ديريك سلاجر، المؤسس المشارك والرئيس التنفيذي لشركة Amperity – سلسلة المقابلات

ديريك سلاجر هو المؤسس المشارك والرئيس التنفيذي لشركة Amperity، حيث يقود الشركة في تحولها الأول لتقنيات الذكاء الاصطناعي عبر المنتجات والتشغيل. أسس Amperity لتقديم بيانات العملاء الموثوقة للمسوقين والanalysts، وقام ببناء هيكل حل التعريف الهوياتي والملفات الشخصية في الوقت الفعلي خلف سياق العملاء الموثوق به في Amperity. في وقت سابق، كان جزءًا من فريق التأسيس في Appature وشغل مناصب قيادية في الهندسة في الأنظمة الموزعة والآمنة على نطاق واسع.

Amperity هي سحابة بيانات العملاء مدعومة بالذكاء الاصطناعي، مصممة لمساعدة الشركات الكبيرة على توحيد المعلومات المتناثرة حول العملاء من مصادر على الإنترنت وبدون اتصال في ملفات تعريف دقيقة ومتاحة في الوقت الفعلي. تجمع منصة Amperity بين حلول التعريف الهوياتي القائمة على التعلم الآلي وإدارة البيانات والتحليلات والنمذجة التنبؤية وأدوات التنشيط، مما يتيح لفريق التسويق والبيانات فهم سلوك العملاء وتailor تجاربهم وقياس تأثير الإيرادات وتنسيق الإجراءات عبر القنوات. تأسست Amperity في عام 2016، وتخدم أكثر من 400 علامة تجارية في جميع أنحاء العالم، بما في ذلك Alaska Airlines وVirgin Atlantic وWyndham Hotels & Resorts وDICK’S Sporting Goods.

لقد عملت في مجالات التحليلات المتقدمة والرؤى العملاء وإدارة المنتجات وML/MLOps واستراتيجية الذكاء الاصطناعي، مساهمة في بناء المنتجات الأساسية قبل Amperity. كيف شكل هذا المسار الطريقة التي تفكر بها حول العلاقة بين جودة بيانات العملاء وأداء الذكاء الاصطناعي؟

عملتي في الصناعة ركزت على مشكلة واحدة: كيف يمكن للذكاء الاصطناعي أن يفكر بشكل صحيح حول الأشخاص عندما تكون البيانات التي تصف هؤلاء الأشخاص دائمًا غير مكتملة ومتضاربة ومتغيرة؟ في البداية، في الأدوار التحليلية وإدارة المنتجات، شاهدت فرقًا تبني نماذج متقدمة على بيانات العملاء التي كانت في الأساس غير موثوقة: سجلات مكررة، معرّفات غير متطابقة، سمات قديمة. لم يكن هناك أي كمية من تعقيد النمذجة يمكن أن يحل هذه المشكلة؛ بل كان يخفي فقط المشكلة بشكل أكثر فعالية.

هذه هي الذكري التي دفعتنا إلى بناء Amperity: حل التعريف الهوياتي ليس طبقة لطيفة على سطح الذكاء الاصطناعي، بل هو الأساس الذي تقوم عليه كل الأشياء الأخرى. عندما أنظر إلى الذكاء الاصطناعي في الشركات الكبيرة اليوم، أرى نفس النمط يحدث على نطاق أكبر. الفرق تضع الموارد في اختيار النماذج وتصميم البرامج بينما تعامل بيانات العملاء التي تغذي هذه النماذج على أنها مسلم بها. ليست كذلك. إذا كان طبقة الهوية خاطئة، فإن كل نظام الذكاء الاصطناعي الذي يأتي بعد ذلك يرث هذه الخطأ ويضخمها.

نسمع غالبًا عن مناقشات الذكاء الاصطناعي في الشركات الكبيرة يتم توجيهها حول اختيار النماذج، لكنك تدعي أن بيانات الهوية الموثوقة للعملاء أصبحت مهمة بنفس القدر. لماذا تتغير المناقشة من “أي نموذج هو الأفضل؟” إلى “ما هي البيانات التي يمكن للذكاء الاصطناعي الوثوق بها؟”

خلال السنوات القليلة الأولى لموجة الذكاء الاصطناعي التوليدي، كانت قدرات النماذج هي العائق الحقيقي، لأن الأدوات لم تكن جيدة بما يكفي بعد. الآن، تغير ذلك. النماذج الرائدة اليوم هي نماذج قوية للغاية، والفرق بينها قد تقلصت لاستخدامات الأعمال الأكثر شيوعًا. ما لم يلحق هو البيانات التي تغذي هذه النماذج داخل الشركة.

