Ryan McDonald, Chief Scientist at ASAPP – Interview Series

Ryan McDonald je Chief Scientist ve společnosti ASAPP. Je zodpovědný za stanovení směru výzkumných a datových vědeckých skupin, aby dosáhli vize ASAPP, která spočívá v pozitivním obohacení lidské činnosti prostřednictvím pokroku v oblasti umělé inteligence. Skupina se目前 zaměřuje na rozvoj oboru úkolově orientovaného dialogu v reálných situacích, jako je péče o zákazníky. V takto dynamických prostředích existuje mnoho interagujících částí: konverzace mezi zákazníkem a agentem; prostředí a nástroje, které agent používá; různé míry úspěchu; široká škála potřeb a situací zákazníků. Optimalizace tohoto prostředí za účelem dosažení kvalitních výsledků pro zákazníky, agenty a společnosti vyžaduje významné investice do výzkumu v oblasti vyhledávání, generování jazyka, omezené optimalizace, učení a, kriticky, hodnocení.

Ryan McDonald pracuje na porozumění jazyka a strojovém učení již více než 20 let. Jeho disertační práce na Univerzitě v Pensylvánii se zaměřila na nové metody strojového učení pro strukturovanou predikci v NLP, zejména na extrakci informací a syntaktickou analýzu. Na Univerzitě v Pensylvánii byla jeho výzkum kritická pro růst oboru závislostního parsingu a doménové adaptace v komunitě NLP. Po dokončení disertační práce se Ryan připojil k výzkumné skupině Google (GOOGL ). Zde prováděl výzkum sentimentální analýzy a modelů sumarizace pro spotřebitelské recenze, což vedlo k vytvoření jednoho z prvních velkých systémů sumarizace spotřebitelských recenzí, které denně využívají miliony uživatelů.

Ryanův výzkum se poté zaměřil na masivně multijazyčné porozumění jazyka. Zpočátku se jeho výzkum zaměřil na zlepšení strojového překladu, ale rostoucí důležitost multilinguality v informačním vyhledávání a digitálních asistentech vedla jeho výzkum směrem k internacionalizaci těchto důležitých technologií. Ryanův tým sehrál klíčovou roli ve vývoji Google Assistant jako globální technologie. Během tohoto období také inicioval konsorcium Universal Dependencies s velkým počtem akademických spolupracovníků. Jedná se o největší multijazykové konsorcium zaměřené na syntaktické jazykové zdroje. Po více než desetiletí práce na spotřebitelských produktech Ryan změnil směr své kariéry směrem k podnikání a vedl řadu projektů NLP a ML, jejichž cílem bylo zlepšit služby Google Cloud, včetně základního NLP API, řešení pro Call Center AI a objevování znalostí z vědecké literatury. Ryanův výzkum v oblasti podnikového NLP a ML pokračuje ve společnosti ASAPP.

Ryan publikoval více než 100 výzkumných článků v předních časopisech a konferencích, které byly citovány tisíckrát. Získal ceny za nejlepší článek na mezinárodních konferencích (EMNLP, NAACL) za svou práci na multilingvální syntaktické analýze. Jeho kniha “Dependency Parsing” sloužila jako jedna z hlavních pedagogických zdrojů pro syntaktické parsování po více než deset let. Kromě toho, že působil jako předseda sekce na téměř všech konferencích NLP a ML, byl editorem dvou nejlepších časopisů v oboru – Transactions of the Association for Computational Linguistics a Computational Linguistics. Působil jako poradce mnoha doktorandů a stážistů a přednesl pozvané přednášky na předních konferencích, workshopech a univerzitách po celém světě.

Co vás původně zaujalo o strojovém učení a konkrétně o zpracování přirozeného jazyka?

