Derek Slager, Συνιδρυτής και Συν-Διευθύνων της Amperity – Σειρά Συνεντεύξεων

Ο Derek Slager είναι συνιδρυτής και συν-διευθύνων της Amperity, όπου ηγείται της μετασχηματιστικής διαδικασίας της εταιρείας με βάση την τεχνητή νοημοσύνη, τόσο στο προϊόν όσο και στον τρόπο λειτουργίας της εταιρείας. Συνίδρυσε την Amperity για να δώσει στους.marketers και τους αναλυτές δεδομένα πελατών που θα μπορούσαν να εμπιστευτούν, και κατασκεύασε την πατενταρισμένη αρχιτεκτονική αναγνώρισης ταυτότητας και προφίλ σε πραγματικό χρόνο πίσω από το контέκστ της Amperity. Παλαιότερα, ήταν μέλος της ιδρυτικής ομάδας στην Appature και είχε ηγετικές θέσεις μηχανικής σε μεγάλο εύρος κατανεμημένων συστημάτων και ασφάλειας.

Η Amperity είναι μια βάση δεδομένων πελατών που βασίζεται στην τεχνητή νοημοσύνη, σχεδιασμένη για να βοηθήσει τις επιχειρήσεις να ενοποιήσουν τα κατακερματισμένα δεδομένα πελατών από διαδικτυακές και εκτός διαδικτύου πηγές σε ακριβή, πραγματικά δεδομένα προφίλ πελατών. Η πλατφόρμα της συνδυάζει αναγνώριση ταυτότητας με βάση τη μηχανική μάθηση, διαχείριση δεδομένων, ανάλυση, προβλεπτική μοντελοποίηση και εργαλεία ενεργοποίησης, επιτρέποντας στις ομάδες μάρκετινγκ και δεδομένων να κατανοήσουν καλύτερα τη συμπεριφορά των πελατών, να προσωποποιήσουν τις εμπειρίες, να μετρήσουν την επίδραση των εσόδων και να συντονίσουν τις ενέργειες σε διάφορα κανάλια. Ιδρυθείσα το 2016, η Amperity εξυπηρετεί περισσότερες από 400 μάρκες σε όλο τον κόσμο, συμπεριλαμβανομένων των Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts και DICK’S Sporting Goods (DKS ).

Έχετε εργαστεί σε προηγμένα ανάλυση, έρευνα πελατών, διαχείριση προϊόντων, ML/MLOps και στρατηγική τεχνητής νοημοσύνης, βοηθώντας στην κατασκευή θεμελιωδών προϊόντων πριν από την Amperity. Πώς έχει διαμορφωθεί ο τρόπος σκέψης σας για τη σχέση μεταξύ ποιότητας δεδομένων πελατών και απόδοσης τεχνητής νοημοσύνης;

Η δουλειά μου στη βιομηχανία έχει επικεντρωθεί πραγματικά σε ένα πρόβλημα: πώς να κάνετε την τεχνητή νοημοσύνη να συλλογιστεί σωστά για τους ανθρώπους όταν τα δεδομένα που περιγράφουν αυτούς τους ανθρώπους είναι πάντα ελλιπή, ασυνεπή και αλλάζουν; Νωρίς, σε ρόλους ανάλυσης και προϊόντων, είδα ομάδες να κατασκευάζουν όλο και πιο σύνθετα μοντέλα πάνω σε δεδομένα πελατών που ήταν ουσιαστικά αξιόπιστα: διπλότυπα αρχεία, μη ταιριαστές αναγνωριστικές, παλιά χαρακτηριστικά. Καμία ποσότητα μοντελοποίησης δεν έλυσε αυτό το πρόβλημα, απλώς το έκρυψε πιο αποτελεσματικά.

