Nick Shiftan, CTO στο Bazaarvoice – Σειρά Συνεντεύξεων

Νικ Σίφταν, CTO στην Bazaarvoice, είναι ένας έμπειρος ηγέτης στην τεχνολογία και επιχειρηματίας, του οποίου η καριέρα εκτείνεται σε δύο δεκαετίες ανάπτυξης και κλιμάκωσης πλατφορμών εταιρικού λογισμικού και εμπορίου. Είναι περισσότερο γνωστός ως ο συνιδρυτής και CTO της Curalate, μιας πρωτοποριακής εταιρείας κοινωνικού εμπορίου την οποία βοήθησε να αναπτυχθεί για σχεδόν μια δεκαετία σε περισσότερα από 20 εκατομμύρια δολάρια σε ARR πριν από την εξαγορά της από την Bazaarvoice το 2020. Νωρίτερα στην καριέρα του, ίδρυσε και ηγήθηκε της ανάπτυξης προϊόντων στην Parkio, παρέχοντας εταιρικό λογισμικό για συστήματα μεταφορών και στάθμευσης, και ξεκίνησε την επαγγελματική του πορεία στη Microsoft, όπου εργάστηκε στο Outlook Mobile για Windows Mobile. Μετά την εξαγορά, αυτό που αρχικά αναμενόταν να είναι μια σύντομη μετάβαση εξελίχθηκε σε έναν μακροπρόθεσμο ρόλο καθώς συνέχισε να αναπτύσσει σε μεγάλη κλίμακα, με αποκορύφωμα τον διορισμό του ως CTO, όπου επικεντρώνεται στην προώθηση της ανακάλυψης προϊόντων που βασίζεται στην τεχνητή νοημοσύνη, βασισμένη στην εμπιστοσύνη και τα αυθεντικά δεδομένα καταναλωτών.

Bazaarvoice είναι μια κορυφαία πλατφόρμα SaaS στον κλάδο που επιτρέπει σε μάρκες και λιανοπωλητές να συλλέγουν, να διαχειρίζονται και να ενεργοποιούν αυθεντικό περιεχόμενο που δημιουργείται από χρήστες, όπως αξιολογήσεις, κριτικές, φωτογραφίες και βίντεο σε ολόκληρη την ψηφιακή αγοραστική διαδρομή. Λειτουργώντας σε παγκόσμια κλίμακα, η εταιρεία βοηθά περισσότερους από ένα δισεκατομμύριο αγοραστές κάθε μήνα να λαμβάνουν τεκμηριωμένες αποφάσεις αγοράς, διανέμοντας αξιόπιστο περιεχόμενο σε ένα τεράστιο δίκτυο εμπορικών σημάτων και προορισμών λιανικής, τοποθετώντας τη διαφάνεια, την αξιοπιστία και το εμπόριο που βασίζεται σε δεδομένα στο επίκεντρο των διαδικτυακών εμπειριών.

Πώς εφαρμόζετε τεχνικές που βασίζονται στην generative-AI και το LLM για να ενισχύσετε την αυθεντικότητα των κριτικών, τη διαχείριση και τα σήματα εμπιστοσύνης χωρίς να διακυβεύετε την απόδοση υπό μεγάλο φόρτο εργασίας;

Χρησιμοποιούμε την Τεχνητή Νοημοσύνη για να αναδείξουμε σήματα και μοτίβα, όχι για να αντικαταστήσουμε την ανθρώπινη κρίση. Τα μεταπτυχιακά LLM βοηθούν στην ταχεία επισήμανση ανώμαλης δραστηριότητας ή ενδεχομένως μη αυθεντικού περιεχομένου, αλλά ο στόχος είναι πάντα η διατήρηση της εμπιστοσύνης. Ενσωματώνοντας αυτά τα μοντέλα σε αγωγούς επικύρωσης εκτός σύνδεσης και αποσυνδέοντάς τα από διαδρομές αιτημάτων σε πραγματικό χρόνο, διατηρούμε την απόδοση ακόμη και όταν ο όγκος υποβολών αυξάνεται. Το αποτέλεσμα είναι έλεγχοι εποπτείας και αυθεντικότητας που είναι τόσο έξυπνοι όσο και κλιμακώσιμοι.

Πολλοί λιανοπωλητές επενδύουν σημαντικά στην αξιοπιστία των ταμείων, αλλά συχνά παραβλέπουν την πολυπλοκότητα της διατήρησης ενός αξιόπιστου οικοσυστήματος κριτικών. Ποιοι κρυφοί κίνδυνοι στις υποδομές κριτικών και αξιολόγησης πιστεύετε ότι αξίζουν τον ίδιο στρατηγικό έλεγχο με τις πληρωμές;

Οι αξιολογήσεις και οι κριτικές ήταν ανέκαθεν κρίσιμη υποδομή για τη λήψη αποφάσεων, αλλά αυτό ισχύει ιδιαίτερα σε έναν κόσμο αγορών που υποστηρίζονται από την Τεχνητή Νοημοσύνη. Οι πράκτορες της Τεχνητής Νοημοσύνης θα βασίζονται σε μεγάλο βαθμό σε σήματα εμπιστοσύνης - ιδίως με τη μορφή αξιολογήσεων και κριτικών - καθώς κάνουν προτάσεις αγορών. Οι καθυστερήσεις, τα ελλείποντα δεδομένα ή η κατάφωρη μη αυθεντικότητα θα επηρεάσουν άμεσα την εμπιστοσύνη των καταναλωτών. Αυτά τα συστήματα είναι πολύπλοκα. Η αντιμετώπισή τους με την ίδια αυστηρότητα όπως τα συστήματα ολοκλήρωσης αγοράς είναι απαραίτητη για την αποφυγή απώλειας μετατροπής και μακροπρόθεσμης διάβρωσης της εμπιστοσύνης.