Jako bakalář s dvojí specializací na počítačové vědy a filozofii jsem byl zvláště intéressován filozofií umělé inteligence a praktickými aspekty, jak umělá inteligence funguje. Měl jsem štěstí, že jsem získal výzkumný projekt s Geraldem Pennem na Univerzitě v Torontu, který se zaměřil na sumarizaci zpráv pro mobilní telefony. To bylo před více než 20 lety a používalo velmi primitivní metody podle dnešních standardů. Gerald byl skvělým mentorem a zaujal mě formální modely pro strukturu jazyka (syntaktiku a sémantiku). Byl jsem fascinován komplexitou jazyka a matematickými rámci, které vysvětlovaly jevy, které lidé přirozeně zpracovávají každý den. V té době byly vyhledávače všudypřítomné a mohl jsem vidět obrovský potenciál NLP a ML do budoucna.

Máte více než 100 publikovaných výzkumných článků v předních časopisech a konferencích, které byly citovány tisíckrát, podle vašeho názoru, který z těchto článků byl nejvlivnější?

To je vždy těžká otázka na odpověď. A jak čas plyne, tak si myslím, že má odpověď se mění. Pokud byste mě zeptal před několika lety, řekl bych, že to byla práce, kterou jsem dělal na grafických algoritmech pro závislostní parsingu. Tento článek, spolu s prací Joakima Nivre, spustil více než desetiletí rychlého výzkumu v oblasti syntaktické závislostní analýzy, což mělo velký dopad na přijetí NLP ve technologických společnostech, včetně大量 práce, kterou jsem dělal na Google pro Search, Translate, Assistant atd.

Nicméně, s rychlým přijetím neuronových sítí, použití diskrétních syntaktických reprezentací jazyka ustoupilo. Řekl bych, že to je-seminalní práce, kterou jsem dělal s Johnem Blitzerem a Fernandem Pereirou na doménové adaptaci. Metody, které jsme použili v tomto článku, nejsou příliš relevantní dnes, ale myslím, že tento článek (spolu s kontemporární prací Hala Daume) ukotvil rámec problému a jeho důležitost pro obor. Nyní, když pracuji výhradně v podnikovém prostředí, jsem si velmi vědom problémů, které jsme vytyčili dříve, a které ještě musíme vyřešit.

Strávili jste většinu své kariéry v Google, kde jste pomáhali budovat špičkové technologie NLP a ML a uvádět je do produkce. Jaké byly některé z vašich klíčových poznatků z této zkušenosti?

Mým klíčovým poznatkem by bylo, že při budování modelů NLP a ML nelze nikdy předpovědět, kdy věci půjdou špatně. Je třeba být posedlý daty, analýzou chyb, metrikami atd. ve všech fázích procesu. Pokusit se uhodnout bolestivé body je často zbytečné a často je efektivnější postavit kompletní modely co nejrychleji a přizpůsobit se.

Jako výzkumníci NLP/ML se zaměřujeme na to, kde model může selhat a které modelovací předpoklady nebudou platit, když se “guma setká se silnicí”. Ale často je to zpracování dat nebo UX, které je klíčem k erfolgrečnému vytvoření produktů NLP/ML. Teprve když tyto jsou pevné, můžeme wirklich iterovat na kvalitu, abychom získali maximum z modelů.

V lednu 2021 jste se připojil k ASAPP jako Chief Scientist, společnost, která nabízí nástroje AI pro podporu zákaznické podpory, co vás přitáhlo k této pozici?

