Gautam Kanumuru, CEO & Co-Founder of Yogi – Rozhovorová série

Předtím jste pracoval na NLP a Cortaně v Microsoftu, poté jste pomáhal vést Clarke.AI prostřednictvím akvizice. Co vás motivovalo k založení Yogi a jak vaše pozadí ovlivnilo misi společnosti?

To, co mě vedlo k založení Yogi, byla skutečná potenciál zpracování přirozeného jazyka. V Microsoftu a Clarke.AI jsem viděl na vlastní oči, jak relativně malá zlepšení NLP – řekněme 5-10% zlepšení výkonu – mohlo odemknout stovky následujících použití. Ale také jsem si uvědomil, že existuje mezera mezi tím, co vypadá působivě v demo a co skutečně dodává skutečnou hodnotu zákazníkům. S Yogi jsme se rozhodli tuto mezeru uzavřít. Chtěli jsme postavit něco, co by mohlo mít hmotný, viditelný dopad, jako jsou změny produktu na regálu, které můžete vysledovat zpět k informacím generovaným naší platformou.

V raných dnech Yogi, jaký byl největší překážkou při získávání spotřebitelských značek, aby důvěřovaly AI pro něco tak jemného, jako je zákaznický sentiment?

Skepticismus pocházel ze dvou míst: jedna byla technologie sama a druhá byla my jako malá společnost, která mluví s velkými podniky. Brzy jsme se naučili, že nestačí mluvit o tom, co váš produkt může udělat, musíte to ukázat. To znamenalo nabízet analýzu vzorků předtím, než byli požádáni, odpovídat na skutečné obchodní otázky na místě a vždy dodávat hodnotu od prvního dne. A také jsme ujistili, že budeme pracovat na všech problémech po přijetí. Taková spolehlivost měla význam.

Yogi používá AI a NLP k extrakci sentimentu z produktových recenzí. Můžete nás provést, jak vaše platforma překládá surovou zpětnou vazbu zákazníků do jemných, akčních informací?

Myslíme si to ve třech fázích: agregace, organizace a analýza. Nejprve agregujeme zpětnou vazbu zákazníků z více kanálů: recenze, průzkumy, tikety podpory a zajistíme, aby byla přesně vázána k pravému produktu, SKU a prodejci. To je těžší, než to zní. Například stejný produkt může mít mírně odlišné seznamy napříč několika weby.

Pak organizujeme data. Zde je naše druhá vrstva AI, která čte zpětnou vazbu způsobem, jakým by to udělal člověk. Identifikuje, o kterých tématech se diskutuje, jak jsou popsány a s jakým sentimentem, aniž by se spoléhala pouze na klíčová slova.

Nakonec analyzujeme. To je místo, kde prezentujeme informace našim uživatelům prostřednictvím vysoce interaktivního rozhraní. Naše nejnovější nástroje dokonce umožňují uživatelům zadat komplexní otázky, jako „Jak jsem si vedl proti svým třem konkurentům za posledních 12 měsíců?“ a získat odpověď během několika sekund.

Co odlišuje modely AI Yogi od obecných nástrojů pro sentimentální analýzu? Existují specifické techniky, které vám pomáhají zachytit jemnosti ve zpětné vazbě zákazníků?

Yogi je jako absolvent PhD v oblasti zpětné vazby zákazníků. Obecné modely, dokonce i pokročilé jako ChatGPT, jsou jako velmi inteligentní studenti: znají trochu všeho. My jsme našim modelům dali speciální školení pro tento prostor, pomocí našeho vlastního datasetu a rozsáhlé předzpracování. Protože přidáváme vrstvy struktury, jako je sentiment, témata a mapování produktů, poskytujeme bohatý kontext kolem každé části textu, kterou model vyhodnocuje.

Mnohé platformy AI bojují s kontextem nebo sarkasmem v zákaznických recenzích. Jak Yogi řeší výzvy nestrukturovaných, emocionálně komplexních dat?

Řešíme to prostřednictvím pokračujícího školení a vstupu uživatelů. Náš model se zlepšuje kontinuálním příjmem příkladů sarkasmu, ambivalence nebo se vyvíjejícího slangu. Umožňujeme uživatelům označit problematické interpretace, které můžeme poté vrátit do našeho školicího procesu. Toto jemné ladění nevyžaduje miliony příkladů, stačí několik cílených, aby významně zlepšilo výkon.

Jak Yogi pomáhá společnostem detekovat problémy na úrovni produktu, sledovat změny sentimentu a reagovat v reálném čase? Můžete sdílet nějaký úspěch?

Určitě. Široce vidíme mnoho použití, ale tři hlavní kategorie. První je inovace produktu: společnosti používají Yogi k prozkoumání nových kategorií a identifikaci nesplněných potřeb před spuštěním nového produktu. Měli jsme klienty, kteří začali používat Yogi dva roky před spuštěním produktu, aby formovali vše od formulace po balení.

Druhá je kvalita produktu: pokud tým změní komponent – řekněme část kávovaru – mohou sledovat sentiment po vydání, aby viděli, zda se stížnosti zvýší. To platí napříč sektory, včetně krásy, potravin a elektroniky.

Třetí je strategická analýza: viděli jsme značky, které používají Yogi k vyhodnocení potenciálních akvizic analýzou zpětné vazby zákazníků o cílových produktech. Je to vrstva due diligence, ke které dříve neměli přístup.

Yogi je nyní používán k optimalizaci PDP, sladění marketingových zpráv a dokonce k sledování problémů se zásilkami. Jak se produkt vyvinul, aby podporoval tolik pracovních postupů?

Vše je řízeno zákazníky. Věříme, že zpětná vazba zákazníků je relevantní pro každý tým ve společnosti, od produktu po prodej a podporu. Když tedy vidíme, že naši uživatelé tahají informace pro nový účel, ptáme se: může Yogi přizpůsobit, aby podporoval tento případ nativně? To je, jak jsme rostli. Nebyli jsme postaveni pro marketing nebo dodavatelský řetězec původně, ale tyto týmy viděly hodnotu a požádaly o funkce. Poslouchali jsme.

Jak pomáháte společnostem monitorovat konkurenty a detekovat disruptory, než se stanou hrozbami?

Využíváme veřejné zdroje, jako jsou recenze a hodnocení, aby sledovaly konkurenční produkty v reálném čase. Naše platforma používá upozornění a „informační kanál“, aby signalizovala, když se něco neobvyklého stane, jako je skok v pozitivním sentimentu pro produkt konkurenta. Naši zákazníci nemusí vše sledovat ručně. Yogi neustále skenuje a bude zobrazovat cokoliv pozoruhodného bez nutnosti výslovného požadavku.

Kam vidíte budoucnost AI poháněných spotřebitelských informací v příštích 3 až 5 letech a jakou roli bude Yogi hrát v tomto prostředí?

Dvě klíčové změny jsou na cestě. První je automatizace. Úkoly, které dříve trvaly týdny, jako je kompilace srovnávací tabulky, jsou redukovány na hodiny nebo dokonce minuty. Brzy může uživatel položit Yogi otázku a získat zpět plně formátovanou zprávu nebo prezentaci.

Druhá je vznik nových typů analýz. AI umožní rychlé, iterativní vyšetřování, která byla dříve příliš drahá nebo časově náročná, jako jsou ad-hoc focus group–style informace z veřejných dat. Věříme, že Yogi je dobře umístěn, aby vedl na obou frontách: zrychlování výzkumu a umožňování zcela nových pracovních postupů.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Yogi.