendinimo gairės.

Kas yra DI klientų aptarnavime? (apibrėžimas ir apžvalga)

DI klientų aptarnavime – tai programinė įranga, naudojanti natūralios kalbos apdorojimą (NLP), mašininį mokymąsi ir generatyvinius modelius, kad suprastų, atsakytų į klientų užklausas, jas nukreiptų ir išspręstų. Ji veikia DI pokalbių robotus, rengia atsakymų juodraščius agentams, apibendrina pokalbius, automatizuoja užklausų tvarkymą ir atlieka užduotis. Trumpai tariant, dirbtinis intelektas dirba kartu su žmonėmis agentais, kad klientų aptarnavimo operacijos vyktų greičiau ir didesniu mastu. Toliau pateikti DI naudojimo klientų aptarnavime pavyzdžiai parodo, kaip tai atrodo kasdieniame darbe.

Mašininio mokymosi algoritmai analizuoja klientų duomenis ir ankstesnes sąveikas, kad ilgainiui tobulėtų, o natūralios kalbos supratimas leidžia DI sistemoms interpretuoti, ką klientai turi omenyje, užuot ieškojusios tikslių raktinių žodžių atitikmenų.

Klientų aptarnavime naudojamo DI tipai

Ne visas „DI“ yra vienodas. Žinodami kategorijas galėsite parinkti tinkamus DI įrankius tinkamoms užduotims:

TipasKą jis daro
Taisyklėmis pagrįsti pokalbių robotaiVykdo iš anksto nustatytus veiksmų scenarijus ir reaguoja į raktinius žodžius
Pokalbinis DISupranta ketinimus ir palaiko kelių ėjimų dialogą
Generatyvinis DIKuria originalius atsakymus, santraukas ir straipsnius
Balso DIApdoroja sakytinius skambučius ir transkribuoja kalbą
DI agentaiTam tikru autonomijos lygiu atlieka konkrečias užduotis
Agentinis DIPlanuoja ir vykdo kelių etapų darbo eigas įvairiose sistemose

Toliau pateikti pavyzdžiai suskirstyti pagal šiuos tipus, todėl galite iškart pereiti prie to, kas jus domina.

DI pokalbių robotų naudojimo klientų aptarnavime pavyzdžiai

Pokalbių robotai yra geriausiai pažįstama DI palaikymo forma, o geriausiai jie veikia atsakinėdami į dažnus, pasikartojančius klientų klausimus. DI gali automatizuoti tokias įprastas užduotis, todėl agentai gali daugiau dėmesio skirti asmeniniam bendravimui su klientais, o pasikartojantys 0 lygio klausimai mažina jų perdegimo riziką. Dažniausi DI pokalbių robotų naudojimo klientų aptarnavime pavyzdžiai:

  1. DUK nukreipimas. Robotas akimirksniu atsako į klausimą „Kokia jūsų grąžinimo politika?“, todėl paprasti klausimai nepatenka į eilę pas žmones.
  2. Užsakymo būsenos patikra. Klientas įveda užsakymo numerį ir realiuoju laiku gauna siuntos sekimo informaciją, nelaukdamas agento.
  3. Vizito rezervavimas. Robotas patikrina užimtumą ir patvirtina laiką pokalbio lange.
  4. Nuoseklus trikčių šalinimas. Žingsnis po žingsnio pateikiamos užklausos padeda naudotojui iš naujo nustatyti slaptažodį arba paleisti įrenginį iš naujo.

DI pokalbių robotai teikia klientų palaikymą visą parą, sutrumpina atsakymo laiką ir laukimą, o žmonėms agentams leidžia spręsti sudėtingas problemas. Pagalbos tarnyboje pokalbių robotas gali atsakyti į dažnus klausimus kontaktų puslapyje ir sukurti užklausą tik tada, kai reikia žmogaus įsikišimo.