Αυτό το ένστικτο είναι αυτό που μας οδήγησε να κατασκευάσουμε την Amperity: η αναγνώριση ταυτότητας δεν είναι ένα επιθυμητό επίπεδο πάνω από την τεχνητή νοημοσύνη, είναι η βάση πάνω στην οποία βασίζεται mọi thứ. Όταν κοιτάω την επιχειρηματική τεχνητή νοημοσύνη σήμερα, βλέπω το ίδιο μοτίβο να επαναλαμβάνεται σε πολύ μεγαλύτερη κλίμακα. Οι ομάδες ρίχνουν πόρους στην επιλογή μοντέλων και την μηχανική προώθησης ενώ αντιμετωπίζουν τα δεδομένα πελατών που ταΐζουν αυτά τα μοντέλα ως δεδομένα. Δεν είναι. Λάβετε το επίπεδο ταυτότητας λάθος, και κάθε κατωτέρω σύστημα τεχνητής νοημοσύνης κληρονομεί αυτό το σφάλμα και το ενισχύει.

Συχνά ακούμε συζητήσεις για την επιχειρηματική τεχνητή νοημοσύνη να εστιάζουν στην επιλογή μοντέλων, αλλά εσείς υποστηρίζετε ότι τα δεδομένα ταυτότητας πελατών είναι εξίσου σημαντικά. Γιατί η συζήτηση μετατοπίζεται από “Ποιο μοντέλο είναι το καλύτερο;” σε “Ποια δεδομένα μπορεί πραγματικά να εμπιστευτεί η τεχνητή νοημοσύνη;”

Για τα πρώτα χρόνια της κυματικής τεχνητής νοημοσύνης, οι ικανότητες των μοντέλων ήταν πραγματικά το εμπόδιο, καθώς τα εργαλεία απλώς δεν ήταν αρκετά καλά ακόμη. Τώρα, αυτό έχει αλλάξει. Τα leading μοντέλα σήμερα είναι εξαιρετικά ικανά, και το χάσμα μεταξύ τους έχει στενέψει για τις περισσότερες επιχειρηματικές περιπτώσεις. Αυτό που δεν έχει προλαβεί είναι τα δεδομένα που ταΐζουν αυτά τα μοντέλα μέσα στην επιχείρηση.

Μπορείτε να τοποθετήσετε το πιο προηγμένο μοντέλο μπροστά σε ένα σύστημα εξυπηρέτησης πελατών ή σε einen μηχανισμό προσωποποίησης, αλλά αν συλλογίζεται πάνω από τρία διπλότυπα προφίλ για τον ίδιο άνθρωπο, μια παλιά διεύθυνση email και einen ιστορικό αγορών που λείπει το ήμισυ των καναλιών που ο άνθρωπος αγοράζει, η έξοδος είναι βέβαιο ότι θα είναι λάθος. Η συζήτηση μετατοπίζεται επειδή οι ηγέτες νιώθουν αυτό το χάσμα απευθείας. Έχουν υιοθετήσει ένα εξαιρετικό μοντέλο και ακόμη δεν βλέπουν την απόδοση που περίμεναν. Το επόμενο πραγματικό πλεονέκτημα δεν θα έρθει από ένα καλύτερο μοντέλο. Θα έρθει από το αν μια οργάνωση μπορεί να δώσει στα συστήματα τεχνητής νοημοσύνης της κάτι αξιόπιστο να συλλογιστεί από την αρχή.

Ποια είναι τα πιο συνηθισμένα σημεία που ανακριβή ή κατακερματισμένα δεδομένα ταυτότητας πελατών μπορούν να υπονομεύσουν τα αποτελέσματα της τεχνητής νοημοσύνης, ακόμη και όταν το υποκείμενο μοντέλο είναι τεχνικά ισχυρό;