يمكن وضع نموذج متقدم أمام وسيط خدمة العملاء أو محرك شخصنة، لكن إذا كان يفكر على ثلاثة ملفات تعريف مكررة لنفس الشخص، وعنوان بريد إلكتروني قديم، وتاريخ شراء ناقص نصف القنوات التي يتسوق فيها الشخص، فإن الإخراج سيظل خاطئًا. المناقشة تتغير لأن القيادات تشعر بذلك الفجوة بشكل مباشر. لقد اعتمدوا نموذجًا رائعًا ولا يزالون لا يرون عائد الاستثمار المتوقع. الميزة التالية الحقيقية لن تأتي من نموذج أفضل. سوف تأتي من تحديد ما إذا كان بإمكان المنظمة تقديم شيء موثوق به لأنظمة الذكاء الاصطناعي للتفكير عليه في المقام الأول.

ما هي أكثر الطرق شيوعًا التي يمكن أن تؤدي بها بيانات الهوية غير دقيقة أو المنقسمة إلى تقويض نتائج الذكاء الاصطناعي، حتى عندما يكون النموذج الأساسي قويًا تقنيًا؟

تظهر بعض الأنماط باستمرار. الأكثر أساسية هو التكرار. نفس العميل موجود كخمس أو ستة سجلات مختلفة عبر القنوات، كل منها يمتلك نظرة جزئية على ذلك الشخص، لذلك نظام الذكاء الاصطناعي قد يرسل عرض إعادة الفوز إلى شخص ما الذي لديه اشتراك نشط تحت سجل آخر. ثم هناك قديمة. البيانات التي كانت دقيقة منذ سنة لكنها لم يتم تحديثها، لذلك النموذج يضبط وفقًا لمن كان العميل في الماضي وليس من هو الآن. هناك أيضًا دمج زائد، وهو أكثر دقة: أنظمة الهوية التي تكون quá激進ة في مطابقة نهاية المطاف إلى دمج شخصين مختلفين في ملف تعريف واحد، والآن وسيط الذكاء الاصطناعي يأخذ قرارات بثقة من behalf شخص لا وجود له. وأخيرًا، هناك فجوات واضحة. نشاط الولاء في نظام، تاريخ الدعم في نظام آخر، سلوك التصفح في نظام ثالث، دون وجود نظام واحد يحمل الصورة الكاملة. بشكل فردي، كل هذه تبدو كمشكلة في صيانة البيانات. في سياق الذكاء الاصطناعي، تتراكم لأن النموذج لا يعرف ما لا يعرف. إنه ينتج فقط إجابة بثقة تامة.

مع تحول الذكاء الاصطناعي التوليدي إلى باب جديد لاكتشاف المنتجات، ما هي التغييرات التي تطرأ على العلامات التجارية عندما يعتمد المستهلكون بشكل متزايد على أنظمة الذكاء الاصطناعي لمقارنة الخيارات وتقييم الولاء واتخاذ قرارات الشراء؟

عادة، كانت العلامات التجارية تسيطر على الباب الأمامي. بنوا موقعًا إلكترونيًا، وضبطوا البحث، ورفعوا القناة، وزوارهم جاءوا مباشرة أو من خلال نتائج يمكنهم التأثير عليها. الآن، هذا الباب الأمامي هو محادثة مع وسيط الذكاء الاصطناعي الذي لا تسيطر عليه العلامة التجارية ولا يمكنها رؤيته بشكل كامل.

يطرح شخص ما سؤالًا على أداة الذكاء الاصطناعي لمقارنة برامج الولاء أو توصية فندق، ووظيفة العلامة التجارية الآن هي أن تكون واضحة وموثوقة بما يكفي، في تلك اللحظة، لتكون الإجابة التي يعطيها الذكاء الاصطناعي. هذا هو تحول حقيقي في ما يجب على التسويق تحسينه. يعني ذلك أن جودة وتركيب ودقة بيانات العلامة التجارية الخاصة بها أمور أكثر أهمية، لأن أنظمة الذكاء الاصطناعي ت合ن من أي إشارة يمكنها العثور عليها.

تشير أبحاث Amperity إلى أن أقلية من المستهلكين يذهبون مباشرة إلى العلامات التجارية المألوفة دون النظر في التوصيات التي يقدمها الذكاء الاصطناعي أولاً. ماذا يعني ذلك للولاء للعلامة التجارية، والشخصنة، والرحلة التقليدية للعميل؟

أجرينا استطلاعًا لآلاف المستهلكين الأمريكيين في وقت سابق من هذا العام، وتركت لي رقمًا واحدًا: أقل من ربعهم قالوا إنهم يذهبون مباشرة إلى علامة تجارية يعرفونها بالفعل دون النظر أولاً في توصية الذكاء الاصطناعي، و60% قالوا إن الذكاء الاصطناعي قد أرسلهم بالفعل إلى علامة تجارية لم يفكروا فيها من قبل. هذا يؤدي إلى تآكل الميزة الافتراضية التي كانت تتمتع بها العلامات التجارية القائمة. لم تختف الولاء، لكن الموقد فوق ذلك القرار قد تغير. العلامات التجارية يتم تقييمها ووضعها في القائمة من قبل أنظمة لا تسيطر عليها، بناءً على البيانات المتاحة حولها.