Generatyvinio DI naudojimo klientų aptarnavime pavyzdžiai

Generatyvinis DI kuria originalų tekstą, todėl atsiranda kitokių panaudojimo atvejų. Praktiniai pavyzdžiai:

  1. DI parengti atsakymai į užklausas. Sistema perskaito kliento žinutę ir pasiūlo išsamų atsakymą, kurį agentas gali peržiūrėti ir išsiųsti.
  2. Pokalbių santraukos. Ilgas susirašinėjimas prieš perduodant užklausą sutraukiamas į kelis punktus.
  3. Tono koregavimas. Grubaus atsakymo juodraštis perrašomas šiltesniu tonu arba sutrumpinamas pernelyg išplėstas atsakymas.
  4. Žinių bazės straipsnių kūrimas. Išspręstos pagalbos užklausos paverčiamos pakartotinai naudojamais žinių bazės straipsniais.

Štai pavyzdinė internetinės parduotuvės užklausa: „Parenkite draugišką atsakymą klientui, kurio siunta atvyko apgadinta. Atsiprašykite, pasiūlykite nemokamai pakeisti prekę ir paaiškinkite grąžinimo veiksmus.“ DI sugeneruotas atsakymas tampa pradiniu tekstu, kurį agentas pritaiko. Tai greičiau nei rašyti nuo nulio, o bendravimo tonas išlieka nuoseklus. Šie generatyvinio DI įrankiai gali padėti užimtoms komandoms sutrumpinti atsakymo laiką.

Pokalbinio DI naudojimo klientų aptarnavime pavyzdžiai

Pokalbinis DI peržengia scenarijais pagrįstų pokalbių robotų galimybes: jis seka pokalbio istoriją ir kontekstą per visą dialogą. Pavyzdžiai:

  1. Konteksto išlaikymas. Pirkėjas klausia apie striukę, tada sako „ar turite ją mėlynos spalvos?“, o DI supranta, ką reiškia „ją“.
  2. Ketinimų atpažinimas. Sistema supranta, kad „negaliu prisijungti“ ir „man neveikia slaptažodis“ reiškia tą patį.
  3. Sklandus perdavimas žmogui. Pokalbiui tampant sudėtingam, DI perduoda visą kontekstą agentui, todėl klientui nereikia kartotis.

Esminis skirtumas paprastas: bazinis pokalbių robotas vadovaujasi sprendimų medžiu, o pokalbinis DI interpretuoja prasmę ir prisitaiko prie klientų pageidavimų.

Balso DI naudojimo klientų aptarnavime pavyzdžiai

Balso DI perkelia šias galimybes į telefoninius kanalus. Dažniausi pavyzdžiai:

  1. Balso robotai skambučių centrams. Jie tvarko įprastus skambučius, pavyzdžiui, dėl likučio patikros ar vizito patvirtinimo.
  2. Interaktyvaus balso meniu (IVR) pakeitimas. Naudojami natūralios kalbos meniu, o ne nurodymai „spauskite 1, jei skambinate dėl sąskaitų“.
  3. Transkribavimas realiuoju laiku ir klientų nuotaikų nustatymas. Pažymimi susierzinę skambinantieji, kad vadovas galėtų įsikišti.
  4. Užsakymų sekimas balsu. Skambinantysis klausia, kur yra jo užsakymas, ir iškart išgirsta naujausią informaciją.

Agentų pagalbos įrankiai: pagalba žmonėms agentams realiuoju laiku

Ne kiekviena taikymo sritis pakeičia žmogų. Agentų pagalbos įrankiai veikia šalia klientų aptarnavimo atstovų ir padeda jiems dirbti greičiau bei tiksliau. Užuot automatizavę klientų aptarnavimą taip, kad žmogus būtų pašalintas, šie įrankiai tyliai padeda darbą atliekančiam žmogui.

  • Agentų pagalbos įrankiai pateikia realaus laiko pasiūlymus, kai vyksta pokalbis.
  • Šie įrankiai gali sutrumpinti vidutinę aptarnavimo trukmę iki 40%.
  • Jie didina tikslumą, pateikdami aktualius sprendimus ir žinių bazės straipsnius.
  • DI gali analizuoti klientų istoriją ir padėti pritaikyti agentų atsakymus prie kliento kelionės.
  • Agentų pagalbos įrankius naudojančios įmonės praneša apie 20% mažesnį pakartotinių skambučių skaičių.

Agentų kopilotas yra aiškus pavyzdys. Gavęs užklausą, jis pateikia aktualią kliento istoriją ir rekomenduoja kitą veiksmą, todėl mažiau patyrę agentai gali dirbti veiksmingiau. Agentų pagalbos įrankiai tampa įprastu šiuolaikinių palaikymo komandų standartu.