Pro úplnější odpověď si přečtěte můj blogový příspěvek na toto téma. Ale abych to zkrátil, hlavní důvody jsou:

• Problémy jsou těžké. Agenti, kteří se podílejí na obtížných interakcích se zákazníky, potřebují přinést mnoho informací a zkušeností, aby mohli efektivně řešit problémy zákazníků. Budování modelů, které přidávají hodnotu nad obrovským množstvím doménových znalostí, je těžké, zejména když signály jsou slabé. Například, proč měl zákazník nízkou spokojenost? Protože agent něco udělal špatně, nebo protože zákazník byl prostě obecně naštvaný?
• Společnosti a agenti, kteří pracují v tomto prostoru, jsou super nadšení z AI, která jim pomůže zlepšit zkušenosti zákazníků. Nebojují proti pokroku, ale vidí je jako kritické nástroje pro řešení skutečných problémů, se kterými se setkávají. Mít takového zapojeného partnera je úžasné.
• Nakonec, na rozdíl od spotřebitelských technologií, je sada domén a problémů v podnikovém prostředí tak heterogenní, že adaptace (viz moji odpověď na otázku 2) je problémem, který je třeba vyřešit. Nemůžeme postavit služby pouze pro jednu společnost nebo jeden průmysl, ale pro všechny. To je takový skvělý stresový test pro stav AI dnes.
• ASAPP je singularně zaměřen na tento problém.

Můžete diskutovat o vizi ASAPP, aby pozitivně obohatila lidskou činnost prostřednictvím pokroku v oblasti AI?

Naší centrální hypotézou v ASAPP je, že AI by neměla nahrazovat lidi, ale spíše je obohacovat pozitivně a produktivně. Tato vize je široká a máme ambice aplikovat ji na všechny relevantní lidské činnosti. Nicméně, jelikož je to široká direktiva, první oblast, na kterou jsme se rozhodli se zaměřit, je doména zákaznické zkušenosti.

Doména zákaznické zkušenosti ztělesňuje všechny výzvy a odměny, které přicházejí s obohacením lidské činnosti. Agenti se podílejí na složitých úkolech řešení problémů, které vyžadují, aby následovali pracovní postupy, načítali relevantní informace z zákazníků a znalostních bazí a přizpůsobili se jemným situacím, ve kterých se zákazník může ocitnout. To dává vzniknout obrovskému počtu příležitostí pro AI, aby zlepšilo tento proces. Nicméně, myslíme si, že je důležité to udělat pozitivně, tj.:

• Obohacení se děje v okamžicích, které jsou přirozené a plynulé během průběhu agentovy práce. To je kritické. Pokud AI interferuje nebo vkládá se do nevhodných okamžiků nebo s nízkou latencí, bude to mít negativní efekt na agentovu zkušenost, protože jim bude muset vědomě ignorovat AI.
• Více kriticky, chceme, aby AI dosáhlo pozitivních výsledků pro všechny lidi, kteří jsou zapojeni. V tomto případě je to zákazník, agent a organizace. Zákazníci chtějí, aby jejich problémy byly řešeny efektivně a účinně. Agenti chtějí to udělat pro zákazníky. Kromě toho, agenti dělají těžkou práci, často zpracovávají obtížné nespokojené zákazníky. AI by mělo pomoci jim vyvážit práci a kognitivní zátěž, aby snížilo únavu a vyhoření a zvýšilo spokojenost s prací. V konečném důsledku, chceme pozitivní obchodní výsledky pro společnost, která provozuje call centrum. To může být spokojenost zákazníků, propustnost problémů, které lze řešit za den, nebo dokonce množství prodejů.

Pro call centra často myslíme, že pozitivní výsledky mezi zákazníkem, agentem a společností jsou v konfliktu. Ale dobrá AI pomůže optimalizovat všechny tři.

Můžete diskutovat o aktuální anatomii AI v call centru?

Dnes, téměř každá fáze vašeho kontaktu s call centrem má nějakou formu AI, která řídí nebo informuje, jak je problém řešen.

První krok je interaktivní hlasová odpověď (IVR) nebo chatbot. To je plně automatické a jeho hlavním účelem je pochopit, proč zákazník volá, a směrovat ho podle toho. Potenciálně tyto systémy budou shromažďovat co nejvíce informací, než pošlou zákazníka agentovi, aby maximalizovali šanci, že agent může rychle vyřešit problém. Mnoho moderních botů může také přímo vyřešit problém zákazníka bez nutnosti agenta – tzv. “obsahování”, protože hovor nikdy nevyžaduje lidskou intervenci. To lze dosáhnout doporučením FAQ nebo jednoduše provedením některé jednoduché úkolu pro zákazníka.