استراتيجيات التخصيص التي بنيت على افتراض أن “نحن نعرف بالفعل هذا العميل، لذلك لا نحتاج إلى كسب انتباهه” سوف تؤدي أداءً أقل من المتوقع. في الوقت نفسه، أصبحت رحلة العميل أقل خطية. يمكن للعميل أن يصل إلى موقع العلامة التجارية وقد تم بالفعل “بيعه” من قبل ملخص الذكاء الاصطناعي للاستعراضات والمقارنات، مما يعني أن تجربة العلامة التجارية الخاصة بها يجب أن تتماشى مع التوقعات التي لم تكن لديها الفرصة لم塑ها بشكل مباشر.

لقد كانت حل التعريف الهوياتي مشكلة بيانات موجودة لسنوات. ما الذي يجعلها أكثر إلحاحًا الآن مع ظهور وكلاء الذكاء الاصطناعي والمرافقين والواجهات التوليدية للذكاء الاصطناعي كجزء من سير العمل اليومي للشركات؟

حل التعريف الهوياتي كان دائمًا مهمًا للأمور مثل منع البريد المكرر أو ضمان حصول عضو الولاء على الائتمان الصحيح لشراء. هذه مشاكل حقيقية، لكنها مشاكل معقوفة حيث يلتقطها الإنسان عادةً. وكلاء الذكاء الاصطناعي يزيلون هذا الحماية.

عندما يتم تفويض وسيط الذكاء الاصطناعي بالفعل لاتخاذ إجراء، سواء كان ذلك إصدار استرداد أو تطبيق خصم أو توصية العرض التالي أو تحديث تفضيل، فهو يفعل ذلك على أساس حل التعريف الهوياتي الذي تم تزويد به، بسرعة الآلة وأحيانًا بدون وجود إنسان في الحلقة. إذا كان الهوية خاطئة، فإن الوكيل لا يخطئ فقط مرة واحدة. إنه يخطئ بشكل منهجي وفوري، على نطاق واسع، قبل أن يلاحظ أي شخص. هذا هو ما يجعل هذه اللحظة أكثر إلحاحًا من ذي قبل.

كيف يجب على الشركات التفكير في هوية العملاء كجزء من استراتيجية الحوكمة الشاملة للذكاء الاصطناعي، إلى جانب الخصوصية والأمان ومراقبة النماذج والامتثال؟

سأضع هوية العملاء جنبًا إلى جنب مع تلك الركائز الأخرى، وليس تحتها. معظم مناقشات حوكمة الذكاء الاصطناعي تركز على النموذج: هل هو متحيز، آمن، متوافق ومراقب للتغير؟ هذه هي الأمور الضرورية، لكنها تفترض أن الإدخال الذي يفكر فيه النموذج هو صحيح. إذا كانت طبقة الهوية خاطئة، يمكنك أن يكون لديك نموذجًا محكومًا بشكل مثالي ينتج قرارات حول الشخص الخطأ، أو نموذجًا يبدو متحيزًا عندما تكون المشكلة الحقيقية أن بياناته كانت منقسمة بطرق تضررت بها فئات العملاء某些.

على المستوى العملي، يعني ذلك أن اليقظة نفسها التي تطبقها المنظمات على مراقبة النماذج يجب أن تطبق على طبقة البيانات والهوية أسفل منه. من يملك سجل العميل الذهبي؟ كيف يتم قياس جودة المطابقة ومراقبتها بمرور الوقت؟ ماذا يحدث عندما يكون المطابقة خاطئًا؟ هذه يجب أن تكون أسئلة الحوكمة ذات الأولوية نفسها مثل أي شيء يحدث على مستوى النموذج.

كثير من المنظمات تستثمر بكثافة في تجارب الذكاء الاصطناعي، لكن بيانات العملاء الخاصة بهم لا تزال منقسمة عبر أنظمة التسويق والتجارة والدعم والولاء والنظم غير المتصلة. ما هي الخطوات العملية التي يجب على القيادات اتخاذها قبل توسيع الذكاء الاصطناعي في اتخاذ القرارات التشغيلية؟

النمط الذي أراه أكثر هو منظمة تدير عدة تجارب واعدة للذكاء الاصطناعي — وسيط دردشة هنا، تجربة شخصنة هناك — كلها متصلة ببيانات ما يتوفر بسهولة لذلك الفريق. يعمل بشكل جيد بما يكفي للحصول على التمويل، ثم يصطدم بجدار عندما يحاول شخص ما توسيعه إلى قرار تشغيلي حقيقي، لأن بيانات التجربة لم تعكس العميل الكامل.