DI pagrįstos nuotaikų analizės pavyzdžiai

Nuotaikų analizė realiuoju laiku įvertina klientų emocijas, kad komandos galėtų reaguoti į žmogaus savijautą, o ne vien į tai, ką jis parašė. Ji naudoja NLP emociniam tonui klientų žinutėse nustatyti ir gali turėti įtakos užklausų tvarkymui.

  • DI pagrįsta nuotaikų analizė pažymi užklausas, kad būtų greičiau tvarkomos, kai sustiprėja nepasitenkinimas.
  • Anksti įvertinus klientų nuotaikas galima didinti klientų pasitikėjimą ir bendrą požiūrį į prekės ženklą.
  • Nuotaikų analizę naudojančios įmonės praneša apie geresnius klientų pasitenkinimo rodiklius.

Sujungus nuotaikų analizę su nukreipimu, stiprių emocijų lydimi pokalbiai gali būti perduodami patyrusiems agentams dar prieš situacijai paaštrėjant.

Prognozinės analitikos ir prognozinio palaikymo pavyzdžiai

Prognozinė analitika naudoja istorinius duomenis būsimam klientų elgesiui numatyti, taip reaktyvią pagalbą paversdama proaktyviu palaikymu. Tai vienas iš mašininio mokymosi modelių taikymo būdų.

  • Prognozinė analitika gali pagerinti klientų išlaikymą net 70%.
  • Pažangus prognozinis modeliavimas gali sutrumpinti vidutinę aptarnavimo trukmę 40%.
  • Įmonės gali pasitelkti prognozines įžvalgas, kad iš anksto įtrauktų klientus, kuriems gresia pasitraukimas, ir sumažintų klientų praradimą.
  • Prognozinė analitika padeda nustatyti dažnas klientų problemas kiekviename kliento gyvavimo ciklo etape.

Analizuodamas naudojimo įpročius ir ankstesnes sąveikas, prognozinis palaikymas numato, ko klientui gali prireikti toliau, todėl komanda gali susisiekti dar prieš problemai patenkant į užklausų eilę.

DI agentų ir agentinio DI naudojimo klientų aptarnavime pavyzdžiai

DI agentas atlieka apibrėžtą užduotį, pavyzdžiui, grąžina pinigus, kai įvykdomos sąlygos. Agentinis DI žengia toliau: jis gali planuoti ir vykdyti kelių etapų darbo eigas įvairiose sistemose, jam reikia minimalios priežiūros.

  1. Pinigų grąžinimo tvarkymas. Tinkamumo patikrinimas, kredito išdavimas ir kliento informavimas nuo pradžios iki pabaigos.
  2. Paskyros duomenų atnaujinimas. Adreso ar plano pakeitimas patvirtinus tapatybę.
  3. Tarp sistemų vykdomų darbo eigų paleidimas. Vienu veiksmų procesu sukuriama siuntos etiketė, atnaujinama CRM ir uždaroma užklausa.

Agentinio DI naudojimo klientų aptarnavime atvejų pavyzdžiai

Keletas atvejų analizę primenančių pavyzdžių parodo, kaip tai gali veikti:

  • Išsprendimas nuo pradžios iki pabaigos. Prenumeratos atšaukimas patikrinamas, įvykdomas, patvirtinamas ir užregistruojamas taip, kad žmogui nereikia atlikti kiekvieno veiksmo, nors agentas gali jį peržiūrėti vėliau.
  • Pardavimo ir aptarnavimo darbo eiga. Kai iš pagalbos pokalbio paaiškėja, kad klientas pasirinkęs netinkamą planą, sistema pažymi galimybę jį atnaujinti ir parengia pasiūlymą, sujungdama aptarnavimą su pardavimu.

DI naudojimo klientų aptarnavimo automatizavimui pavyzdžiai

Automatizavimas perima pasikartojančius aptarnavimo veiksmus. Naudingi pavyzdžiai:

  1. Automatinis užklausų nukreipimas. Klausimai dėl sąskaitų siunčiami finansų komandai, o pranešimai apie klaidas – techninės pagalbos komandai.
  2. Žymėjimas ir kategorizavimas. Klientų palaikymo užklausos žymimos pagal temą, kad ataskaitos būtų tvarkingos.
  3. Prioritetų nustatymas ir eskalavimas. Skubios arba VIP klientų problemos pakeliamos į sąrašo viršų.
  4. Makrokomandų ir atsakymų pasiūlymai. Siūlomi paruošti atsakymai, pritaikyti užklausai.