Μερικά μοτίβα εμφανίζονται συνεχώς. Το πιο βασικό είναι η διπλοποίηση. Ο ίδιος πελάτης υπάρχει ως πέντε ή έξι διαφορετικά αρχεία σε διάφορα κανάλια, το καθένα με μια μερική άποψη του ανθρώπου, οπότε ένα σύστημα τεχνητής νοημοσύνης μπορεί να στείλει μια προσφορά επανακατάκτησης σε κάποιον του οποίου η συνδρομή είναι ενεργή κάτω από ένα διαφορετικό αρχείο. Στη συνέχεια, υπάρχει η παλαιότητα. Δεδομένα που ήταν ακριβή πριν από ένα χρόνο αλλά δεν έχουν ανανεωθεί, οπότε ένα μοντέλο είναι βελτιστοποίηση με βάση το ποιος ήταν ο πελάτης παλαιότερα και όχι ποιος είναι τώρα. Υπάρχει επίσης η υπέρ-σύντηξη, η οποία είναι πιο λεπτή: συστήματα ταυτότητας που είναι πολύ επιθετικά σχετικά με την αντιστοίχιση και συνδυάζουν δύο διαφορετικούς ανθρώπους σε ένα προφίλ, και τώρα ένα σύστημα τεχνητής νοημοσύνης είναι βέβαιο ότι θα λάβει αποφάσεις για λογαριασμό κάποιου που δεν υπάρχει πραγματικά. Και τέλος, υπάρχουν απλές lacunes. Δραστηριότητα πίστης σε ένα σύστημα, ιστορικό υποστήριξης σε ένα άλλο, συμπεριφορά περιήγησης σε ένα τρίτο, με κανένα από τα συστήματα να δεν έχει την πλήρη εικόνα. Ατομικά, το καθένα από αυτά μοιάζει με ένα πρόβλημα υγιεινής δεδομένων. Σε ένα контέκστ τεχνητής νοημοσύνης, αυτά τα προβλήματα συνδυάζονται επειδή το μοντέλο δεν ξέρει τι δεν ξέρει. Απλώς παράγει μια απάντηση με απόλυτη βεβαιότητα.

Όταν η γεννητική τεχνητή νοημοσύνη γίνεται μια νέα είσοδος για την ανακάλυψη προϊόντων, τι αλλάζει για τις μάρκες όταν οι καταναλωτές εξαρτώνται όλο και περισσότερο από συστήματα τεχνητής νοημοσύνης για να συγκρίνουν επιλογές, να αξιολογήσουν την πίστη και να λάβουν αποφάσεις αγοράς;

Συνήθως, οι μάρκες ελέγχαναν την είσοδο. Κατασκεύαζαν einen ιστότοπο, βελτίωναν για αναζήτηση, εξευγενίζαν τον δρόμο και οι πελάτες ήρθαν απευθείας ή μέσω αποτελεσμάτων που μπορούσαν να επηρεάσουν. Τώρα, αυτή η είσοδος είναι μια συνομιλία με einen βοηθό τεχνητής νοημοσύνης που η μάρκα δεν ελέγχει και δεν μπορεί να δει πλήρως μέσα.

Κάποιος ζητά από einen βοηθό τεχνητής νοημοσύνης να συγκρίνει προγράμματα πίστης ή να συστήσει ένα ξενοδοχείο, και η δουλειά της μάρκας τώρα είναι να είναι αρκετά αναγνώσιμη και αξιόπιστη, σε εκείνη τη στιγμή, για να είναι η απάντηση που δίνει η τεχνητή νοημοσύνη. Αυτό είναι μια πραγματική αλλαγή σε αυτό που το μάρκετινγκ πρέπει να βελτιστοποιήσει._SIGNIFIES ότι η ποιότητα, η δομή και η ακρίβεια των δεδομένων και του περιεχομένου της μάρκας έχουν μεγαλύτερη σημασία, επειδή τα συστήματα τεχνητής νοημοσύνης συνθέτουν από οποιοδήποτε σήμα μπορούν να βρουν.

Η έρευνα της Amperity δείχνει ότι μόνο μια μειοψηφία των καταναλωτών πηγαίνουν απευθείας σε γνωστές μάρκες χωρίς να λάβουν υπόψη τις συστάσεις της τεχνητής νοημοσύνης. Τι σημαίνει αυτό για την πίστη, την προσωποποίηση και την παραδοσιακή πορεία του πελάτη;

Εξέτασαμε 1.000 καταναλωτές στις ΗΠΑ νωρίτερα αυτή τη χρονιά, και ένας αριθμός ξεχώρισε για μένα: λιγότεροι από το ένα τέταρτο είπαν ότι πηγαίνουν απευθείας σε μια μάρκα που ήδη γνωρίζουν χωρίς να λάβουν υπόψη μια σύσταση της τεχνητής νοημοσύνης πρώτα, και το 60% είπαν ότι η τεχνητή νοημοσύνη τους οδήγησε ήδη σε μια μάρκα που δεν είχαν考虑 पहलη. Αυτό διαβρώνει το προκαταρκτικό πλεονέκτημα που είχαν οι καθιερωμένες μάρκες. Η πίστη δεν έχει εξαφανιστεί, αλλά το φύνο πάνω από αυτή την απόφαση έχει αλλάξει. Οι μάρκες αξιολογούνται και βάζονται σε λίστα από συστήματα που δεν ελέγχουν, με βάση οποιαδήποτε δεδομένα είναι διαθέσιμα για αυτές.