الخطوة العملية الأولى هي جدول أعمال صادق: اعرف أين يعيش كل مصدر للحقيقة حول العملاء (التسويق، التجارة، الدعم، الولاء، غير المتصلة). كيف يت重叠ون؟ أين لا يفعلون؟ ثانيًا، استثمر في حل التعريف الهوياتي قبل الاستثمار في المزيد من التجارب. إنه ما يسمح كل مبادرة ذكاء اصطناعي مستقبلية بإعادة استخدام الأساس الموثوق نفسه، بدلاً من أن يبني كل فريق أساسًا部分يًا. ثالثًا، بناء عدد صغير من الملاك المتعددين لبيانات العملاء الموحدة، بدلاً من ترك الملكية لفريق يحتاج إليها حاليًا لمشروعه. المنظمات التي تضع هذا التسلسل الخاطئ تنتهي بهم محفظة من تجارب الذكاء الاصطناعي التي لا تترك مرحلة التجربة أبدًا، لأن أي منها لا يمكن الوثوق به بالفعل مع قرار حقيقي.

أين ترسم الخط الفاصل بين التخصيص الذي يبدو مفيدًا والتخصيص الذي يبدو غازًا، خاصة عندما يمكن لأنظمة الذكاء الاصطناعي استنتاج المزيد من الملفات الشخصية الموحدة للعملاء؟

الخط هو أقل حول مقدار ما تعرفه العلامة التجارية، وأكثر حول ما إذا كان ما تفعله باستخدام تلك المعرفة يبدو مستحقًا وملائمًا في تلك اللحظة. توصية بناءً على تاريخ شراء الفرد الحقيقي يبدو مفيدًا. التوصية التي تكشف عن استنتاج لم يشاركه العميل أبدًا يبدو غازًا حتى لو كان دقيقًا، لأنه يكشف عن مقدار ما يتم مشاركته.

وجدت تقريرنا أن غالبية المستهلكين يقولون إنهم أكثر استعدادًا للتفاعل مع التخصيص عندما يثقون في كيفية استخدام بياناتهم، وغالبية يقولون إن التخصيص الذي يبدو غازًا يجعلهم أقل احتمالًا لاختيار علامة تجارية على الإطلاق. قاعدة سلوكيتي للفرق التي تبني على استنتاجات مدعومة بالذكاء الاصطناعي بسيطة: إذا كنت لا تريد أن تفسر، بلغة بسيطة، لماذا يعرف النظام ما يعرف، فلا تعمل عليه بعد. التخصيص يجب أن يبدو مثل التعرف، وليس المراقبة.

عندما ننظر إلى الأمام، ماذا سيفصل الشركات التي تحصل على قيمة حقيقية من الذكاء الاصطناعي عن تلك التي لا تزال عالقة في وضع التجربة: نماذج أفضل، بنية بيانات أفضل، حوكمة أقوى، أو نموذج تشغيل جديد كليًا؟

جودة النموذج لم تكن أبدًا سوف تكون الفارق الدائم. تتطور بسرعة، وتمتلك معظم الشركات الوصول إلى نفس النماذج تقريبًا. الحوكمة مهمة، لكنها ضابط، وليست مصدرًا للقيمة بحد ذاتها. الشيئان اللذان أعتقد أنهما يفصлан الشركات التي تقدم قيمة حقيقية من الذكاء الاصطناعي هما بنية البيانات ونموذج التشغيل، والذين يرتبطان.

الشركات التي تحصل على قيمة حقيقية من الذكاء الاصطناعي هي تلك التي استثمرت بالفعل في وجود نظرة موحدة وموثوقة ومتاحة باستمرار للعميل، بحيث يمكن指 أي قدرة جديدة للذكاء الاصطناعي إلى ذلك الأساس بدلاً من خياطة أساسها الخاص. لكن هذا يعمل فقط إذا تغير نموذج التشغيل أيضًا: إذا كانت مبادرات الذكاء الاصطناعي لا تزال مملوكة فريقًا تلو الآخر، مع كل فريق يحدد إصدارًا الخاص به من العميل، سوف تواصل تقديم نفس مشاكل جودة البيانات. الشركات التي تخرج من وضع التجربة هي تلك التي تعامل بيانات العملاء الموثوقة كبنية مشتركة وتبني نموذج تشغيل الذكاء الاصطناعي حول ذلك الافتراض من البداية.

شكرًا لديريك على المقابلة المثيرة. يمكن للقارئين معرفة المزيد عن Amperity واستكشاف أحدث رؤى ديريك سلاجر على صفحته Unite.AI.