Išmanusis užklausų nukreipimas

Nukreipimą verta aptarti atskirai, nes klaida gali brangiai kainuoti: 27% klientų nurodo neveiksmingą nukreipimą kaip vieną iš didžiausių nepasitenkinimo priežasčių. DI gali analizuoti pagalbos užklausų turinį ir skubumą, suskirstyti jas pagal temą, nuotaiką ir skubumą. DI įrankiai gali suteikti pirmenybę skubioms ir stiprių emocijų lydimoms sąveikoms, taip padėdami padidinti problemų išsprendimo per pirmąjį kontaktą rodiklį ir administravimo našumą. Iš istorinių duomenų besimokančios sistemos laikui bėgant gali tiksliau nukreipti užklausas.

Savitarnos galimybės ir žinių bazės pavyzdžiai

Gera savitarna atsako į klausimą dar prieš sukuriant užklausą. Savitarnos sistemos gali sumažinti užklausų skaičių ir pagerinti klientų pasitenkinimą, nes bet kuriuo paros metu pateikia atsakymus iškart.

  • DI valdomi savitarnos portalai suteikia klientams prieigą visą parą.
  • DI paieška ir savitarnos sistemos gali suprasti įvairiai suformuluotas klientų užklausas, o ne vien tikslius raktinių žodžių atitikmenis.
  • DI pagerina prieigą prie palaikymo, nes leidžia bendrauti keliomis kalbomis be specializuotų komandų.
  • Savitarnos galimybės pateikia atsakymus iškart ir gali pagerinti klientų pasitenkinimą.

Tinkamai prižiūrima žinių bazė gali sumažinti palaikymo komandų darbo krūvį. Įmonės gali naudoti DI ir savitarnai tobulinti, ir žmonių agentų našumui didinti.

Proaktyvaus klientų aptarnavimo naudojant DI pavyzdžiai

Užuot laukusi skundų, proaktyvaus palaikymo komanda numato poreikius. Įmonės naudoja DI problemoms numatyti dar prieš joms kylant. Pavyzdžiai:

  1. Pranešimai apie siuntimo vėlavimą. Klientai įspėjami dar prieš jiems paklausiant, kur yra jų siunta.
  2. Priminimai apie prenumeratos atnaujinimą. Draugiškai primenama prieš nurašant lėšas nuo kortelės.
  3. Įspėjimai apie klientų praradimo riziką. Pažymimos paskyros, kuriose matyti mažėjančio įsitraukimo požymių, kad komanda galėtų susisiekti.

DI naudojimo klientų aptarnavime personalizavimo pavyzdžiai

Personalizavimas padeda DI atrodyti mažiau robotiškam. Pavyzdžiai: pagal naršymo istoriją pritaikytos produktų rekomendacijos, atsakymai, kuriuose minimi ankstesni kliento užsakymai, kalbos ir tono pritaikymas, taip pat pagal naudotojo elgesį ir planą keičiama pagalbos informacija. Taip analizuojant klientų duomenis bendri atsakymai gali tapti aktualesniu bendravimu su klientais.

DI klientų aptarnavime pagal sektorius

Skirtingi sektoriai DI taiko skirtingai. Toliau pateiktuose pavyzdžiuose aprašoma bendra praktika.

DI klientų aptarnavime: mažmeninės prekybos pavyzdžiai

Mažmeninėje prekyboje DI naudojamas užsakymų būsenai tikrinti, grąžinimams automatizuoti ir produktams rekomenduoti. Sezoninio piko metu pokalbių robotai ir automatizavimas gali perimti daugiau klausimų „kur mano užsakymas?“, todėl agentai gali skirti dėmesio sudėtingoms problemoms.

