غوتام كانومورو، الرئيس التنفيذي ومؤسس Yogi – سلسلة المقابلات

كنت تعمل في السابق على معالجة اللغة الطبيعية وCortana في مايكروسوفت، ثم ساعدت في قيادة Clarke.AI خلال عملية الاستحواذ. ما هو ما دفعك لبدء Yogi، وكيف ساهم خلفيتك في تحديد مهمة الشركة؟

ما دفعني لبدء Yogi هو إمكانيات معالجة اللغة الطبيعية. في مايكروسوفت وClarke.AI، رأيت بنفسي كيف يمكن تحسين معالجة اللغة الطبيعية بدرجة صغيرة – على سبيل المثال، زيادة الأداء بنسبة 5-10٪ – أن يفتح مئات الحالات المستخدمة المتدفقة. لكني لاحظت أيضًا فجوة بين ما يبدو مثيرًا للإعجاب في العرض التوضيحي وما يقدم قيمة حقيقية للعملاء. مع Yogi، حاولنا سد هذه الفجوة. كنا نريد بناء شيء يمكن أن يترك تأثيرًا ملموسًا ومرئيًا، مثل التغييرات على منتج على رف المتجر التي يمكنك تتبعها إلى معلومات مستمدة من منصتنا.

في الأيام الأولى من Yogi، ما كان أكبر عقبة في جعل العلامات التجارية للمستهلكين تثق بالذكاء الاصطناعي لشيء دقيق مثل مشاعر العملاء؟

جاء الشك من مكانين: أحدهما التكنولوجيا نفسها، والآخر كنا شركة صغيرة نتحدث إلى شركات كبيرة. تعلمنا بسرعة أن من غير كاف أن نتحدث عن ما يمكن أن تفعله منتجاتنا، يجب أن نبرزها. هذا يعني تقديم تحليل العينات قبل أن يُطلب منا ذلك، والإجابة على أسئلة أعمال حقيقية في المكان، وتقديم قيمة من اليوم الأول. كما أشرنا إلى أننا سوف نعمل من خلال أي مشاكل بعد الاستحواذ. هذا النوع من الموثوقية كان مهمًا.

تستخدم Yogi الذكاء الاصطناعي ومعالجة اللغة الطبيعية لاستخراج المشاعر من تقييمات المنتجات. هل يمكنك أن تشرح لنا كيف تترجم منصة Yogi ملاحظات المتسوقين الخام إلى معلومات دقيقة وفعّالة؟

نفكر فيها في ثلاث مراحل: التجميع، التنظيم، والتحليل. أولاً، نجمع ملاحظات العملاء من قنوات متعددة: تقييمات، استبيانات، تذاكر الدعم، ونضمن أنها مرتبطة بدقة بالمنتج الصحيح، والرقم التعريفي للمنتج، والبائع. هذا أكثر صعوبة مما يبدو. على سبيل المثال، قد يكون المنتج نفسه له قوائم مختلفة قليلاً عبر مواقع متعددة.

ثم ننظم البيانات. هنا يقرأ طبقتنا الثانية من الذكاء الاصطناعي التعليقات كما يفعل الإنسان. تحدد الموضوعات التي يتم مناقشتها، وكيف يتم وصفها، وبالمشاعر التي يتم وصفها بدون الاعتماد فقط على الكلمات الرئيسية.

أخيرًا، نتحليل. هذا هو المكان الذي نقدم فيه معلومات المستخدمين من خلال واجهة تفاعلية للغاية. أدواتنا الأخيرة تسمح للمستخدمين بكتابة أسئلة معقدة مثل “كيف كان أدائي مقارنة بثلاثة منافسين خلال العام الماضي؟” والحصول على إجابة في غضون ثوان.

ما الذي يميز نماذج Yogi للذكاء الاصطناعي عن أدوات تحليل المشاعر العامة؟ هل هناك تقنيات محددة تساعد في التقاط الدقة في ملاحظات المستهلك؟

Yogi مثل خريج الدكتوراه في ملاحظات المستهلك. النماذج العامة، حتى المتقدمة مثل ChatGPT، مثل الطلاب الذكيين في الجامعة: يعرفون القليل عن كل شيء. لقد قمنا بتحسين نماذجنا خصيصًا لهذا المجال، باستخدام بياناتنا الخاصة ومعالجة أولية مكثفة. لأننا نضيف طبقات من الهيكل، مثل المشاعر والموضوعات و映射 المنتج، نقدم سياقًا غنيًا حول كل قطعة من النص التي تقيمها النماذج.