Οι στρατηγικές προσωποποίησης που βασίζονται στην υπόθεση ότι “уже γνωρίζουμε αυτόν τον πελάτη, οπότε δεν χρειάζεται να κερδίσουμε την προσοχή του” θα υποπερφόρμουν. Ταυτόχρονα, η πορεία του πελάτη έχει γίνει λιγότερο γραμμική. Ένας πελάτης μπορεί να φτάσει στον ιστότοπο της μάρκας having already been ‘πωλημένος’ από μια περίληψη της τεχνητής νοημοσύνης των αναθεωρήσεων και των συγκρίσεων, οπότε η εμπειρία της μάρκας πρέπει να ανταποκριθεί στις προσδοκίες που δεν είχε την ευκαιρία να διαμορφώσει απευθείας.

Η αναγνώριση ταυτότητας έχει υπάρξει ως ένα πρόβλημα δεδομένων για χρόνια. Τι κάνει αυτό το πρόβλημα πιο επείγον τώρα που οι πράκτορες τεχνητής νοημοσύνης, οι συν-πιλότοι και οι διεπαφές γεννητικής τεχνητής νοημοσύνης γίνονται μέρος της καθημερινής επιχειρηματικής ροής;

Η αναγνώριση ταυτότητας έχει πάντα mattered για πράγματα όπως την πρόληψη διπλότυπων ταχυδρομείων ή την βεβαίωση ότι ένας πιστός μέλος λαμβάνει την κατάλληλη πίστωση για μια αγορά. Αυτά είναι πραγματικά προβλήματα, αλλά σχετικά συγχωρητικά όπου ένας άνθρωπος συνήθως πιάνει το λάθος. Οι πράκτορες αφαιρούν αυτό το δίχτυ ασφαλείας.

Όταν ένας πράκτορας τεχνητής νοημοσύνης έχει την εξουσία να λάβει πραγματικές ενέργειες, είτε αυτό είναι η έκδοση μιας επιστροφής, η εφαρμογή μιας έκπτωσης, η σύσταση μιας επόμενης καλύτερης προσφοράς ή η ενημέρωση μιας προτίμησης. Κάνει αυτό με βάση την αναγνώριση ταυτότητας που έχει λάβει, με ταχύτητα μηχανής και συχνά χωρίς έναν άνθρωπο στο βρόχο. Λάβετε την ταυτότητα λάθος, και ο πράκτορας δεν λάβει μόνο λάθος απόφαση. Λαμβάνει λάθος απόφαση συστηματικά και αμέσως, σε κλίμακα, πριν κάποιος το καταλάβει. Αυτό είναι αυτό που κάνει αυτή τη στιγμή πιο επείγουσα από πριν.

Πώς πρέπει οι εταιρείες να σκέφτονται την ταυτότητα του πελάτη ως μέρος της ευρύτερης στρατηγικής διακυβέρνησης της τεχνητής νοημοσύνης, μαζί με την ιδιωτικότητα, την ασφάλεια, την παρακολούθηση μοντέλων και την συμμόρφωση;

Θα τοποθετούσα την ταυτότητα του πελάτη δίπλα στα άλλα pilars, όχι κάτω από αυτά. Οι περισσότερες συζητήσεις για τη διακυβέρνηση της τεχνητής νοημοσύνης εστιάζουν στο μοντέλο: είναι προκατειλημμένο, ασφαλές, συμμορφώνεται και παρακολουθείται για drift; Αυτά είναι απαραίτητα, αλλά υποθέτουν ότι η είσοδος που συλλογίζεται το μοντέλο είναι σωστή. Αν η ταυτότητα είναι λάθος, μπορείτε να έχετε ένα τέλειο διακυβερνημένο μοντέλο που παράγει αποφάσεις για τον λάθος άνθρωπο, ή ένα μοντέλο που φαίνεται προκατειλημμένο όταν το πραγματικό ζήτημα είναι ότι τα δεδομένα του ήταν κατακερματισμένα με τρόπο που διακρίβανε ορισμένες ομάδες πελατών.