Įmonės, naudojančios DI klientų aptarnavimui

Mažmeninės prekybos, SaaS, telekomunikacijų ir kelionių sektoriuose vartotojams skirtų prekių ženklų įmonės ir B2B bendrovės naudoja DI klientų aptarnavimui. Daugelis pradeda nuo pokalbių robotų, kurie sumažina agentams tenkančių užklausų skaičių, prideda generatyvinį DI agentų pagalbai, o vėliau palaipsniui įdiegia automatizavimą ir agentines darbo eigas. Įprasta pradėti nuo dažnų įprastų užduočių ir plėsti naudojimą sistemai pelnant pasitikėjimą.

DI nauda klientų aptarnavimui (su pavyzdžiais)

Štai keletas naudų, kurias verta numatyti:

  • Greitesnis atsakymas. Pokalbių robotas atsako iškart, užuot palikęs klientus laukti eilėje.
  • Prieinamumas visą parą. Į klientų užklausas galima atsakyti naktį, nesudarant naktinės pamainos.
  • Agentų našumas. Atsakymų juodraščiai ir santraukos gali sutrumpinti kiekvienos užklausos tvarkymo laiką.
  • Mastelio keitimas. Automatizavimas gali atlaikyti sezoninius pikus be skubaus naujų darbuotojų samdymo ir sumažinti veiklos sąnaudas.
  • Nuoseklumas. Klientai gali gauti tą patį atsakymą apie įmonės politiką, o tai padeda juos išlaikyti.

Kartu šie privalumai gali pagerinti veiklos efektyvumą ir bendrą klientų patirtį.

Dažnai užduodami klausimai

Kokie yra 5 klientų aptarnavimo pavyzdžiai?

Penki kasdieniai pavyzdžiai: atsakymas į kliento klausimą tiesioginiame pokalbyje, sąskaitos problemos sprendimas telefonu, atsakymas į pagalbos užklausą el. paštu, pagalba pirkėjui naudojantis savitarnos žinių bazės straipsniu ir proaktyvus susisiekimas vėluojant pristatymui. DI gali padėti kiekviename iš šių kanalų.

Kaip naudoti DI klientų aptarnavimo paslaugose?

Pradėkite nuo dažnų klientų užklausų nustatymo, tada taikykite DI įrankius ten, kur jie kuria vertę: naudokite pokalbių robotus, kad atsakytumėte į DUK ir pateiktumėte užsakymo sekimo informaciją, agentų pagalbos įrankius pasiūlymams realiuoju laiku, nuotaikų analizę prioritetams nustatyti ir prognozinę analitiką proaktyviam palaikymui. Visus įrankius paremkite tvirta žinių baze ir aiškiai nustatykite, kada darbą perima žmogus agentas.

Koks yra DI paslaugos pavyzdys?

Aiškus DI paslaugos pavyzdys – generatyvinio DI asistentas, kuris perskaito kliento žinutę, pagal jūsų žinių bazę parengia išsamų atsakymą ir jį išsiunčia po agento peržiūros arba automatiškai išsprendžia užklausą. Kiti pavyzdžiai – balso robotai, DI pagrįsta nuotaikų analizė ir automatinis užklausų nukreipimas.

Ar DI pakeičia klientų aptarnavimą?

Ne. DI keičia darbo pobūdį, o ne panaikina patį darbą. Jis tvarko pasikartojančias klientų sąveikas ir mažina užklausų skaičių, o žmonės agentai imasi sudėtingų problemų, kurioms reikia empatijos ir sprendimo. Klientų aptarnavimo pareigos kinta ir apima DI sistemų palaikymą bei priežiūrą, o gerų rezultatų galima pasiekti derinant pokalbinį DI su žmogaus įsikišimu.

Dažniausi iššūkiai ir rizikos, į kurias verta atsižvelgti

DI nėra stebuklingas sprendimas, todėl svarbu būti sąžiningiems. Saugokitės haliucinuotų atsakymų, kai modelis ką nors teigia užtikrintai, bet klaidingai. Pernelyg didelis automatizavimas gali nuvilti klientus, įstrigusius cikle, kuriame nėra galimybės susisiekti su žmogumi. Duomenų privatumas reikalauja atidžiai įvertinti, kokius klientų duomenis DI gali pasiekti. DI sistemų sujungimą su esamais įrankiais reikia planuoti. Būtina užtikrinti patikimą perdavimo žmogui kelią.