Po tomto kroku hovor jde k agentovi. Jakmile je hovor u agenta, hlavní role AI je vést a navrhovat agentovi, co říct dál, jaký postup následovat, které znalostní články pomohou vyřešit problém. Tyto modely jsou obvykle trénovány na historických datech a optimalizovány pro some klíčový ukazatel výkonu, který může být doba zpracování (jak rychle byl problém vyřešen) nebo skóre spokojenosti zákazníka (zda byl zákazník spokojen se zkušeností).

Jakmile je hovor nebo chat dokončen, AI je stále v provozu. Ve většině call center agent opustí strukturované informace a poznámky o tom, co se stalo během hovoru. To je pro analytické účely, ale také pro jakýkoli následný agent, který se ujme problému, pokud nebyl vyřešen. AI pomáhá se všemi těmito kroky.

Nakonec, v call centru, jsou supervizoři, kteří jsou tam, aby pomohli agentům a rozvíjet jejich dovednosti. AI může být kritická zde. V call centru s stovkami agentů, kteří zpracovávají tisíce hovorů denně, jak mohou supervizoři identifikovat problémy, které potřebují jejich intervenci? Jak mohou pochopit, co se stalo během dne? Jak mohou najít oblasti pro zlepšení agentů, aby rozvinuli své dovednosti?

Jak ASAPP pomáhá snižovat fluktuaci zaměstnanců v call centru?

Velké společnosti, které nabízejí spotřebitelské zboží a služby, vydávají miliony, a někdy i miliardy dolarů ročně na call centra, která obsluhují jejich zákazníky, přičemž náklady na pracovní sílu představují 80-90% celkových nákladů. Je to velký problém, který pohání fluktuaci agentů na 40% – a někdy 100% nebo více – každý rok.

Často existuje karikatura, že agenti jsou lhostejní k vašim problémům a pouze procházejí pohyby. Nic nemůže být dále od pravdy. Agenti, stejně jako všichni lidé, odvozují uspokojení z pomoci zákazníkům vyřešit jejich problémy. Jak byste raději strávil den, slyšel byste silná “děkuji” nebo křičící zákazníky? V nedávné studii, kterou jsme provedli, jsme zjistili, že 90% agentů uvedlo, že hovory se zákazníky dělaly jejich den, a většina uvedla, že jsou spokojeni se svými prací. Ale agenti chtějí nástroje a školení, které jsou potřebné k tomu, aby zákazníkům mohli efektivně a rychle vyřešit problémy. Nespokojení zákazníci vedou k frustrovaným, unaveným a stresovaným agentům. To je primární hnací síla fluktuace.

AI, která obohacuje agenty během hovoru (jak je popsáno výše), již pomáhá. Pokud má agent nástroje a vedení, jak efektivně a rychle vyřešit problém zákazníka, pak se zvyšují šance, že zákazník bude spokojen, což by mělo vést k vyšší spokojenosti s prací.

Nicméně, ASAPP nezačíná tam. Zatímco reálné dynamické vedení je kritické, více strukturované školení, koučování a zpětná vazba jsou také důležité. Mnozí agenti se učí na nových problémech nebo postupech “naživo”. To znamená, že dostanou popis postupu, ale pak jej uvidí v praxi, až když vezmou hovor se skutečným zákazníkem. Představte si, že bychom dali pilotům manuál letadla a pak jim řekli, aby letěli 300 pasažérů do Denveru? Proto se zaměřujeme na použití AI, abychom pomohli vybudovat nástroje pro agenty, aby cvičili postupy a zvládali obtížné situace, než se setkají se skutečnými zákazníky. Když je tohle spojené s cílenou zpětnou vazbou (buď od supervizora nebo automaticky), tohle umožní agentovi rozvinout své dovednosti v méně stresujícím prostředí.