Πρακτικά, αυτό σημαίνει ότι η ίδια αυστηρότητα που εφαρμόζουν οι οργανισμοί στην παρακολούθηση μοντέλων πρέπει να εφαρμοστεί και στο επίπεδο δεδομένων και ταυτότητας. Ποιος είναι ο ιδιοκτήτης του χρυσού αρχείου του πελάτη; Πώς μετράται και παρακολουθείται η ποιότητα αντιστοίχισης με τον καιρό; Τι συμβαίνει όταν μια αντιστοίχιση είναι λάθος; Αυτά πρέπει να είναι ερωτήσεις διακυβέρνησης με την ίδια προτεραιότητα με οτιδήποτε συμβαίνει στο επίπεδο του μοντέλου.

Πολυάριθμες οργανώσεις επενδύουν πολύ σε πιλότους τεχνητής νοημοσύνης, αλλά τα δεδομένα πελατών τους παραμένουν κατακερματισμένα σε μάρκετινγκ, εμπόριο, υποστήριξη, πίστη και离LINE συστήματα. Ποια είναι τα praktικά βήματα που πρέπει να λάβουν οι ηγέτες πριν από την κλιμάκωση της τεχνητής νοημοσύνης σε λειτουργικές αποφάσεις;

Το μοτίβο που βλέπω πιο συχνά είναι μια οργάνωση που τρέχει πολλές υποσχόμενες πιλότους τεχνητής νοημοσύνης — ένα chatbot εδώ, ένα πείραμα προσωποποίησης εκεί — το καθένα συνδεδεμένο με οποιαδήποτε δεδομένα συμβαίνει να είναι πιο κοντά στο χέρι για αυτή την ομάδα. Λειτουργεί αρκετά καλά για να финансируется, και μετά χτυπά ένα τοίχο όταν κάποιος προσπαθεί να το κλιμακώσει σε μια πραγματική λειτουργική απόφαση, επειδή τα δεδομένα του πιλότου δεν αντανακλούσαν ποτέ τον πλήρη πελάτη.

Το πρώτο praktικό βήμα είναι μια ειλικρινής απογραφή: γνωρίστε όπου κάθε πηγή αλήθειας του πελάτη ζει (μάρκετινγκ, εμπόριο, υποστήριξη, πίστη,离LINE). Πόσο επικαλύπτονται; Πού δεν; Δεύτερον, επενδύστε στην αναγνώριση ταυτότητας πριν από την επένδυση σε περισσότερους πιλότους. Αυτό είναι αυτό που επιτρέπει σε κάθε μελλοντική πρωτοβουλία τεχνητής νοημοσύνης να ξαναχρησιμοποιήσει την ίδια αξιόπιστη βάση, αντί κάθε ομάδας να ξαναχτίζει μια μερική. Τρίτον, κατασκευάστε έναν μικρό αριθμό δια-λειτουργικών ιδιοκτητών για τα ενοποιημένα δεδομένα πελατών, αντί να αφήσετε την ιδιοκτησία σε οποιαδήποτε ομάδα που τυχαίνει να το χρειάζεται για τον τρέχοντα πιλότο. Οι οργανισμοί που παίρνουν αυτή τη σειρά ανάποδα τελειώνουν με einen πορτοφόλιο πιλότων τεχνητής νοημοσύνης που δεν αφήνουν ποτέ το στάδιο του πιλότου, επειδή κανένας από αυτούς δεν μπορεί να εμπιστευτεί μια πραγματική απόφαση.