Έχοντας ηγηθεί της μηχανικής σε πολλές μεγάλες πλατφόρμες εμπορίου, πώς προσαρμόζετε τις στρατηγικές παρατηρησιμότητας και απόκρισης σε περιστατικά όταν συστήματα Τεχνητής Νοημοσύνης - όπως η ανάλυση συναισθημάτων ή τα μοντέλα ανίχνευσης απάτης - βρίσκονται απευθείας στη διαδρομή δεδομένων σε πραγματικό χρόνο;

Αντιμετωπίζουμε τα μοντέλα Τεχνητής Νοημοσύνης όπως οποιαδήποτε άλλη κρίσιμη υπηρεσία: παρακολουθούμε την απόδοση και την ακρίβεια σε πραγματικό χρόνο. Αυτό περιλαμβάνει την καθυστέρηση, τα ποσοστά σφαλμάτων και την απόκλιση συμπεριφοράς. Εφαρμόζουμε ασφαλείς λύσεις, ώστε τα μοντέλα να μπορούν να υποβαθμίζονται ομαλά ή να παρακάμπτουν μη κρίσιμες διαδρομές υπό φόρτο. Οι πίνακες ελέγχου, οι αυτοματοποιημένες ειδοποιήσεις και τα runbooks διασφαλίζουν ότι τα προβλήματα Τεχνητής Νοημοσύνης αναδεικνύονται και επιλύονται πριν επηρεάσουν τους αγοραστές.

Όταν λειτουργείτε σε παγκόσμια κλίμακα από την Bazaarvoice, πώς διασφαλίζετε ότι το περιεχόμενο που δημιουργείται από τους καταναλωτές ρέει μέσω των συστημάτων σας που βασίζονται στην Τεχνητή Νοημοσύνη με τρόπους που διατηρούν την ελεγκτικότητα, τη διαφάνεια και την ανταπόκριση σε πραγματικό χρόνο;

Καταλήγει στην παρατήρηση από άκρο σε άκρο και την τμηματοποίηση του αγωγού. Κάθε κομμάτι περιεχομένου παρακολουθείται καθ' όλη τη διάρκεια του κύκλου ζωής του, από την απορρόφηση έως την προβολή. Τα μοντέλα τεχνητής νοημοσύνης παρέχουν συστάσεις ή σημαίες εποπτείας, αλλά όλες οι αποφάσεις καταγράφονται, ελέγχονται και ιχνηλατούνται. Σε συνδυασμό με τα buffer χωρητικότητας και τη δυναμική κλιμάκωση, αυτό διασφαλίζει την ανταπόκριση ακόμη και υπό μέγιστο φόρτο, διατηρώντας παράλληλα τη διαφάνεια.

Κοιτάζοντας μπροστά, ποιοι αναδυόμενοι κίνδυνοι ή πρότυπα συμπεριφοράς που οφείλονται στην Τεχνητή Νοημοσύνη πιστεύετε ότι θα καθορίσουν την επόμενη γενιά σχεδιασμού συστημάτων λιανικής πώλησης και πώς θα πρέπει οι ηγέτες της πληροφορικής να προετοιμαστούν γι' αυτούς τώρα;

Για μένα, το βασικό ερώτημα για τους ηγέτες της λιανικής πληροφορικής δεν είναι if Οι αγορές μέσω τεχνητής νοημοσύνης θα πραγματοποιηθούν — έτσι θα αλλάξει και το αγοραστικό τους ταξίδι όταν συμβεί αυτό. Αν οι αγορές μέσω τεχνητής νοημοσύνης γίνουν αύριο τόσο συνηθισμένες όσο οι ηλεκτρονικές αγορές σήμερα:

• Πού θα ανακαλύψουν οι πελάτες τα προϊόντα μου, στον ιστότοπό μου ή μέσω του ChatGPT;
• Πώς θα μάθουν για τα προϊόντα μου, μέσω του Claude ή του δικού μου βοηθού αγορών;
• Πώς θα ολοκληρώσουν την αγορά, στη σελίδα ολοκλήρωσης αγοράς μου ή απευθείας μέσω μιας διεπαφής τεχνητής νοημοσύνης;

Τα μοντέλα αιχμής πιθανότατα θα γνωρίζουν τα πάντα για τα προϊόντα σας. Αλλά το πραγματικό ερώτημα είναι: Θα προσφέρουν την ίδια εμπειρία πελάτη που μπορείτε να προσφέρετε σήμερα; Εάν η απάντηση είναι όχι, δεν αρκεί να περιμένετε να εμφανιστούν οι παραγγελίες που βασίζονται στην Τεχνητή Νοημοσύνη. Θα χρειαστεί να επενδύσετε σε Βοηθούς Τεχνητής Νοημοσύνης και στα σημεία εισόδου που τους καθιστούν μέρος της μοναδικής εμπειρίας αγορών της επωνυμίας σας.

Σας ευχαριστούμε για την υπέροχη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν Bazaarvoice.