Dažniausios klaidos, kurių reikia vengti

  • Visiškai panaikinti galimybę eskaluoti problemą žmogui
  • Pradėti naudoti sistemą neprižiūrint DI rezultatų
  • Pateikti DI skurdžią arba pasenusią žinių bazę
  • Ignoruoti ribinius atvejus ir neįprastas užklausas
  • Pradėti veikti neatlikus išsamaus testavimo

DI klientų aptarnavimo platformų ir įrankių pavyzdžiai

Įrankiai skirstomi į kelias kategorijas: pagalbos tarnybų platformos su integruotu DI, atskiri DI pokalbių robotai, balso platformos ir agentų pagalbos kopilotai. Pasirinkus pagalbos tarnybą su integruotu DI, užklausos, automatizavimas ir DI pagalba sutelkiami vienoje vietoje, todėl sąranką ir ataskaitų rengimą gali būti paprasčiau tvarkyti nei jungiant atskirus įrankius ir analizuojant klientų atsiliepimus keliose sistemose.

Kaip įdiegti DI klientų aptarnavime (žingsnis po žingsnio)

Šie žingsniai pateikia paprastą DI diegimo tvarką, kad neapkrautumėte komandos:

  1. Nustatykite dažnus panaudojimo atvejus. Suraskite pasikartojančius klausimus, kurie atima komandos laiką.
  2. Sukurkite žinių bazę. DI veikia tik tiek gerai, kiek geri yra jo naudojami šaltiniai.
  3. Pasirinkite įrankį. Suderinkite jo galimybes su prioritetais ir esama technologijų sistema.
  4. Pradėkite nuo mažo bandomojo projekto. Išbandykite vieną kanalą arba panaudojimo atvejį.
  5. Nustatykite eskalavimo taisykles. Tiksliai apibrėžkite, kada darbą perima žmogus.
  6. Matuokite ir tobulinkite. Stebėkite išsprendimo rodiklius, klientų atsiliepimus ir pasitenkinimą, tada patikslinkite procesą.

Sėkmingai įdiegtas DI gali sutrumpinti atsakymo laiką ir pagerinti efektyvumą, jei pradedama nuo mažo masto ir plečiama apgalvotai.

Sąnaudos ir ištekliai

Kainodara paprastai grindžiama prenumerata arba naudojimu, todėl sąnaudos auga kartu su apimtimi. Be licencijos, numatykite lėšų diegimui, žinių bazės parengimui ir nuolatiniam tobulinimui. Didžiausia paslėpta sąnauda – nepriežiūra: neprižiūrimas DI gali pasenti, todėl taip pat numatykite darbuotojų laiką priežiūrai.

2026 m. ir vėlesnių metų tendencijos ir perspektyvos

2026 m. ir vėliau kryptis veda prie agentinio DI – sistemų, kurios pačios išsprendžia klientų problemas, o ne vien atsako į klausimus. Balso DI gali subręsti, personalizavimas gali tapti gilesnis dėl turtingesnio klientų konteksto, o agentų pagalbos kopilotai gali tapti įprastais agentų įrankiais. Komandos gali derinti automatizavimą su žmonių sprendimu.

Svarbiausios įžvalgos ir tolesni žingsniai

DI klientų aptarnavime apima pokalbių robotus, generatyvinį ir pokalbinį DI, balso DI, agentų pagalbą, automatizavimą ir agentinį DI, kurių kiekvienas turi konkrečių panaudojimo būdų. Šie pavyzdžiai iliustruoja galimą naudą: greitesnius atsakymus, palaikymą visą parą, daugiau savitarnos ir našesnes palaikymo komandas. Rezultatai priklauso nuo patikimos žinių bazės, aiškaus perdavimo žmogui ir nuolatinės priežiūros.

Pradėkite pasirinkdami vieną dažną panaudojimo atvejį ir išbandykite jį savo pagalbos tarnyboje, tada įvertinkite poveikį klientų pasitenkinimui ir plėskite naudojimą. Įprasta pirmiausia įrodyti vienos darbo eigos naudą, o tada ją išplėsti.

Pritaikykite šį vadovą su Ailoot

Sujunkite DI modelius su savo programomis, agentais ir automatizacijomis naudodami vieną Ailoot API. Pasirinkite užduočiai tinkamą modelį ir pradėkite vadovaudamiesi Ailoot dokumentacija.