Πού τραβάτε τη γραμμή μεταξύ προσωποποίησης που feels χρήσιμη και προσωποποίησης που feels εισβάλλουσας, ιδιαίτερα όταν τα συστήματα τεχνητής νοημοσύνης μπορούν να συναγάγουν περισσότερα από ενοποιημένα προφίλ πελατών;

Η γραμμή είναι λιγότερο για το πόσο μια μάρκα ξέρει και περισσότερο για το αν αυτό που κάνει με αυτή τη γνώση feels κερδισμένο και σχετικό στη στιγμή. Μια σύσταση που βασίζεται στην πραγματική ιστορία αγορών feels χρήσιμη. Μια σύσταση που αποκαλύπτει μια εικασία που ο πελάτης δεν μοιράστηκε ποτέ feels εισβάλλουσα ακόμη και όταν είναι ακριβής, επειδή αποκαλύπτει πόσο μοιράζεται.

Η αναφορά μας βρήκε ότι μια μεγάλη πλειοψηφία των καταναλωτών λέει ότι είναι πιο πρόθυμοι να ασχοληθούν με προσωποποίηση όταν εμπιστεύονται το πώς χρησιμοποιούνται τα δεδομένα τους, και μια πλειοψηφία λέει ότι προσωποποίηση που feels εισβάλλουσα κάνει τους λιγότερο πιθανό να επιλέξουν μια μάρκα. Η κανόνα μου για ομάδες που κατασκευάζουν με βάση την τεχνητή νοημοσύνη είναι απλή: αν δεν θα ήθελα να εξηγήσω, σε απλά λόγια, γιατί το σύστημα ξέρει αυτό που ξέρει, μην το κάνετε ακόμη. Η προσωποποίηση πρέπει να feels σαν αναγνώριση, όχι σαν επιτήρηση.

Κοιτάζοντας μπροστά, τι θα ξεχωρίσει τις επιχειρήσεις που λαμβάνουν πραγματική αξία από την τεχνητή νοημοσύνη από αυτές που παραμένουν στο στάδιο πειραματισμού; καλύτερα μοντέλα, καλύτερη υποδομή δεδομένων, ισχυρότερη διακυβέρνηση ή ένα νέο λειτουργικό μοντέλο;

Η ποιότητα του μοντέλου δεν ήταν ποτέ going να είναι ο διαρκής διαφορετικός. Evolves πολύ γρήγορα, και οι περισσότερες επιχειρήσεις έχουν πρόσβαση σε περίπου τα ίδια μοντέλα. Η διακυβέρνηση matters, αλλά είναι ένα περιορισμό, όχι μια πηγή αξίας από μόνη της. Τα δύο πράγματα που πραγματικά ξεχωρίζουν τις επιχειρήσεις που προχωρούν είναι η υποδομή δεδομένων και το λειτουργικό μοντέλο, τα οποία είναι συνδεδεμένα.

Οι εταιρείες που λαμβάνουν πραγματική αξία από την τεχνητή νοημοσύνη είναι αυτές που έχουν ήδη επενδύσει σε einen ενιαίο, αξιόπιστο και συνεχώς ενημερωμένο άποψη του πελάτη, οπότε κάθε νέα ικανότητα τεχνητής νοημοσύνης μπορεί να στρέψει σε αυτή τη βάση αντί να συνδέσει το δικό του. Αλλά αυτό λειτουργεί μόνο αν το λειτουργικό μοντέλο αλλάξει επίσης: αν οι πρωτοβουλίες τεχνητής νοημοσύνης είναι ακόμη ιδιοκτησίας ομάδας με ομάδας, με κάθε ομάδα να ορίζει το δικό της άποψη του πελάτη, θα συνεχίσετε να εισαγάγετε τα ίδια προβλήματα ποιότητας δεδομένων. Οι οργανισμοί που βγαίνουν από το στάδιο πειραματισμού είναι αυτοί που αντιμετωπίζουν τα δεδομένα πελατών ως κοινή υποδομή και κατασκευάζουν το λειτουργικό μοντέλο τεχνητής νοημοσύνης γύρω από αυτή την υπόθεση από την αρχή.

Ευχαριστώ τον Derek για τη συνέντευξη. Οι αναγνώστες μπορούν να μάθουν περισσότερα για την Amperity και να εξερευνήσουν τις τελευταίες επισημάνσεις του Derek Slager στη σελίδα Unite.AI.