Lepší AI pro zlepšení spokojenosti zákazníků v dynamických situacích, stejně jako AI pro školení – to je, jak ASAPP klade důraz na agenta s konečným cílem snížit fluktuaci.

Jaké jsou některé příklady výsledků, které lze dosáhnout pomocí AI v call centru?

Jak jsem zmínil výše, AI může být transformační technologií pro zvýšení produktivity. Pro jednu americkou leteckou společnost, se kterou pracujeme, jsme viděli nárůst produktivity agentů o 86% a nárůst organizační propustnosti (celkového počtu interakcí napříč všemi kanály zákaznické podpory dělené pracovní dobou potřebnou k uspokojení těchto potřeb) o 127%. Pro globálního operátora sítě, který používá služby ASAPP, se skóre net promoter (ochota zákazníků doporučovat produkty nebo služby společnosti jiným) zvýšilo o 45%. Pro jednu z předních tří kabelových společností, která používá služby ASAPP, se náklady na interakci snížily o 52%. Tyto příklady ukazují, jak AI může zvýšit produktivitu, zlepšit kvalitu zákaznické podpory a snížit obchodní náklady.

Jaká je vaše osobní vize pro budoucnost AI v pracovním prostředí?

AI je již khá rozšířená v pracovním prostředí. Jak píšu, kontrola pravopisu a gramatiky, stejně jako automatické dokončování textu, mě pomáhají. Mám filtry spamu a klasifikátory zpráv na mých e-mailech / messagingových nástrojích. Používám AI poháněné vyhledávání, abych našel relevantní informace, které potřebuji k provedení. To se bude dále rozšiřovat, stejně jako moje adopce, když se zvýší počet AI poháněných funkcí a jejich kvalita.

Nicméně, nazvu tuto AI obohacení atomickým. Je určitě asistencí, ale v velmi přesných okamžicích, které umožňují vysoké přesné předpovědi. Určitě nemohu požádat AI, aby odpověděla na tyto otázky, například 🙂

Více vážně, moje vize je vidět adopci koncových AI v celém pracovním prostředí. Nemyslím koncové v smyslu modelování strojového učení. Co mám na mysli, je, že AI bude pohánět holisticky velké a složité úkoly, které budou optimalizovány pro celkový cíl a ne pouze atomické body během procesu. ASAPP již přináší toto do call center. Například, optimalizujeme, co agent řekne dál, na základě holistického souboru faktorů o tom, kde je agent v konverzaci a jaký je konečný cíl. Ale za tím, představte si vědce, který píše systematickou recenzi důležité téma, softwarového inženýra, který buduje platformu nebo integruje komplexní systémy, právníka, který píše právní rozbor, atd. V budoucnu, každý z těchto profesionálů bude spoléhat na AI, aby rychle zvýšil svou efektivitu u těchto úkolů a optimalizoval požadované výsledky, aby jim umožnil soustředit se na kritické výzvy.

Je něco jiného, co byste rádi sdíleli o ASAPP?

Náš výzkumný tým v ASAPP má jasný focus: pokročit v AI, aby obohatil lidskou činnost a řešil reálné problémy pro podniky. Výzkumníci v ASAPP pracují na fundamentálním pokroku ve vědě NLP a ML směrem k našemu cíli nasazení doménově specifických reálných řešení AI, a aplikovat tyto pokroky na naše produkty. Utilizují obrovské množství dat generovaných našimi produkty a naší schopností nasazovat funkce AI do reálného použití, aby kladli a řešili fundamentální výzkumné otázky novými způsoby.

Objevte naše recentní články na https://www.asapp.com/ai-research/.

Děkuji za podrobné odpovědi, čtenáři, kteří chtějí se dozvědět více, by měli navštívit ASAPP.