كثير من منصات الذكاء الاصطناعي تعاني من مشاكل السياق أو السخرية في تقييمات العملاء. كيف تتعامل Yogi مع تحديات البيانات غير المهيكلة والمتعاطفة؟

نقوم بذلك من خلال التدريب المستمر ومدخلات المستخدم. نموذجنا يتحسن من خلال استمرار استهلاك أمثلة على السخرية، والغموض، أو اللهجات المتطورة. كما نسمح للمستخدمين بالتحديد التفسيرات المشكلة، والتي يمكننا بعد ذلك إعادة توجيهها إلى عملية التدريب. هذا التحسين لا يتطلب ملايين الأمثلة، بل يمكن أن يكون عدد قليل من الأمثلة المستهدفة كافياً لتحسين الأداء بشكل كبير.

كيف تساعد Yogi الشركات على اكتشاف مشاكل على مستوى المنتج، وتتبع التغييرات في المشاعر، والتفاعل في الوقت الفعلي؟ هل يمكنك مشاركة قصة نجاح؟

بالتأكيد. بشكل عام، نرى مجموعة من الحالات المستخدمة، ولكن ثلاث فئات شائعة. أولاً، الابتكار في المنتج: تستخدم الشركات Yogi لاستكشاف فئات جديدة وتحديد الاحتياجات غير الملباة قبل إطلاق منتج جديد. لقد كان لدينا عملاء يبدأون في استخدام Yogi قبل عامين من إطلاق المنتج لتشكيل كل شيء من الصياغة إلى التعبئة.

ثانيًا، جودة المنتج: إذا قام الفريق بتغيير مكون – على سبيل المثال، جزء في آلة القهوة – فيمكنهم تتبع المشاعر بعد الإطلاق لمعرفة ما إذا كانت الشكاوى تزيد. هذا ينطبق على جميع القطاعات، بما في ذلك الجمال، والأغذية، والإلكترونيات.

ثالثًا، التحليل الاستراتيجي: لقد رأينا العلامات التجارية تستخدم Yogi لتقييم الاستحواذات المحتملة من خلال تحليل ملاحظات المستهلكين على المنتجات المستهدفة. إنه طبقة من التدقيق لم يكن لديهم الوصول إليها من قبل.

يستخدم Yogi الآن لتحسين صفحات المنتج، وتنسيق رسائل التسويق، وتتبع مشاكل الشحن. كيف تطور المنتج لدعم इतन من سير العمل؟

كل هذا مدفوع بالعملاء. نعتقد أن ملاحظات المستهلكين ذات صلة بكل فريق في الشركة، من المنتج إلى المبيعات إلى الدعم. لذلك، عندما نرى مستخدمينا يستخدمون معلومات لهدف جديد، نسأل: هل يمكن لـYogi التكيف لدعم هذا الحالة بشكل أصيل؟ هذا هو كيف نمت. لم نبني في الأصل من أجل التسويق أو سلسلة التوريد، ولكن هذه الفرق رأت القيمة وطلبت ميزات. لقد استمعنا.

كيف تساعد الشركات على مراقبة المنافسين واكتشاف المخربين قبل أن يصبحوا تهديدات؟

نستخدم مصادر عامة مثل التقييمات والتصنيفات لتتبع المنتجات المنافسة في الوقت الفعلي. منصتنا تستخدم التنبيهات و “تغذية المعلومات” لتحديد ما إذا حدث شيء غير عادي، مثل زيادة في المشاعر الإيجابية لمنتج منافس. لا يحتاج عملاؤنا إلى مراقبة كل شيء يدوياً. Yogi دائمًا ما يفحص وسيظهر أي شيء ملحوظ دون الحاجة إلى التحفيز.

أين ترى مستقبل المعلومات الاستهلاكية التي تقودها الذكاء الاصطناعي في السنوات الثلاث إلى خمس القادمة، وما هو الدور الذي ستلعبه Yogi في هذا المنظر؟

هناك تحولان رئيسيان قادمون. أولاً، الأتمتة. المهام التي كانت تأخذ أسابيع، مثل تجميع مقارنة المنافسين، يتم تقليلها إلى ساعات أو حتى دقائق. قريباً، قد يسأل المستخدم Yogi سؤالاً ويتعرف على تقرير كامل أو شرائح متوافقة في غضون ثوان.

ثانيًا، ظهور أنواع جديدة من التحليل. سوف يسمح الذكاء الاصطناعي بالتحقيقات السريعة والمتكررة التي كانت باهظة التكلفة أو تستغرق وقتًا طويلاً، مثل معلومات مجموعة التركيز من البيانات العامة. نعتقد أن Yogi في موقع جيد لقيادة كلا الجبهتين: تسريع البحث وتمكين سير عمل جديدة.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Yogi.